基于小波分解的尾矿坝浸润线预测方法研究

doi:10.11872/j.issn.1005-2518.2019.01.137

摘要/Abstract

摘要：

为了准确预测尾矿坝浸润线的位置变化，结合浸润线埋深非稳定、非线性的时间序列以及动态变化的特点，利用小波分解与重构，提出基于小波分解的时间序列指数平滑法和BP神经网络法，采用时间序列的指数平滑法和BP神经网络方法分别对多个细节信号序列和逼近信号序列进行拟合预测，并对其拟合结果进行叠加，实现对尾矿坝浸润线的预测。将预测结果与实际监测数据进行对比，结果表明小波分解预测方法的预测结果与传统单一的指数平滑法和神经网络法预测结果相比，在预测精确度和拟合度方面：小波分解>指数平滑>神经网络。

关键词: 尾矿坝, 浸润线, 小波分解, 指数平滑, BP神经网络, 预测

Abstract:

The seepage line is the safe lifeline of tailings dam, and its location change directly reflects the seepage characteristics inside the dam body.In order to accurately predict the location change of the seepage line of tailings dam in flood season, analyze the law of change,and predict the future change of seepage line,so as to ensure production, reduce accidents such as dam break, and ensure the safety of people’s life and property. Combined with the characteristics of unstable, nonlinear time series and dynamic change of the submerged line of the tailings dam, using wavelet decomposition and reconstruction, the exponential smoothing analysis method of time series based on wavelet decomposition and the analysis method of BP neural network are proposed. Firstly, the non-stationary time series s is decomposed into five detail signal sequences and one approximate signal sequence by wavelet decomposition. The d₁~d₅ of the detailed signal sequence is predicted by exponential smoothing method of time series. The BP neural network method is used to predict the approximate signal sequence A5. Finally, wavelet reconstruction is used to predict the approximate signal sequence A5 based on MATLAB programming, and the fitting results are superimposed to predict the soakage line of the tailings dam. In this paper, a metal tailings dam with more precipitation and humid climate is selected as the research object, and the data of the buried depth of the infiltration line in the flood season for 100 days are selected for modeling and analysis. The time series exponential smoothing analysis method based on wavelet decomposition and the BP neural network analysis method are used to predict the development trend of the buried depth of the infiltrating line in the next 10 days, and the predicted results are compared with the actual monitoring data.The results show that the prediction results of wavelet decomposition method are compared with those of traditional single exponential smoothing and neural network prediction methods. The prediction accuracy is as follows: wavelet decomposition (0.9287) > exponential smoothing (0.9038) > neural network (0.8725). The prediction error of wavelet decomposition is the smallest and the accuracy is the highest. In terms of fitting degree, wavelet decomposition (0.8837) > exponential smoothing (0.8573) > neural network (0.8462). The fitting result of wave decomposition prediction method is almost consistent with the whole development trend of original time series, and the degree of coincidence is high. Therefore, This method has good applicability and superiority in predicting the buried depth of tailing dam in flood season.

Key words: tailings dam, phreatic line, wavelet decomposition, exponential smoothing, BP neural network, prediction

中图分类号:

TD76

随晓丹,罗周全,秦亚光,王玉乐,彭东. 基于小波分解的尾矿坝浸润线预测方法研究[J]. 黄金科学技术, 2019, 27(1): 137-143.

Xiaodan SUI,Zhouquan LUO,Yaguang QIN,Yule WANG,Dong PENG. Study on Prediction Method of Seepage Line of Tailings Dam Based on Wavelet Decomposition[J]. Gold Science and Technology, 2019, 27(1): 137-143.

