露天矿运输的PSO-BP神经网络风险评估法

金属矿山 ›› 2016, Vol. 45 ›› Issue (03): 53-57.

露天矿运输的PSO-BP神经网络风险评估法

姜立春¹，张彩杰²

1.华南理工大学土木与交通学院，广东广州 510640 ；2.华南理工大学安全科学与工程研究所，广东广州 510640

出版日期:2016-03-15 发布日期:2016-05-17
基金资助:
* “十二五”国家科技支撑计划项目（编号：2012BAB08B02），国家自然科学基金项目（编号：51174093，51374035）。

Transportation Risk Assessment of Open-pit Mine based on PSO-BP Neural Network

Jiang Lichun¹，Zhang Caijie²

1.School of Civil Engineering and Transportation，South China University of Technology，Guangzhou 510640，China；2.Institute of Safety Science & Engineering，South China University of Technology，Guangzhou 510640，China

Online:2016-03-15 Published:2016-05-17

摘要/Abstract

摘要： 为对露天矿运输路线进行风险评估，提出一种基于PSO-BP模型的露天矿运输风险评估方法。以某露天矿内15条运输路线为例，选取17个主要因素作为风险指标体系的二级指标并进行定量化处理，构建了BP风险评估模型，利用PSO算法优化BP模型的权值和阈值，建立了PSO-BP风险评估模型。以模糊综合评判得出的风险分值为依据，分别对PSO-BP模型与BP模型的训练结果和测试结果进行对比分析。结果表明：PSO-BP模型的评估结果与现场实际情况基本相符，评估准确率明显高于BP模型。

关键词: 运输系统, 风险评估, PSO-BP模型, 神经网络, 粒子群算法

Abstract: In order to assess open-pit mine transportation risk，a new assessment method based on the model of PSO-BP neural net was proposed.Taking the 15 transportation routes of an open-pit mine for example，seventeen major factors were selected as the second-level indexes of risk index system to make quantitative processing.The BP neural net model was built，and its weights and the threshold values were optimized with PSO algorithm.Depended on the risk scores of fuzzy comprehensive evaluation，a comparison of training results and test results between PSO-BP model and BP model was made respectively.Results show that the assessment results of PSO-BP model is greatly consistent with the actual situation and has higher assessment accuracy than that of BP model.The proposed PSO-BP evaluation model.

Key words: Transportation system, Risk assessment, PSO-BP model, Neural net, Particle swarm optimization

姜立春, 张彩杰. 露天矿运输的PSO-BP神经网络风险评估法[J]. 金属矿山, 2016, 45(03): 53-57.

JIANG Li-Chun, ZHANG Cai-Jie. Transportation Risk Assessment of Open-pit Mine based on PSO-BP Neural Network[J]. Metal Mine, 2016, 45(03): 53-57.

[1]	郭　梨, 高　元, 吴　昊, 杨　震. 基于混合因果逻辑的尾矿坝事故知识图谱构建与应用[J]. 金属矿山, 2025, 54(1): 233-.
[2]	郑伦川, 梁新元, 袁乖宁. 基于集成神经网络和改进极限学习机的矿井移动机器人故障检测[J]. 金属矿山, 2024, 53(6): 159-.
[3]	肖双双, 刘　锦, 李卫炎, 马亚洁. 矿山粉尘职业危害风险评估研究现状与展望[J]. 金属矿山, 2024, 53(5): 55-.
[4]	徐志华, 杨　旭, 孙钱程, 何钰铭, 张国栋, 叶义成. 基于多变量自优化动态神经网络的“ 阶跃型” 滑坡变形预测[J]. 金属矿山, 2024, 53(3): 74-.
[5]	姜　燕, 连　晗, 席东河. 地表沉陷预测的改进BP 神经网络模型[J]. 金属矿山, 2024, 53(2): 205-.
[6]	聂雅琳, 王海军, 石念峰, 刘保罗. 融合深度卷积神经网络和Swin Transformer 的露天矿遥感图像超分辨率重建[J]. 金属矿山, 2024, 53(12): 240-.
[7]	孙志豪, 徐良骥, 刘潇鹏. 一种基于分段加权赋参的厚松散层矿区沉陷预计方法[J]. 金属矿山, 2024, 53(11): 132-.
[8]	苗作华, 陈澳光朱良建赵成诚刘代文. 基于自适应CKF的改进LANDMARC井下定位算法研究[J]. 金属矿山, 2024, 53(01): 158-164.
[9]	江松, 孔若男, 李鹏程, 卢才武, 章赛, 李萌. 融合 Swin Transformer 与 CNN 的露天矿车前障碍物智能检测算法[J]. 金属矿山, 2023, 52(05): 228-236.
[10]	刘建坡徐孝男武峰李烽田王永昕. 基于决策树的地下工程透水事故发生风险定量评估[J]. 金属矿山, 2023, 52(02): 217-224.
[11]	李如仁孙加瑶. 融合 SBAS-InSAR 与 GS-LSTM 的尾矿库沉降监测与预测[J]. 金属矿山, 2023, 52(01): 102-109.
[12]	杨梅, 陈勇, 周皓, 梁雅琪, 杨金凤, 黄锦. 矿区农地重金属污染风险农户认知状况———基于 FCM 法的案例研究[J]. 金属矿山, 2022, 51(11): 222-228.
[13]	郑海青, 赵越磊, 宗广昌, 孙晓云, 靳强. 融合自注意力机制的 Conv-LSTM 边坡位移预测方法[J]. 金属矿山, 2022, 51(11): 193-197.
[14]	秦学斌, 李明桥, 申昱瞳, 杨培娇, 胡佳琛, 刘浪. 基于ECT技术的充填管道内固液两相流仿真方法研究[J]. 金属矿山, 2022, 51(09): 31-36.
[15]	吴满毅, 徐良骥, 张坤. 基于 SSA-BP 神经网络的概率积分法预计参数求取研究[J]. 金属矿山, 2022, 51(08): 182-189.

扫码分享