您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2019, Vol. 49 ›› Issue (3): 108-113.doi: 10.6040/j.issn.1672-3961.0.2017.449

• 机械工程 • 上一篇    下一篇

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

郑店坤1(),许同乐1,*(),尹召杰1,孟庆民2   

  1. 1. 山东理工大学机械工程学院, 山东 淄博 255049
    2. 山博安吉富齿轮电机有限公司, 山东 淄博 255200
  • 收稿日期:2017-09-04 出版日期:2019-06-20 发布日期:2019-06-27
  • 通讯作者: 许同乐 E-mail:zdk5287@163.com;xutongle@163.com
  • 作者简介:郑店坤(1990— ),男,山东曹县人,硕士研究生,主要研究方向为智能测试技术及仪器.E-mail: zdk5287@163.com
  • 基金资助:
    山东省自然科学基金资助项目(ZR2013FM005);淄博市科学技术发展计划资助项目(JY20151587)

Prediction method of tailing dam groundwater levels based on improved PSO-BP neural network

Diankun ZHENG1(),Tongle XU1,*(),Zhaojie YIN1,Qingmin MENG2   

  1. 1. Mechanical Engineering School, Shandong University of Technology, Zibo 255049, Shandong, China
    2. Shanbo Anjifu Gear Motor Co., Ltd., Zibo 255200, Shandong, China
  • Received:2017-09-04 Online:2019-06-20 Published:2019-06-27
  • Contact: Tongle XU E-mail:zdk5287@163.com;xutongle@163.com
  • Supported by:
    山东省自然科学基金资助项目(ZR2013FM005);淄博市科学技术发展计划资助项目(JY20151587)

摘要:

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c1c2,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。

关键词: 动态优化, 地下水位, 粒子群, BP神经网络, 预测模型

Abstract:

To solve the low convergence speed and poor precision problem of the traditional prediction algorithm, an improved particle swarm optimization(IPSO) algorithm was proposed. The inertia factor ω and the accelerating factor c1 and c2 of the algorithm were dynamically adjusted during the searching process to improve the optimization effectiveness. The weights and thresholds of back propagation(BP) network were optimized by the improved algorithm. And the prediction model of groundwater levels in tailing dam was built and verified according to its instance data. The test results showed that the convergence speed of algorithm and the accuracy of prediction model was improved.

Key words: dynamic optimization, groundwater levels, particle swarm, BP neural network, prediction model

中图分类号: 

  • TD76

图1

适应度变化曲线"

图2

改进的PSO-BP网络预测模型流程图"

表1

某尾矿坝实例数据"

序号 最小干滩长度/m 库水位/m 渗流量/(m3/h) 水平位移/m 垂直位移/m 孔隙压力比 地下水位/m
1 287.36 12.35 7.50 0.012 0.005 0.40 8.54
2 289.17 12.30 7.52 0.012 0.005 0.35 8.53
3 292.14 12.18 7.48 0.012 0.005 0.25 8.43
118 285.43 12.48 7.60 0.016 0.008 0.55 8.70
119 285.04 12.56 7.68 0.016 0.008 0.58 8.77
120 287.43 12.42 7.55 0.016 0.008 0.40 8.58

表2

各测点数据与地下水位相关性分析结果"

参数 最小干滩长度 库水位 渗流量 水平位移 垂直位移 孔隙压力比
相关系数r -0.832 0.901 0.811 0.103 0.072 0.863

表3

选取隐层节点数试验结果"

节点数 3 4 5 6 7 8 9 10 11 12 13 14
PSO-BP 0.803 5 0.301 7 0.120 6 0.078 1 0.035 4 0.086 5 0.271 6 0.372 1 0.591 3 0.644 5 0.711 5 0.761 1
IPSO-BP 0.131 2 0.045 6 0.017 1 0.006 8 0.009 8 0.011 9 0.023 6 0.054 1 0.073 3 0.081 8 0.096 7 0.103 2

图3

不同网络结构模型预测结果"

表4

预测模型输出值及误差分析结果"

