基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

粒子群优化的RBF瓦斯涌出量预测

瓦斯涌出量是煤矿瓦斯灾害的主要来源,它直接影响煤矿安全生产和经济技术指标。瓦斯涌出量的传统预测方法是将其影响因素线性化后提出的,具有一定的局限性。本文基于群体智能理论,提出了一种基于粒子群算法优化的RBF神经网络瓦斯涌出量预测模型。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用粒子群算法优化RBF网络权值和其他参数,形成PSO-RBF预测模型。该模型通过计算种群粒子的适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明PSO-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

基于KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。     

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。     

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。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

基于证据理论的煤矿瓦斯涌出组合预测

为提高煤矿瓦斯涌出量预测的准确度,引入证据理论组合预测方法。根据瓦斯涌出量及其主要影响因素间的实验数据,采用3个不同的粒子群神经网络模型对涌出量进行初步预测。并由BP、RBF网络对预测误差及预测点的影响因素进行分析建模,以获取每个模型的可信度。再利用证据理论对其进行合成,确定组合模型的权值,最终实现对瓦斯涌出量的组合预测。实例结果表明,该组合预测方法的平均绝对误差、均方误差分别为18.5%、5.8%,均小于神经网络组合法及等权平均法的相应预测误差,适用于煤矿瓦斯涌出量预测。     

基于QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

基于自适应蚁群算法的化工园区毒气泄漏事故疏散路径规划*

为了降低人员在化工园区毒气泄漏事故中的伤亡风险,提出1种综合考虑疏散路径距离和毒性负荷值的自适应蚁群算法。通过建立路径评价函数,将疏散路径的毒性负荷值引入蚁群算法中,改进算法的信息素更新策略,采用启发式因子自适应调整策略并改进算法的启发式函数。运用Matlab软件进行仿真,将算法应用到某化工园区毒气泄漏事故中。研究结果表明:该自适应蚁群算法可以保持较高的搜索速度,在寻找距离最短道路的同时避开毒性负荷较高的疏散路径,可为化工园区毒气泄漏事故的应急疏散路径规划提供参考。     

基于一维卷积神经网络的燃气管道泄漏声发射信号识别*

为保障燃气管道系统安全运行,及时诊断管道故障,基于VGG-16模型提出基于一维卷积神经网络的燃气管道故障诊断模型,提取原始声发射信号特征参数,有效诊断燃气管道故障。结果表明:基于一维卷积神经网络的燃气管道故障诊断模型,能够有效解决燃气管道故障诊断过程中数据预处理复杂、特征提取困难以及识别准确率低等问题,可为燃气管道故障诊断提供技术支撑。     

基于GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。     

基于神经网络的煤与瓦斯突出预测模型

在全面分析了煤与瓦斯突出影响因素的基础上 ,提出了煤与瓦斯突出预测的人工神经网络模型。介绍了突出特征指标的选取及表示方法与推理过程。实例分析表明 ,模型精度很高 ,可用于工作面煤与瓦斯突出预测 ,并分别给出图 2 ,表 3,文献 5     

基于多源数据融合的煤矿工作面瓦斯浓度预测*

为了解决瓦斯浓度预测使用的单一数据在预测中影响还不够深入的问题,提出基于LSTM神经网络的多源数据融合瓦斯浓度预测模型。模型将上隅角瓦斯浓度、采煤机速度、工作面吨煤瓦斯涌出量等不同数据融合作为输入层参数,使用Adam优化算法更新LSTM网络层参数,利用Attention机制突出关键影响瓦斯浓度的因素,开展多源数据融合的瓦斯浓度预测,结合某矿1008工作面的实际数据,分析不同数据在瓦斯浓度预测中的作用。研究结果表明:单变量下的Attention-aLSTM预测效果相比LSTM提升14.2%;多源数据融合下的Attention-aLSTM相比自身提升了5%。