煤层瓦斯含量影响因素分析及灰色预测

矿井煤层瓦斯含量与煤层埋藏深度、围岩性质等密切相关,以不同煤层地质参数及其相对瓦斯含量数据为原始序列,通过灰色处理建立微分方程预测模型,使用GM(1,4)灰色预测模型建立了未开采区瓦斯含量的预测方程,并进行了残差检验.同时对不同因素对瓦斯含量的关联程度进行了分析.     

基于灰建模的瓦斯含量多变量预测模型研究

研究了GM(1,N)、GM(0,N)瓦斯含量预测模型的数学原理,收集郑煤集团告成矿地质勘探期间及生产期间的瓦斯含量实测资料,获得16个可靠点,选取基岩厚度、新生界厚度、煤层厚度、煤层水分、煤层灰分、50m顶板含砂率6个因素作灰色建模预测的指标,分别建立了GM(1,6)和GM(0,6)瓦斯含量多变量预测模型。根据计算和评价结果,GM(1,6)和GM(0,6)瓦斯含量预测模型精度均能够满足工程精度的要求,说明利用灰色模型来预测瓦斯含量是可行的。由于前者精度略高于后者,故建议告成矿采用GM(1,6)模型来进行未知地区煤层瓦斯含量的预测。需要注意,由于模型没有考虑构造的影响,在实际预测时,还应根据构造对待预测区的影响关系和影响程度对模型的预测结果进行修正。     

深部煤层瓦斯含量的差值GM-RBF预测模型及其应用

基于灰熵理论和RBF神经网络理论,提出了一种改进的灰色神经网络深部煤层瓦斯含量预测模型。该模型首先利用灰熵关联度确定影响深部煤层瓦斯含量的主控因素,构建多个GM预测模型进行精度分析,寻求最优的灰色预测模块对分析系统进行一次预测,再利用灰色模型白化微分方程解序列相邻两元素分别与相应期望值作差,构建一个差值序列作为RBF神经网络输出对分析系统进行二次预测,得到的差序列预测结果的差值即为深部煤层瓦斯含量的预测值,从而构建了基于差值GM-RBF神经网络组合模型的深部煤层瓦斯含量预测体系。实际应用表明:差值GM-RBF神经网络组合模型的精度评价指标MAE、MAPE、RMSE、RRMSE分别为0.233 1、3.25%、0.2778、4.04%,远优于单一灰色、RBF模型;与传统GM-RBF组合模型相比,MAE和MAPE分别减小了23.8%和22.1%,RMSE和RRMSE分别减小了20.5%和17%。由此可见,以差值结合法将最优灰色模块与RBF神经网络有效结合起来的瓦斯含量预测体系增强了模型的泛化能力和数据利用率,精度更高,稳定性更好,能够满足深部煤层瓦斯含量准确预测的要求,为深部煤与瓦斯安全高效开采提供依据。     

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。     

大同矿区煤的导热系数灰色关联分析及预测

为分析煤质指标及密度对导热系数的影响作用,选取了山西大同矿区的不同煤质煤样,进行导热系数测定实验,应用灰色系统理论对导热系数与影响因素进行灰色关联分析,建立导热系数与主要影响因素的GM(1,4)灰色预测模型,进行导热系数预测。结果表明:固定碳、密度和水分是影响煤导热系数的主要因素;根据得出的主要影响因素建立的GM(1,4)预测模型平均相对误差为4.5%,预测精度较高,能够用于导热系数的预测。     

基于模糊神经网络的煤层瓦斯含量预测研究

为提高未采区煤层瓦斯含量预测的准确性,在分析研究影响煤层瓦斯含量的主要地质因素的基础上,借助模糊数学作为表达与处理不精确数据、模糊信息的手段,以神经网络作为解决问题的途径,将模糊数学与神经网络有机结合,建立基于模糊神经网络的煤层瓦斯含量预测模型。研究结果表明:模糊神经网络模型不仅能够较好地解决模糊信息难于定量表达、学习样本难于确定等问题,而且能够较准确地提取出煤层瓦斯含量与其各个影响因素之间的非线性关系。通过实例运算验证,其预测精度较神经网络模型提高了4.84%～25.79%,应用于煤层瓦斯含量预测的效果更为理想,具有良好的应用前景,可以为实施科学的矿井瓦斯管理、预防各种瓦斯事故提供理论依据。     

