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)

RichHTML

11

PDF (PC)

990

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c1和c2,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] 邵孟伟,袁世飞,周宏志,王乃华. 基于BP神经网络和遗传算法的翅片管结构优化[J]. 山东大学学报 (工学版), 2025, 55(6): 76-82.
[2] 耿麒,李晓斌,黄雨枫,汪学斌,杨沐霖,郭惠川,章慧健. 基于小尺度滚刀直线切割试验的岩石强度预测[J]. 山东大学学报 (工学版), 2025, 55(3): 111-120.
[3] 杜睿山,井远光,孟令东,张豪鹏. 基于改进多目标粒子群算法的储气库注气优化[J]. 山东大学学报 (工学版), 2024, 54(4): 42-50.
[4] 孙园,曾惠权,欧阳苏建,高佳倩,王绮楠,林智勇. 基于粒子群算法的模糊大脑情感学习非线性系统辨识[J]. 山东大学学报 (工学版), 2024, 54(1): 25-32.
[5] 韦修喜,陶道,黄华娟. 改进果蝇算法优化BP神经网络预测汽油辛烷值[J]. 山东大学学报 (工学版), 2023, 53(5): 20-28.
[6] 那绪博,张莹,李沐阳,陈元畅,华云鹏. 基于ODCG的网约车需求预测模型[J]. 山东大学学报 (工学版), 2023, 53(5): 48-56.
[7] 蒋红光,黄贝贝,马川义,刘依依,王凯,姚占勇. 考虑地下水与降雨影响的细粒土路基湿度场[J]. 山东大学学报 (工学版), 2023, 53(5): 74-82.
[8] 范海雯,郝旭东,赵康,邢法财,蒋哲,李常刚. 基于卷积神经网络的含分布式光伏配电网静态等值[J]. 山东大学学报 (工学版), 2023, 53(4): 140-148.
[9] 李浩源,于景明,张桂林,张斌. 基于智能算法的光纤预制棒芯层制备工艺参数优化[J]. 山东大学学报 (工学版), 2023, 53(4): 149-156.
[10] 孙东磊, 鉴庆之, 李智琦, 韩学山, 王明强, 陈博, 付一木. 源网协调的电力系统均匀性规划[J]. 山东大学学报 (工学版), 2022, 52(5): 92-101.
[11] 丁飞,江铭炎. 基于改进狮群算法和BP神经网络模型的房价预测[J]. 山东大学学报 (工学版), 2021, 51(4): 8-16.
[12] 孙东磊,王艳,于一潇,韩学山,杨明,闫芳晴. 基于BP神经网络的短期光伏集群功率区间预测[J]. 山东大学学报 (工学版), 2020, 50(5): 70-76.
[13] 金保明,卢光毅,王伟,杜伦阅. 基于弹性梯度下降算法的BP神经网络降雨径流预报模型[J]. 山东大学学报 (工学版), 2020, 50(3): 117-124.
[14] 杨明, 杜萍静, 刘凤全, 郝旭鹏, 孛一凡. 能源消费发展及预测方法综述[J]. 山东大学学报 (工学版), 2020, 50(1): 56-62.
[15] 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.
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] 张永花,王安玲,刘福平 . 低频非均匀电磁波在导电界面的反射相角[J]. 山东大学学报(工学版), 2006, 36(2): 22 -25 .
[3] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[4] 孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[5] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[6] 余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[7] 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 .
[8] 李可,刘常春,李同磊 . 一种改进的最大互信息医学图像配准算法[J]. 山东大学学报(工学版), 2006, 36(2): 107 -110 .
[9] 季涛,高旭,孙同景,薛永端,徐丙垠 . 铁路10 kV自闭/贯通线路故障行波特征分析[J]. 山东大学学报(工学版), 2006, 36(2): 111 -116 .
[10] 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 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发