基于RANSAC和DE算法组合的煤矿沉降的强大的参数反转
Yuanfei Chen1,2, Lei Wang3,4
1School of Earth and Environment, Anhui University of Science and Technology, Huainan, 232001, China.
Scientific reports
|May 19, 2025
概括
本研究介绍了强大的RANSAC-DE算法,用于准确地预测采矿沉降情况,通过有效处理异常值和加强采矿地区的环境保护,显著改善现有方法.
科学领域:
- 地质科学 地质科学
- 环境工程 环境工程
- 计算科学 计算科学
背景情况:
- 地下采矿导致表面环境问题,如沉降和裂.
- 准确的矿山沉降预测对于生态保护和灾害预防至关重要.
- 使用倒置算法的当前预测方法易受异常值的影响,限制了准确性.
研究的目的:
- 开发一个强大的算法,以获得高精度的矿山沉降预测参数.
- 为了解决现有的反转算法的局限性,这些算法容易产生异常值.
- 提高矿山沉降预测的准确性和可靠性.
主要方法:
- 将随机样本共识 (RANSAC) 算法与差异进化 (DE) 算法集成,以创建RANSAC-DE.
- 使用RANSAC进行强大的异常标识和消除.
- 利用DE实现高精度,高效率和参数反转的全球搜索功能.
主要成果:
- 与DE和Huber-DE相比,RANSAC-DE算法在识别和消除异常干扰方面表现出卓越的性能.
- RANSAC-DE保持了高的反转精度,强大的全球搜索能力,以及对缺失数据和高斯噪声的稳定性.
- 使用Guqiao Mine数据的案例验证显示RANSAC-DE的根平均平方误差 (RMSE) 为33.2mm,明显优于DE (62.2mm) 和Huber-DE (67.6mm).
结论:
- RANSAC-DE算法为矿山沉降预测提供了一个强大而准确的解决方案.
- 这种方法有效地减轻了异常值的影响,提高了预测可靠性.
- RANSAC-DE算法为矿业操作中的环境保护和地质灾害预防提供了有价值的工具.
更多相关视频
09:44Use of Principal Components for Scaling Up Topographic Models to Map Soil Redistribution and Soil Organic Carbon
Published on: October 16, 2018
10.1K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
937