样本序号 实测值 网络结构:4-6-1 网络结构:4-7-1
PSO预测值/m PSO误差值/% IPSO预测值/m IPSO误差值/% PSO预测值/m PSO误差值/% IPSO预测值/m IPSO误差值/%
1 9.15 9.27 1.30 9.09 -0.66 9.29 1.50 9.21 0.66
2 9.10 9.19 0.99 9.05 -0.55 8.98 -1.30 9.03 -0.77
3 8.89 8.79 -1.10 8.91 0.22 8.99 1.10 8.98 1.00
4 8.80 8.86 0.68 8.76 -0.45 8.94 1.60 8.76 -0.45
5 8.85 8.92 0.79 8.85 0.00 8.96 1.20 8.81 -0.45
6 8.78 8.89 0.11 8.76 -0.23 8.69 -1.00 8.85 0.80
7 8.75 8.85 1.10 8.71 -0.46 8.82 0.80 8.71 -0.46
8 8.70 8.69 -0.11 8.72 0.23 8.78 0.92 8.75 0.57
9 8.77 8.89 1.40 8.76 -0.11 8.90 1.50 8.85 0.91
10 8.58 8.72 1.60 8.61 0.35 8.76 2.10 8.66 0.93
平均相对误差/% 0.92 0.33 1.30 0.70
1 冯治刚, 王桂生, 吴晓荣, 等. 基于时间序列法的高拱坝强度安全裕度分析评价模型及应用[J]. 水电能源科学, 2013, 31 (11): 61- 64.
FENG Zhigang , WANG Guisheng , WU Xiaorong , et al. Strength safety margin analysis and evaluation model of high arch dam foundation based on time series method[J]. Water Resources and Power, 2013, 31 (11): 61- 64.
2 邱坤南, 沈斐敏. 小波多尺度分析的浸润线预测方法[J]. 福州大学学报(自然科学版), 2016, 44 (5): 746- 752.
QIU Kunnan , SHEN Feimin . Research on infiltration route prediction method based on wavelet multi-resolution-analysis[J]. Journal of Fuzhou University(Natural Science Edition), 2016, 44 (5): 746- 752.
3 郎学政, 许同乐, 黄湘俊, 等. 利用PCA和神经网络预测尾矿坝地下水位[J]. 水文地质工程地质, 2014, 41 (2): 13- 17.
LANG Xuezheng , XU Tongle , HUANG Xiangjun , et al. Research on prediction of groundwater levels near a tailing dam based on PCA and artificial neural network[J]. Hydrogeology and Engineering Geology, 2014, 41 (2): 13- 17.
4 何勇, 李妍琰. 改进粒子群优化BP神经网络的洪水智能预测模型研究[J]. 西南师范大学学报(自然科学版), 2014, 39 (5): 75- 80.
HE Yong , LI Yanyan . On application of improved PSO-BP neural network in intelligent flood forecasting model[J]. Journal of Southwest China Normal University(Natural Science Edition), 2014, 39 (5): 75- 80.
5 程加堂, 艾莉, 熊燕. 基于IQPSO-BP算法的煤矿瓦斯涌出量预测[J]. 矿业安全与环保, 2016, 43 (4): 38- 41.
doi: 10.3969/j.issn.1008-4495.2016.04.010
CHENG Jiatang , AI Li , XIONG Yan . Coal mine gas emission prediction based on IQPSO-BP algorithm[J]. Mining Safety & Environmental Protection, 2016, 43 (4): 38- 41.
doi: 10.3969/j.issn.1008-4495.2016.04.010
6 高峰, 冯民权, 滕素芬. 基于PSO优化BP神经网络的水质预测研究[J]. 安全与环境学报, 2015, 15 (4): 338- 341.
GAO Feng , FENG Minquan , TENG Sufen . On the way for forecasting the water quality by BP neural network based on the PSO[J]. Journal of Safety and Environment, 2015, 15 (4): 338- 341.
7 潘少伟, 梁鸿军, 李良, 等. 改进PSO-BP神经网络对储层参数的动态预测研究[J]. 计算机工程与应用, 2014, 50 (10): 52- 56.
doi: 10.3778/j.issn.1002-8331.1308-0413
PAN Shaowei , LIANG Hongjun , LI Liang , et al. Dynamic prediction on reservoir parameter by improved PSO-BP neural network[J]. Computer Engineering and Applications, 2014, 50 (10): 52- 56.
doi: 10.3778/j.issn.1002-8331.1308-0413
8 邹卫霞, 王多万, 杜光龙. 基于粒子群优化的频域多信道干扰对齐算法[J]. 北京邮电大学学报, 2016, 39 (3): 22- 26.
ZOU Weixia , WANG Duowan , DU Guanglong . On particle swarm optimization for multi-frequency channel interference alignment[J]. Journal of Beijing University of Posts and Telecommunications, 2016, 39 (3): 22- 26.
