基于MATLAB工具箱的开采煤层自燃危险性预测

正确预测开采煤层自燃发火的趋势与危险性,对煤矿安全生产具有重要的指导意义。煤层自燃发火的趋势和危险程度与其影响因素之间存在着复杂的非线性关系,而人工神经网络具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系。为准确预测开采煤层自燃发火的危险性,笔者针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对开采煤层自燃的危险性进行了预测。根据开采煤层自燃的特点,选取煤本身自燃倾向性、煤层地质及赋存条件、通风技术条件3个关键影响因素作为开采煤层自燃危险性的评判指标,建立了开采煤层自燃危险性预测的神经网络模型。实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;该模型收敛速度快,准确性高,是一种十分有效的开采煤层自燃危险性预测方法。     

基于遗传投影寻踪聚类模型的煤层自燃危险性预测方法

为了更加科学、准确地对煤层的自燃危险性进行预测,从煤自然属性、地质条件和开采条件3方面选取指标构建了煤层自燃危险性预测指标体系,结合遗传投影寻踪算法和聚类方法建立了煤层自燃危险性预测的遗传投影寻踪聚类模型。该模型通过运用遗传算法对投影方向进行优化,计算能够反映煤层自燃危险程度的一维投影特征值,并对投影特征值进行聚类分析,从而得出煤层自燃危险性等级。将模型运用于所选的8个样本工作面,得出的煤层自燃危险性预测等级和实际情况吻合度较高。结果表明,遗传投影寻踪聚类方法能够实现对工作面煤层自燃危险性程度的有效预测。     

煤层自燃发火危险程度判断的专家系统CSBES

本文建立的CSBES(EXPERT SYSTEM OF COAL SELF-BURNING)系统是一个应用计算机对采区煤层自燃发火危险程度进行判断的专家系统。它可以根据影响煤层自燃发火的主要因素:煤的自燃倾向性、煤层的地质赋存条件、开采技术条件、通风条件和预防措施等进行主观判断,分类评分;应用模糊数学理论,运用逐步聚类分析法计算聚类中心;根据标准模式,对生产采区煤层自燃发火的危险程度进行综合预测,并建立相应的知识库。该系统用于分析阜新局某矿的煤层自燃发火情况,取得与实际相符的结论。一、煤层自燃发火危险程度评价指标的建立煤层自燃发火危险程度,受煤的自燃倾向性、煤层地质赋存条件、开采技术因素、     

煤层自燃发火危险的模糊数学判定

选择影响煤层自燃发火的主要因素:煤的自燃倾向性、煤层的地质赋存条件、开采技术条件,通风条件和预防措施等进行主观判断,分类评分.应用模糊数学理论,运用逐步聚类分析法,根据标准模式,计算聚类中心,对生产采区煤层自燃发火的危险进行综合预测.为拟定相应的开拓开采方案,制定有效的防火措施,提供一种切合实际情况的新方法.     

煤自燃预测预报多参数指标体系研究

煤自燃是一个复杂氧化过程,要经历不同的氧化阶段,且同一煤矿不同煤层煤样具有不同的自燃氧化特性,故应建立相应的预测指标体系。从开滦集团东欢坨矿5煤层、7煤层、8煤层、9煤层、11煤层和12煤层采集煤样,利用程序升温-气相色谱联用实验,分析了各煤样自燃氧化过程中各指标气体随温度的变化规律,依据升温氧化实验数据,将煤自燃过程划分为初期氧化、缓慢自热、临界加速和热解裂变4个阶段,优选出各煤层煤自燃不同阶段适用的预测指标。结合各自燃阶段的温度范围得出了预测指标的对应范围,并运用灰色关联分析法确定了各煤层煤自燃不同阶段指标预报优先级,最终建立了东欢坨矿各煤层煤自燃预测预报多参数指标综合体系且设计了全矿井煤自燃预报指示方案。该体系及方案的设立提高了东欢坨矿煤自燃预测预报结果的准确性,同时可为其他煤矿防灭火工作提供一定的理论指导和方法参考。     

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。     

采空区高硫煤层自燃机理及新型凝胶阻化剂的应用

煤炭自燃造成巨大的能源损失和环境灾害,为减少煤炭自燃,本文从分析采空区高硫煤层自燃机理人手,研究了凝胶阻化剂的综合防火机理,自主研制了新型凝胶阻化剂,在凝胶阻化剂的基料水玻璃中加入了石灰石.基于石灰平等互利高硫矿中的硫发生化学反应,从而从根本上降低了高硫矿的吸氧能力抑制了煤层的自燃发火.通过在矿山中进行应用,结果表明,该阻化剂能有效地阻止煤炭自燃,并且成本低廉.     