图/表 8

图1

图2

图3

图4

表1

图5

图6

图7

参考文献 20

1	孙杨，罗黎明，邓红卫 .金属矿山深部采场稳定性分析与结构参数优化[J].黄金科学技术，2017，25（1）：99-105.
	Sun Yang ， Luo Liming ， Deng Hongwei .Stability analysis and parameter optimization of stope in deep metal mines [J] . Gold Science and Technology， 2017，25（1）：99-105.
2	Hu J Y ， Xie J B ， Li W ，et al .Experimental research on the liquefaction potential of tailings silt in Zhuziqing tailings dam[J].Applied Mechanics and Materials，2012，（204/208）：708-713.
3	范拓 .尾矿库在线安全监测系统技术研究[D].广州：华南理工大学，2013.
	Fan Tuo .Research on Automatic Safety Monitoring System Technology of Mine Tailing Reservior[D].Guangzhou:South China University of Technology，2013.
4	Gokmen T ， Dorota S , Andrew W ，et al .Case study：Finite element method and artificial neural network models for flow through Jeziorsko earthfill dam in poland[J].Journal of Hydraulic Engineering，2005，131（6）：431-440.
5	谢振华，陈庆 .尾矿坝监测数据分析的RBF神经网络方法[J]. 金属矿山，2006，36（10）：69-74.
	Xie Zhenhua ， Chen Qing .RBF neural network method for analyzing monitoring data of tailings dam[J].Metal Mine，2006，36（10）：69-74.
6	Tawhid M A ， Ali A F .A Hybrid grey wolf optimizer and genetic algorithm for minimizing potential energy function[J].Memetic Computing，2017，9（4）：1-13.
7	蒋卫东，李夕兵，邱更生 .基于最大Lyapunov指数分析的尾矿坝浸润线控制混沌方法[J].安全与环境学报，2003，3（5）：16-20.
	Jiang Weidong ， Li Xibing ， Qiu Gengsheng .A new method for Chaos-controlling of seepage line in tailings dam based on analysis of largest Lyapunov exponent[J].Journal of Safety and Environment，2003，3（5）：16-20.
8	宋国政，闫春明，曹佳，等 .胶东焦家成矿带超千米深部金矿勘查突破及意义——以纱岭矿区为例[J].黄金科学技术，2017，25（3）：19-27.
	Song Guozheng ， Yan Chunming ， Cao Jia ，et al .Breakthrough and significance of exploration at depth more than 1000 m in Jiaojia metallogenic belt，Jiaodong：A case of Shaling mining area[J].Gold Science and Technology，2017，25（3）：19-27.
9	邓高，杨珊 .基于组合预测与变精度粗糙模糊集的采空区稳定性评价[J].黄金科学技术，2017，25（3）：98-107.
	Deng Gao ， Yang Shan .Stability evaluation of goafs based on combined forecasting and variable precision rough fuzzy set [J].Gold Science and Technology，2017，25（3）：98-107.
10	Torrence C ， Compo G P .A practical guide to wavelet analysis[J].Bulletin of the American Meteorological Society，1998，79（79）：61-78.
11	贺国光，马寿峰，李宇 .基于小波分解与重构的交通流短时预测法[J].系统工程理论与实践，2002，22（9）：101-106.
	He Guoguang ， Ma Shoufeng ， Li Yu .Study on the short-term forecasting for traffic flow based on wavelet analysis[J].Systems Engineering-Theory & Practice，2002，22（9）：101-106.
12	门玉明，胡高社，刘玉海 .指数平滑法及其在滑坡预报中的应用[J]. 水文地质工程地质，1997，6（1）：16-18.
	Yuming Men ， Hu Gaoshe ， Liu Yuhai .Exponential smoothing method and its application in landslide prediction[J].Hydrogeology and Engineering Geology，1997，6（1）：16-18.
13	马晓珂，王慈光 .三次指数平滑法在大秦铁路运量预测中的应用[J].华东交通大学学报，2005，22（3）：8-11.
	Ma Xiaoke ， Wang Ciguang .The application of the cubic exponential smoothing method on volume forecasting of Da-Qin railway[J].Journal of East China Jiaotong University，2005，22（3）：8-11.
14	张德南，张心艳 .指数平滑预测法中平滑系数的确定[J].大连交通大学学报，2004，25（1）：79-80.
	Zhang Denan ， Zhang Xinyan .Ascertainment of index level and coefficient smooth[J].Journal of Dalian Railway Institute，2004，25（1）：79-80.
15	闻新 .MATLAB神经网络应用设计[M].北京：科学出版社，2000.
	Wen Xin .Application Design of MATLAB Neural Network[M].Beijing：Science Press，2000.
16	史秀志，范玉乾，尚雪义 .基于PCA-BP神经网络模型的充填体强度预测[J].黄金科学技术，2016，24（3）：64-69.
	Shi Xiuzhi ， Fan Yuqian ， Shang Xueyi .Strength prediction of filling body based on PCA and BP neural networks[J].Gold Science and Technology，2016，24（3）：64-69.
17	郝永红，王学萌 .灰色动态模型及其在人口预测中的应用[J].数学的实践与认识，2002，32（5）：813-820.
	Hao Yonghong ， Wang Xuemeng .The dynamic model of gray system and its application to population forcasting [J].Mathematics in Practice and Theory，2002，32（5）：813-820.
18	陈果 .神经网络模型的预测精度影响因素分析及其优化[J].模式识别与人工智能，2005，18（5）：528-534.
	Chen Guo .Analysis of influence factors for forecasting precision of artificial neural network model and its optimizing[J].Pattern Recognition and Artificial Intelligence，2005，18（5）：528-534.
19	范允征，林路 .线性回归模型的深度加权最小二乘估计和拟合检验[J].南京师范大学学报（自然科学版），2008，31（3）：39-43.
	Fan Yunzheng ， Lin Lu .Depth-Weighted LSE for linear regression model and the Fit-Test[J].Journal of Nanjing Normal University（Natural Science Edition），2008，31（3）：39-43.
20	王三宝，易秀英 .基于Mathematica的灰色预测模型GM（1，1）之精度检验[J].黄石理工学院学报，2008，24（6）：49-51.
	Wang Sanbao ， Yi Xiuying .Accuracy test of the grey prediction model GM（1，1） based on mathematica[J].Journal of Huangshi Institute of Technology，2008，24（6）：49-51.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