基于灰色马尔科夫模型的钻孔瓦斯流量预测

钻孔瓦斯流量是影响矿井瓦斯抽放效果的一个重要因素,为准确预测钻孔瓦斯流量,优化矿井瓦斯抽放工艺,将灰色系统理论与马尔科夫链预测相结合,充分利用两者的优点,通过对瓦斯流量原始数据处理,瓦斯流量状态划分,构建马尔科夫转移概率矩阵及Matlab分析软件进行计算的方法,建立灰色马尔科夫预测模型。结合现场工程实例,将该预测模型和GM(1,1)预测模型进行比较分析,结果表明,利用灰色马尔科夫模型预测钻孔瓦斯流量,能够消除GM(1,1)模型本身固有偏差,预测值平均相对误差为2.16%,最大相对误差仅为5.40%,均优于GM(1,1)模型。     

灰色组合模型在钻孔瓦斯流量预测中的应用

钻孔瓦斯流量直接关系着钻孔抽放煤层瓦斯涌出量及钻孔瓦斯涌出初速度的判定,因此研究钻孔瓦斯流量的变化及发展趋势具有较大实用价值。利用"灰色组合预测"思想,提出一种对多种常用预测模型进行熵权法计算权重的组合预测方法,从而可根据有限的实测数据达到预测瓦斯流量发展的目的,结合工程实例,将灰色组合预测模型和单点模型模拟的结果进行比较,其结果表明组合的灰色模型预测精度较高,对瓦斯抽放设计和矿井安全生产具有较大的指导意义。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

贵州省煤矿瓦斯赋存规律研究

贵州省煤矿多处于复杂地质地形条件的山区,矿井中煤层瓦斯含量大,“高突”矿井数量占的比例较大,瓦斯灾害严重.选取煤层埋深这个矿区内影响煤层瓦斯含量变化的重要因素与煤层瓦斯含量之间的关系进行灰色分析和回归,通过研究复杂地质地形条件下“高突”矿并瓦斯含量与煤层埋深的实测数据,发现瓦斯含量与埋深符合对数函数规律,即随着煤层埋深的增加,瓦斯含量逐渐增加,增加的速率逐渐减小,直至煤层瓦斯含量不再增加.     

灰色支持向量机在瓦斯流量预测中的应用

在分析了灰色预测方法和支持向量机各自的优缺点基础上,提出了将二者相结合的一种新的预测模型灰色支持向量机瓦斯流量预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷,工程实例表明,所提出的瓦斯流量测模型较传统的GM(1,1)模型、支持向量机模型精度都有所提高,为瓦斯流量预测提供了一种新的方法.     

两种预测模型在煤层瓦斯抽采量预测中的对比分析

本文分别采用灰色GM(1,1)预测模型与灰色马尔科夫预测模型对贵州某矿21124工作面运输巷本煤层瓦斯抽采量进行预测,其中灰色GM(1,1)预测模型的绝对误差为13.33%,灰色马尔科夫预测模型的绝对误差为4.22%;利用残差检验法对以上两种预测模型进行精度检验,其中灰色GM(1,1)预测模型的小误差概率为0.25,均方差比值为1.55,马尔科夫预测模型的小误差概率为0.92,均方差比值为0.46,结合预测精度等级划分,看出后者的预测精度级别更高;灰色马尔科夫预测模型更适合数据波动性较大的煤层瓦斯抽采量预测,与灰色预测模型相比,该法具有预测误差更小、预测精度更高、预测规律更符合实际数据的真实变化趋势等优点。     

多维灰色评估方法在煤与瓦斯突出预测中的应用

影响煤与瓦斯突出的因素很多,并且其信息多具有灰色性。本文将瓦斯压力、瓦斯放散初速度、煤的坚固性系数、破坏类型以及综合指标K这5个因素综合起来考虑,应用基于灰色系统理论的多维灰色评估方法,对几个典型矿井进行煤与瓦斯突出预测分析,本方法突出了灰色系统理论可以进行定量分析的特点,具有能够动态预测、可靠性高等优点。研究结果表明,该方法能准确预测煤与瓦斯突出,可以为矿井的安全生产提供帮助。     

