基于RBF神经网络的矿井突水水源识别方法研究

发布时间：2021-04-23 09:43

　　采用Na⁺+K⁺、Ca²⁺、Mg²⁺、Cl^-、SO₄^2-和HCO₃^-六种常规水化学指标作为矿井突水水源识别的依据,利用Piper三线图分析了各充水水源水化学特征,筛选出适用于模型构建的样本。运用SPSS软件构建RBF神经网络,对6组待测样本进行识别。结果表明:RBF神经网络对孔隙水、地表水和奥灰水的判别正确率均为100%,对于砂岩水和太灰水的判别正确率分别为91.7%和50%;经过待判检验,RBF神经网络待判检验正确率为92.3%。 

【文章来源】：能源环境保护. 2020,34(05)

【文章页数】：6 页

【文章目录】：
0 引言
1 RBF神经网络原理
2 水源识别模型的建立
    2.1 样本数据的选择与处理
    2.2 水源识别模型的训练
3 结论


【参考文献】：
期刊论文
[1]矿井充水水源识别的EW-UCA模型及应用[J]. 张洋,马云东,吴浩.  水文地质工程地质. 2014(04)
[2]基于主成分分析与距离判别分析法的突水水源识别方法[J]. 宫凤强,鲁金涛.  采矿与安全工程学报. 2014(02)
[3]矿井突水水源判别的多组逐步Bayes判别方法研究[J]. 陈红江,李夕兵,刘爱华.  岩土力学. 2009(12)
[4]数量化理论在矿井突(涌)水水源判别中的应用[J]. 张许良,张子戌,彭苏萍.  中国矿业大学学报. 2003(03)
[5]采面回采过程中出现突水征兆的分析与防治[J]. 黄国华,刘生忠,吴祥,李祥华.  山东煤炭科技. 2003(01)



本文编号：3155099