9 花景新, 薄煜明, 陈志敏. 基于改进粒子群优化神经网络的房地产市场预测[J]. 山东大学学报(工学版), 2014, 44 (4): 24- 32.
HUA Jingxin , BO Yuming , CHEN Zhimin . Forecasting of real estate market based on particle swarm optimized neural network[J]. Journal of Shandong University (Engineering Science), 2014, 44 (4): 24- 32.
10 GAO Z , LI X Z . The hybrid adaptive particle swarm optimization based on the average speed[J]. Control and Decision-Making, 2012, 27 (1): 152- 160.
11 ZHOU C , TAO J C . Adaptive combination forecasting model for China's logistics freight volume based on an improved PSO-BP neural network[J]. Kybernetes, 2015, 44 (4): 646- 666.
doi: 10.1108/K-09-2014-0201
12 SHI Y, EBERHART R C. Empirical study of particle swarm optimization[C]//Proceedings of the 1999 Congress on Evolutionary Computation-CEC99.[S.l.]: IEEE, 1999: 1945-1950.
[1] 杨亚楠,夏斌,谢楠,袁文浩. 基于BP神经网络和多元Taylor级数的混合定位算法[J]. 山东大学学报 (工学版), 2019, 49(1): 36-40.
[2] 刘洪铭,曾鸿雁,周伟,王涛. 基于改进粒子群算法作业车间调度问题的优化[J]. 山东大学学报 (工学版), 2019, 49(1): 75-82.
[3] 刘萌,徐陶阳,李常刚,吴越,王智,史方芳,苏建军,张国辉,李宽. 基于粒子群算法的受端电网紧急切负荷优化[J]. 山东大学学报 (工学版), 2019, 49(1): 120-128.
[4] 梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报 (工学版), 2018, 48(5): 77-84.
[5] 姬安召,王玉风,刘雪芬. 复合Bessel函数零点数值计算方法及分布规律[J]. 山东大学学报(工学版), 2018, 48(1): 71-77.
[6] 宋正强,杨辉玲,肖丹. 基于在线粒子群优化方法的IPMSM驱动电流和速度控制器[J]. 山东大学学报(工学版), 2018, 48(1): 112-116.
[7] 马汉杰,林霞,胥晓晖,张健,张智晟. 基于自适应粒子群算法的智能家居管理系统负荷优化模型[J]. 山东大学学报(工学版), 2017, 47(6): 57-62.
[8] 谢国辉,樊昊. 太阳能光热发电技术成熟度预测模型[J]. 山东大学学报(工学版), 2017, 47(6): 83-88.
[9] 易云飞,苗剑,林郭隆,殷智. 基于牛顿力学和博弈论模型的粒子网络优化算法[J]. 山东大学学报(工学版), 2017, 47(1): 28-36.
[10] 范德斌,邓长寿,袁斯昊,谭旭杰,董小刚. 基于MapReduce模型的分布式粒子群算法[J]. 山东大学学报(工学版), 2016, 46(6): 23-30.
[11] 何正义,曾宪华,曲省卫,吴治龙. 基于集成深度学习的时间序列预测模型[J]. 山东大学学报(工学版), 2016, 46(6): 40-47.
[12] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[13] 董红斌, 张广江, 逄锦伟, 韩启龙. 一种基于协同进化方法的聚类集成算法[J]. 山东大学学报(工学版), 2015, 45(2): 1-9.
[14] 花景新, 薄煜明, 陈志敏. 基于改进粒子群优化神经网络的房地产市场预测[J]. 山东大学学报(工学版), 2014, 44(4): 22-30.
[15] 荆业飞1,张承慧1*,徐蓓蓓2,李珂1,褚晓广1. 基于阻抗匹配的小型风电系统功率输出优化方法[J]. 山东大学学报(工学版), 2013, 43(5): 39-43.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 王素玉,艾兴,赵军,李作丽,刘增文 . 高速立铣3Cr2Mo模具钢切削力建模及预测[J]. 山东大学学报(工学版), 2006, 36(1): 1 -5 .
[2] 李梁,罗奇鸣,陈恩红. 对象级搜索中基于图的对象排序模型(英文)[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[3] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[4] 浦剑1 ,张军平1 ,黄华2 . 超分辨率算法研究综述[J]. 山东大学学报(工学版), 2009, 39(1): 27 -32 .
[5] 秦通,孙丰荣*,王丽梅,王庆浩,李新彩. 基于极大圆盘引导的形状插值实现三维表面重建[J]. 山东大学学报(工学版), 2010, 40(3): 1 -5 .
[6] 刘文亮,朱维红,陈涤,张泓泉. 基于雷达图像的运动目标形态检测及跟踪技术[J]. 山东大学学报(工学版), 2010, 40(3): 31 -36 .
[7] 王丽君,黄奇成,王兆旭 . 敏感性问题中的均方误差与模型比较[J]. 山东大学学报(工学版), 2006, 36(6): 51 -56 .
[8] 孙国华,吴耀华,黎伟. 消费税控制策略对供应链系统绩效的影响[J]. 山东大学学报(工学版), 2009, 39(1): 63 -68 .
[9] 孙殿柱,朱昌志,李延瑞 . 散乱点云边界特征快速提取算法[J]. 山东大学学报(工学版), 2009, 39(1): 84 -86 .
[10] 杨发展1 ,艾兴1 ,赵军1 ,侯建锋2 . ZrO2含量对WC基复合材料的力学性能和微观结构的影响[J]. 山东大学学报(工学版), 2009, 39(1): 92 -95 .