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。     

基于集成学习的改进灰色瓦斯浓度序列预测*

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度。结果表明:瓦斯浓度时间序列近似线性时,基于集成学习的改进灰色瓦斯浓度预测算法优于传统灰色瓦斯浓度预测算法,使瓦斯浓度预测值和实际值的均方根误差降低,均方根差最大降低2.25%。研究结果可有效提瓦斯浓度预测精度。     

多变量灰色模型及其在钻孔瓦斯流量预测中的应用

钻孔瓦斯流量直接关系着钻孔抽放煤层瓦斯涌出量及钻孔瓦斯涌出初速度的判定,因此研究钻孔瓦斯流量的变化及发展趋势具有较大实用价值。钻场中各钻孔瓦斯流量与其周围煤(岩)的渗透性、强度、瓦斯压力和地应力等因素之间是灰色的非线性关系[1]。笔者把钻场中互相影响的各钻孔看作一个系统,建立多变量灰色模型(MGM(1,n));借助MATLAB软件,实现对钻场中多钻孔的瓦斯流量的预测;克服了过去钻场中单钻孔瓦斯流量预测的结果与实际测量值吻合程度不理想的弊端。与此同时,结合工程实例,将多变量模型模拟和单点模型模拟的结果进行比较,其结果表明多变量灰色模型预测精度较高,对瓦斯抽放设计和矿井安全生产具有较大的指导意义。     

基于支持向量回归机的煤层瓦斯含量预测研究

为了对煤层瓦斯含量进行准确预测,应用支持向量回归机(SVR)理论建立煤层瓦斯含量预测模型,结合现场实测数据利用支持向量机(SVM)工具箱进行模型的求解及预测,并从均方根误差、希尔不等系数和平均绝对百分误差3个不同误差指标与人工神经网络预测模型进行比较分析。研究结果表明:SVR模型其预测精度及可行性高于神经网络模型,而且运算快,实时性较好,用于煤层瓦斯含量的预测较理想,具有良好的应用前景,可以为煤矿瓦斯防治提供理论依据。     

矿井瓦斯预测与评价

综合应用实测技术、统计分析和实验技术获取煤层瓦斯参数，确定了淮南新庄孜煤矿李区各煤层的瓦斯压力、含量与采深的关系。运用瓦斯动力学理论，首次提出了包括层间距和瓦斯压力等因素的邻近层瓦斯涌出率方程和矿井瓦斯预测模型，并将李区煤层瓦斯预测结果与矿山统计法的统计值与预测值进行了验证对比分析，模型预测值与统计值的相对误差小于１５％，划分了高瓦斯煤层的瓦斯突出危险区域。     

回采工作面瓦斯涌出特征及其灰色预测模型

在分析回采工作面瓦斯涌出特征的基础上 ,分别建立了回采工作面瓦斯涌出量与采深和工作面产量关系灰色预测 GM(1,1)改进模型 ,以预测工作面在不同采深与产量时的瓦斯涌出量。实际应用表明 ,预测模型可信 ,精度能满足要求。     

组合赋权-灰色聚类的煤与瓦斯突出危险评价

为有效预防煤矿井下煤与瓦斯突出事故，构建基于组合赋权-灰色聚类的煤与瓦斯突出危险评价模型。首先，基于轨迹交叉理论，从煤层物理学性质、瓦斯指标、煤层赋存条件3个方面选取预测指标，构建危险评价指标体系；然后，运用改进的层次分析法(IAHP)和熵权法(EWM),确定各指标权重，结合灰色聚类原理构建各指标的灰色模糊评价规范化等级判断矩阵，并根据最大隶属度原则预测煤与瓦斯突出等级；最后，以乌兰木伦煤矿12407综放工作面为应用实例，验证组合赋权-灰色聚类评价模型的科学性和有效性。结果表明：该工作面煤与瓦斯突出危险等级为Ⅴ,模型计算结果与现场实际基本吻合，其中，煤层物理学性质为主要诱导因素，评判结果与实际相吻合，证明文中所建模型具有一定的科学性和有效性。