序号	埋深	序号	埋深		序号	埋深	序号	埋深
1	13.85	11	13.55	…	81	13.78	91	13.76
2	13.92	12	13.64	82	13.71	92	13.67
3	13.80	13	13.77	83	13.65	93	13.55
4	13.89	14	13.84	84	13.62	94	13.51
5	13.80	15	13.75	85	13.55	95	13.48
6	13.75	16	13.71	86	13.71	96	13.54
7	13.67	17	13.65	87	13.75	97	13.60
8	13.54	18	13.59	88	13.80	98	13.69
9	13.50	19	13.54	89	13.70	99	13.74
10	13.43	20	13.65	90	13.67	100	13.78

[1]	惠伟光,雷明选,夏元鹏,张晓斌,孙青,段绪省. 甘肃肃北县460金矿床地质特征及原生晕地球化学找矿预测[J]. 黄金科学技术, 2018, 26(5): 570-585.
[2]	安乐,何虎军,杨兴科,韩柯,李斌,胡国朝. 基于Surpac的马蹄沟金矿床三维地质模型构建及找矿预测[J]. 黄金科学技术, 2018, 26(5): 586-595.
[3]	张宝林,苗雅娜,苏艳平,李会中. “地物化三场异常耦合理论”及其在隐伏金多金属矿床定位预测中的应用[J]. 黄金科学技术, 2018, 26(4): 431-442.
[4]	杨龙伟, 杨兴科, 高雅宁, 何虎军, 褚娜娜, 张正民. 南秦岭汉阴县长沟金矿床三维模型与定位预测[J]. 黄金科学技术, 2018, 26(3): 270-278.
[5]	周智勇, 肖玮, 陈建宏, 李欢. 基于PCA和GM（1，1）的矿山生态环境预测模型[J]. 黄金科学技术, 2018, 26(3): 372-378.
[6]	荆永滨, 赵新涛, 冯兴隆. 节理岩体矿岩块度三维模拟研究[J]. 黄金科学技术, 2018, 26(3): 357-364.
[7]	卢富然, 陈建宏. 基于AHP和熵权TOPSIS模型的岩爆预测方法[J]. 黄金科学技术, 2018, 26(3): 365-371.
[8]	邓高,杨珊 . 基于灰色聚类与灰色预测组合模型的矿产资源利用情况分析[J]. 黄金科学技术, 2017, 25(5): 85-92.
[9]	万鹏，丁正江，胡弘，吴凤萍，程蓉蓉，邹键 . 胶东邓格庄金矿床深部成矿特征及找矿方法组合[J]. 黄金科学技术, 2017, 25(3): 46-53.
[10]	张钦礼，王兢*，王新民. 基于核主成分分析与PSO-SVM的充填管道失效风险性分级评价模型[J]. 黄金科学技术, 2017, 25(3): 70-76.
[11]	邓高，杨珊. 基于组合预测与变精度粗糙模糊集的采空区稳定性评价[J]. 黄金科学技术, 2017, 25(3): 98-107.
[12]	禹斌，李惠，李永才，魏江，王俊，王一大，李上，赵丹，阮怡箫. 典型矿床深部盲矿预测的构造叠加晕实用模式[J]. 黄金科学技术, 2017, 25(2): 1-6.
[13]	刘志祥,刘奕然,兰明. 矿井涌水量预测的PCA-GA-ELM模型及应用[J]. 黄金科学技术, 2017, 25(1): 61-67.
[14]	李惠，禹斌，马久菊，李德亮，孙凤舟，李永才，阮怡箫，魏江，赵佳祥，王俊，王一大，李上，魏子鑫. 构造叠加晕找盲矿法的先进性及典型案例[J]. 黄金科学技术, 2016, 24(6): 15-23.
[15]	史秀志，范玉乾，尚雪义. 基于PCA-BP神经网络模型的充填体强度预测[J]. 黄金科学技术, 2016, 24(3): 64-69.