基于BP神经网络的二元混合液体自燃温度预测

为了给工业界提供一种快速预测二元混合液体自燃温度的有效途径,将试验所测不同组分及配比的168个二元混合液体的自燃温度作为期望输出,将基于电性拓扑状态指数(ETSI)理论、引入混合ETSI概念而计算出的9种原子类型所对应的混合ETSI作为输入,采用三层BP神经网络技术建立了根据原子类型混合ETSI来预测混合液体自燃温度的BP神经网络模型,并应用改进的Garson算法进行多参数敏感性分析。经模型评价验证及稳定性分析,得到训练集的决定系数R2为0.965,平均绝对误差MAE为11.892 K,测试集的交叉验证系数Q2ext为0.923,平均绝对误差MAE为15.530 K,发现该模型的预测性能优于已有的多元非线性回归(MNR)模型,表明BP神经网络模型具有较好的拟合能力和预测能力,对烷、醇类混合体系自燃温度的预测精度最佳。     

应用电性拓扑状态指数预测烷烃自燃点

建立了一个基于人工神经网络的定量结构-性质相关性模型，用于52种烷烃化合物自燃点的预测研究。应用原子类型电性拓扑状态指数作为表征分子结构特征的描述符。该指数既能表征分子的电子特性，又反映其拓扑特征，同时易于计算，并有较强的同分异构体区分能力。采用误差反向传播（BP）神经网络方法对烷烃自燃点与电性拓扑状态指数间可能存在的非线性关系进行拟合。将52种烷烃样本随机划分为训练集（30种）、验证集（8种）和测试集（14种），并通过“试差法”确定网络的最优参数。运用最佳网络结构[64—1]对实验样本进行模拟，结果表明，多数样本的自燃点预测值与实验值符合良好，对于测试集，平均预测绝对误差为8．4℃，均方根误差为11．8，优于多元线性回归方法和传统基团贡献法所得结果。该方法的提出为工程上提供了一种根据分子结构预测有机物白燃点的有效方法。     

采区煤层煤炭自燃发火危险模糊评价方法的研究

采区煤层煤炭自燃发火危险程度综合评价预测的目的是揭示煤炭自燃的规律,以采取相应的技术决策,控制煤炭自燃,减少损失,实现安全生产。 煤层自燃灾害的预测与防治技术的研究涉及到大量的信息处理问题,及信息处理所必须的数学分析与计算。然而,人们却很难找到一种有效的数学方法来处理这些系统的     

基于PCA_Fuzzy_RF模型的煤层底板突水预测

针对煤层底板突水问题,提出了基于主成分分析、模糊数学和随机森林的一种新预测模型。首先通过主成分分析将6个影响因素(水压、采高、隔水层厚度、断层落差、煤层倾角、断层距工作面距离)进行降维,提取4个主成分因子,其次对主成分因子进行模糊化,作为随机森林模型的输入变量,建立基于PCA_Fuzzy_RF的煤层底板突水预测模型。利用华北矿区实测资料的50组数据作为PCA_Fuzzy_RF模型的训练数据,10组数据作为测试数据,并将预测结果与BP神经网络及Fisher模型进行对比分析,结果表明,PCA_Fuzzy_RF模型的误判率为0,适用于解决煤层底板突水问题。     

煤自燃特性及自然发火预测预报指标体系研究

以梁宝寺矿3号煤层为背景,采用色谱吸氧法和氧化动力法对其自燃倾向性进行了对比分析。同时,通过煤氧化升温热解实验对其升温过程中各气体随温度的变化规律进行了分析,以实验所得和灰色关联分析所得定性和定量相结合的方式,优选出了不同温度阶段煤自然发火预测预报所对应的第一、第二和第三预测指标,建立了煤自然发火预测预报体系,为有效抑制该矿及同类矿井火灾的发生具有重要意义。     

遗传神经网络在煤层自燃预测中的应用

煤层开采自燃危险性程度与许多影响因素之间存在着复杂的非线性关系，利用人工神经网络技术和人工生命学中的遗传算法，建立了预测模型，不但很好地解决了该问题，同时也大大提高了运算速度。     

回采工作面瓦斯涌出量预测的神经网络方法

回采工作面瓦斯涌出量受煤层瓦斯含量、工作面产量和采煤方法等各种因素的影响 ,笔者通过研究得出 :回采工作面瓦斯涌出量与煤层的赋存条件和开采条件之间是一种非线性关系 ,但目前还难以用精确的数学建模来求解。因此 ,提出了一种应用BP人工神经网络模型和算法 ,建立工作面瓦斯涌出量预测模型 ,从而预测不同开采条件下回采工作面瓦斯涌出量。实际应用表明 ,模型精度能满足要求。笔者还对隐含层神经元数目对步长影响作了讨论。     

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。     

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.