基于RS-GWO-GRNN的充填管道失效风险研究.docxVIP

基金项目：国家自然科学基金资助；陕西省重点学科建设专项资金资助项目（E08001 基金项目：国家自然科学基金资助；陕西省重点学科建设专项资金资助项目（E08001） 作者简介：骆正山（1969－），男，陕西汉中人，教授，博士生导师，主要从事金属矿山采矿方法和管道风险评估与建模的研究。 通信作者：王文辉（1994－），男，安徽六安人，硕士研究生，主要从事采矿与充填技术等方面的研究。 骆正山，王文辉，张新生 （西安建筑科技大学 管理学院，西安710055） 摘要：为克服充填管道失效风险评判指标间的复杂性，及传统方法预测精度低、适用性差等缺陷，提出基于粗糙集(RS)和灰狼优化(GWO)算法融合广义回归神经网络(GRNN)的充填管道失效风险评价模型。选取10项风险评价指标，通过属性约简提取影响充填管道失效的主要风险因素，运用GWO优化GRNN的参数，构建预测模型，以国内某具体矿山充填系统为例进行实证研究，结果表明：与其它预测模型相比，RS-GWO-GRNN模型的预测精度更高，泛化能力更强，为充填管道失效风险研究提供了新思路，具有较好的借鉴意义。 关键词：粗糙集(RS)理论；灰狼优化(GWO)算法；广义回归神经网络(GRNN)；充填管道；失效风险 中图分类号：TD561 Study on invalidation risk of backfill pipeline based on RS-GWO-GRNN LUO Zhengshan，WANG Wenhui，ZHANG Xinsheng （School of Management, Xian University of Architecture Technology, Xian 710055, China） Abstract: In order to overcome the complexity of evaluation index of failure risk for backfill pipeline and the defects of low precision and poor applicability of traditional methods, the paper presents a new method of backfill pipeline failure risk assessment model called GRNN fusion based on rough set (RS) and gray wolf optimization(GWO) algorithm. Ten risk evaluation indexes were selected, the main risk factors affecting filling pipeline failure were extracted through attribute reduction, and GWO was used to optimize the parameters of GRNN to build a forecasting model, taking a specific domestic mine filling system as an example for empirical research, The results show that compared with other prediction models, RS-GWO-GRNN model has higher prediction accuracy and stronger generalization ability, and provide a new idea for the research on the risk of backfill pipeline failure, which is of good reference significance. Keywords: rough set(RS) theory; gray wolf optimization(GWO) algorithm; generalized regression neural network(GRNN); filling pipeline; failure risk 近年来，矿业发展迅速，作为绿色安全的充填采矿法被广泛应用于矿床的地下开采，而充填管道的可靠性直接影响到矿山的正常运营与经济效益，且充填管道失效也制约着充填技术的发展与应用[1-2]。因此，研究并掌握充填管道的风险状况，建立具有普适性的失效风险评价模型对维护矿山的安全生产意义重大。当前，国内外学者居多采用可变模糊集理论[3]