摘要：基于寺河矿某工作面采矿地质条件,在倾向、走向主断面上设计并建立了剖面线状普通地表移动观测站,得出了4307工作面在倾向、走向方向上的地表下沉值、地表倾斜值、水平移动及水平变形规律,并依据最后一次监测数据得到寺河矿的地表角量参数。

摘要：文中统计分析了11座特高压线塔所处位置煤层的埋深、松散层厚度等地质采矿条件;结合《规范》经验值、两个工作面的地表移动变形实测值,并综合考虑山体采动滑移附加影响,分析得到了地表移动角值参数;采用垂线法,理论计算了保护煤柱尺寸,并通过地质块段法对煤柱压煤量进行了估算。

摘要：边坡的稳定性评价是一个复杂的不确定系统问题。结合投影寻踪算法、粒子群优化算法和逻辑斯谛曲线函数,建立了边坡稳定性评价的粒子群优化投影寻踪模型(PSO-PP)。该模型一方面利用粒子群算法(PSO)优化投影指标函数及逻辑斯谛曲线函数参数,确保了模型参数的准确性;另一方面利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系。模型的测试结果显示了良好的精度。将该模型应用到雅砻江锦屏一级水电站左岸边坡的稳定性分析中,实例分析结果与实际状态吻合较好,表明该模型在边坡稳定性评价中的可行性和有效性。

摘要：引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。

摘要：支持向量机(SVM)的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法(PSO)对最小二乘支持向量机(LSSVM)超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。

摘要：传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。

摘要：根据预应力锚索施工过程,将锚索预应力损失分为张拉损失、锁定损失和随时间的损失,并分别给出各自定义和计算公式。对锦屏一级水电站左岸边坡锚索监测资料进行统计分析,得到锚索预应力损失的分布特征。锚索预应力损失的分布特征为预应力张拉损失最大,预应力随时间的损失其次,锁定损失最小。将锦屏一级水电站左岸边坡锚索预应力损失规律与其他几个类似工程比较,得出锦屏一级水电站左岸边坡锚索预应力张拉损失明显偏大。结合锦屏一级水电站左岸边坡地质条件,分析锚索预应力张拉损失较大的原因,并提出相应改进措施。最后对锦屏一级水电站左岸边坡锚索现存荷载进行评价分析,结果表明,锚索现存荷载基本满足加固设计要求。研究结果可供其他类似工程参考和借鉴。

摘要：围岩的稳定性评价是一个复杂的不确定系统问题。结合投影寻踪方法、粒子群算法和逻辑斯谛曲线函数,建立了围岩稳定性评价的粒子群优化投影寻踪(projection pursuit based on particle swarm optimization,PSO-PP)模型。该模型一方面采用粒子群算法优化投影指标函数及逻辑斯谛曲线函数参数,确保了模型的准确性;另一方面利用逻辑斯谛曲线函数建立投影值与经验等级之间的非线性关系。模型的测试结果显示了良好的精度,实例分析结果与实际状态完全一致,表明该模型在围岩稳定性评价中的可行性和有效性。

摘要：现场监测获得的围岩变形信息,从宏观上反映了洞室的力学性态变化。为克服人工神经网络方法的过学习问题,提出了一种新的洞室围岩变形预测模型——进化支持向量机模型。该模型利用蚁群算法来搜索支持向量机的惩罚因子和核函数参数,避免了人为选择参数的盲目性,提高了支持向量机的推广预测能力。应用该非线性智能预测方法,滚动预测围岩变形量,能及时发现异常情况,从而调整和优化施工步序,维护洞室的稳定性。将该方法用于锦屏一级水电站工程洞室变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。

摘要：现场监测获得的围岩变形信息,从宏观上反映了洞室的力学性态变化。考虑到位移单调增长的特殊性,根据位移分解原理,采用灰色系统提取位移趋势,用基于粒子群优化算法的支持向量机预测其随机项,从而提出了一种位移预测的新方法。利用这种非线性智能预测方法,滚动预测围岩变形量,以便及时发现异常情况、调整和优化施工步序,维护洞室的稳定性。将该方法用于锦屏一级水电站工程洞室变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。