矿井瓦斯涌出量预测的灰色建模法

简要介绍了瓦斯涌出量的常用预测方法 ,指出了各种预测方法的弊端 ,从矿山实际出发 ,把非等间距数列变为等间距数列 ,根据灰色理论提出的预测方法 ,利用不同采深瓦斯涌出量的原始数据建立矿井瓦斯涌出量的动态GM(1,1)模型 ,进行瓦斯涌出量预测 ,选择了合理的误差检验模型 ,并通过实例说明了GM(1,1)模型在预测瓦斯涌出量中的应用 ,结果表明预测程度较高。对矿井延深做好瓦斯涌出量预测并进行矿井安全生产具有很好的指导意义。     

基于小波神经网络的瓦斯涌出量预测研究

准确地预测瓦斯涌出量对于指导矿井设计和安全生产有重要意义,而瓦斯涌出量是一个与自然因素及开采技术等多因素有关的非线性建模问题。鉴于传统神经网络方法解决非线性问题收敛速度慢,易陷入局部最优解的缺陷,笔者提出一种既充分利用小波变换的时频局部化性质,又能结合神经网络的自学习能力的小波神经网络预测瓦斯涌出量的方法,并建立了预测模型。在此基础上,采用Delphi语言,设计了小波/BP神经网络仿真器。通过实例分析表明该方法较传统神经网络收敛迅速,预测精度高。     

矿井瓦斯涌出量预测的GM(1,1)模型研究

矿井瓦斯渗出量预测,对矿井安全及正常生产至关重要。由于矿井瓦斯涌出量的影响因索、关联变量和约束条件复杂,对各因素之间的影响程度难以区分和把握,因此在预测预报中的精度较差。而采用灰色理论则具有高度的概括性,可以把各种不确定的因素,统一用一个简单的“灰数”表示,预测精度高而且使用简单。在分析某矿历年来相对瓦斯涌出量的基础上,应用灰色系统理论对其瓦斯涌出量进行了预测,其方法与结果对预防煤矿恶性事故的发生,悍证煤矿的安全生产具有重要意义。     

用灰色建模法预测矿井瓦斯涌出量

在分析了传统的矿井瓦斯涌出量预测方法的基础上 ,应用灰色系统理论 GM(1,1)模型 ,对矿井瓦斯涌出量进行预测 ,并在实际中得到了较好的验证。     

基于LLE-ELM的矿井瓦斯涌出量预测方法研究

基于局部线性嵌入(Locally Linear Embedding,LLE)算法和极限学习机(Extreme Learning Machine,ELM)神经网络建立矿井瓦斯涌出量预测模型,该预测模型运用LLE算法对矿井瓦斯涌出量影响因素样本进行数据挖掘,得到降维后的有效因子,再将这些有效因子作为ELM神经网络的输入层进行训练和预测。利用某矿井的实测数据进行实例分析,结果表明该预测模型预测速度快,精度高,能够用于矿井瓦斯涌出量预测。     

GIS支持下基于非线性理论的煤与瓦斯突出综合预测模型

为弥补单一模型缺陷,提高预测的可靠性和准确性,提出了煤与瓦斯突出综合预测.根据煤与瓦斯突出的机理,选取模糊数学、灰色理论、物元分析模型、神经网络及支持向量机5种成熟的非线性方法作为综合预测的数学模型,应用灰色关联度模型确定预测指标,建立了基于非线性理论的煤与瓦斯突出综合预测模型.分析了GIS支持下基于非线性理论的煤与瓦斯突出综合预测系统的集成方法及关键技术,开发了快速综合预测系统并进行了应用.研究表明,该系统能够快速预测突出危险性.相比于单一模型,该方法综合了多种数学模型,预测结果具有较高的准确性及可信性.     

自适应神经网络在确定落煤残存瓦斯量中的应用

落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节，它直接影响着采掘工作面瓦斯涌出量预测的精度，并与煤的变质程度、落煤粒度，原始瓦斯含量、暴露时间等影响因素呈非线性关系，人工神经网络具有表示任意非线性关系和学习的能力，是解决复杂非线性，不确定性和时变性问题的新思想和新方法，基于此，作提出自适应神经网络的落煤残丰瓦斯量预测模型，并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究，结果表明，自适应调整权值的变步长BP神经网络模型预测精度高，收敛速度快，该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据，为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路。     

基于正交试验-多元回归的煤矿瓦斯涌出量预测

为了快速准确地预测工作面瓦斯涌出量,简化瓦斯涌出量预测建模过程,将正交设计方法与多元回归分析相结合提出了简化的预测模型,并针对实际矿井数据进行应用.结果表明,结合正交设计中的极差和方差分析可以有效剔除对瓦斯涌出量影响不显著的因素,该剔除结果与SPSS软件显著性分析结果一致,利用SPSS软件对剩余的瓦斯涌出量影响因素进行多元回归分析得到相应的回归模型,经检验其预测结果相对误差平均值为1.76％,回归模型具有较高的精确度,可为煤矿瓦斯涌出量预测工作提供一定的参考.     

矿井相对瓦斯涌出量动态无偏灰色马尔科夫预测

矿井瓦斯涌出量预测对于煤矿瓦斯防治具有重要意义。为预测矿井瓦斯相对涌出量,以传统灰色GM(1,1)模型为基础,构建动态无偏灰色马尔科夫模型,通过分析潞安矿区某矿2003—2010年的煤矿相对瓦斯涌出量数据,预测2011—2012年煤矿相对瓦斯涌出量数据,利用无偏灰色GM(1,1)模型代替传统灰色GM(1,1)模型,通过拟合得到煤矿相对瓦斯涌出量数据变化趋势,并在此基础上利用马尔科夫模型进行预测,并在此预测中进行原始数据更新,并对4种预测方法的预测结果进行对比分析。结果表明,动态无偏灰色马尔科夫模型不但能够消除传统灰色GM(1,1)模型自身的固有偏差,而且能提高预测精度,平均绝对误差为3.2%,平均相对误差为2.59%,均低于传统灰色GM(1,1)模型与一般灰色马尔科夫模型。动态无偏灰色马尔科夫模型对于煤矿相对瓦斯涌出量数据的平均预测精度达到96.74%。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。