矿井突水水源识别的RS-LSSVM模型

为了对矿井突水水源进行准确、高效的判别,综合考虑水化学特征,选取Ca~(2+),Mg~(2+),K~++Na~+,HCO-3,SO2-4,Cl~-和总硬度7个指标的质量浓度(mg/L)作为矿井突水水源的最初判别指标。利用粗糙集(RS)理论的属性约简来筛选水化学特征指标,用以作为水源识别的核心判别指标,建立基于RS的矿井突水水源识别的最小二乘支持向量机(LSSVM)模型。选用约简处理后的13组煤矿数据对模型进行训练,再用训练好的模型对另外12组突水数据进行水源判别,并与未进行属性约简的LSSVM模型及Fisher判别分析法、随机森林方法进行对比。结果表明,利用属性约简方法可以很好地排除原始数据中的冗余信息干扰,因而能有效判别矿井突水水源,使矿井突水水源模型的误判率降低至0;而且指标约简过程可以降低LSSVM运算的复杂度,也能够提高判别效率。     

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。     

基于多算法协作的航班运行风险辨识研究

针对使用单一算法难以大幅提升航班运行风险辨识精度的问题,首先详细分析航班运行工作流程,筛选出重要评估指标15项,精选X航100个航班案例作为数据样本,使用粗糙集理论约简得到9个风险核心指标;然后选用支持向量机(SVM)和神经网络2种机器学习方法,分别建立风险辨识模型计算风险等级,并将其与基于模糊算法的X航风控系统运算结果对比;进而,依据各算法优缺点,构建多算法协作模型;最后使用G航和N航日运行数据检验模型有效性。结果表明:神经网络方法对低风险分辨效果最好;SVM对中高风险辨识能力最强;用所构建的多算法协作模型计算结果的正确率最高可达95%。     

矿区采空塌陷危险性预测的RS-SVM模型

为快速、准确地预测矿区采空塌陷的危险性,针对矿区采空塌陷预测的复杂非线性特点,在统计分析实测资料的基础上,选取7项指标作为初始特征指标,30组塌陷样本作为原始样本,其中,前17组为原始训练样本,后13组为测试样本;运用粗糙集(RS)理论,对原始训练样本进行对象约简和属性约简。将属性约简后的3项指标作为支持向量机(SVM)的输入向量,建立矿区采空塌陷危险性预测的RS-SVM模型。将对象约简后的7组样本作为训练样本,用于模型训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对13组待评样本进行预测,并与贝叶斯、BP神经网络(BPNN)方法进行比较。结果表明,RS理论与SVM算法相结合,能降低属性维数,去除冗余样本,简化模型,该模型所得预测结果准确率为100%。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。     

基于RS-SVM的城市埋地燃气管道外腐蚀情况评价

为提高城市埋地燃气管道外腐蚀情况评价的准确性,识别影响管道外腐蚀的主要因素,构建评价指标集,结合粗糙集(RS)与支持向量机(SVM)的优势,建立管道外腐蚀情况预测评价模型。给出具体评价步骤,包括收集样本数据、预处理数据、用属性约简算法筛选核心指标集、用SVM训练器训练数据,形成检验模型。以某条城市燃气管线为例进行实例验证和分析。结果表明:用RS-SVM模型预测评价管道的腐蚀等级与实际结果一致,传统方法预测管道腐蚀速率平均相对误差为14.1%,RS-SVM模型预测的平均相对误差为7.9%,较之传统方法精度更高。     

基于属性约简的绝缘节破损预测

准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。     

煤与瓦斯突出影响因素评价分析的模糊层次分析方法

在综合分析煤与瓦斯突出的影响因素的基础上，采用模糊层次分析法（FAHP）建立了煤与瓦斯突出模糊层次分析模型并进行了实例分析，确定了煤与瓦斯突出各影响因素的权重系数。评价结果表明：地应力、地质构造、瓦斯压力等是影响煤与瓦斯突出的主要因素。为制定相应的煤与瓦斯突出防治措施，提供了科学的理论依据和切合实际情况的评价方法。     

GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用

煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。     

煤与瓦斯突出影响因素评价分析的模糊层次分析方法

采用模糊层次分析法(FAHP),建立煤与瓦斯突出模糊层次分析模型,并进行分析计算。依据模糊层次分析法,选择影响平煤集团12矿己组煤层煤与瓦斯突出的主要因素,确定各因素的权重系数,并对其进行分析、排序,最后进行综合评定煤与瓦斯突出的影响因素。结果表明:地应力D,地质构造T,煤层瓦斯压力P等是影响该矿己组煤层煤与瓦斯突出的主要因素。该FAHP的应用为制定相应的煤与瓦斯突出防治措施,提供了科学的理论依据和切合实际的评价方法。     

煤与瓦斯突出危险性的未知权重多属性综合评价模型

将集对分析理论和变异系数法相结合,构建煤层突出危险性综合评价模型。首先,模型选取煤的破坏类型、瓦斯放散初速度指标△P、煤的坚固性系数f、煤层瓦斯压力队综合指标D和综合指标K作为评价指标。其次,为避免权重赋值的主观性,采用变异系数法确定指标权重,以提高权重的客观性和适应性。然后,利用综合评价准则判断煤与瓦斯突出危险性等级。研究结果表明：采用该模型的评价结果与实际情况基本一致,从而验证了模型的合理性与可行性。     

基于可拓模式识别的煤与瓦斯突出危险性分析

为了有效识别煤与瓦斯突出的危险性,运用可拓理论和熵理论建立了基于熵权的可拓模式识别模型。熵权和关联函数的建立避免了权系数和综合隶属度确定的主观性。利用该模型对某能源有限公司3个工作面的突出危险性进行识别分析,不仅得出了各工作面的突出危险性程度,还得出了各工作面突出危险性大小的排序。结果表明,基于可拓模式识别的方法既可以确定单一对象的隶属模式,又可以对多个识别对象进行排序,而且识别过程宜于编制计算机程序求解,计算简单,易于在现场推广应用。     

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。     

煤与瓦斯突出过程中煤体瓦斯的作用研究

为了研究煤与瓦斯突出过程中煤体瓦斯的作用,采用煤体中瓦斯总量守恒的原理研究瓦斯含量与瓦斯积聚内能的基本方程和影响因素;分析煤与瓦斯突出产生的力学条件和机理,建立了煤与瓦斯突出危险程度的矩阵图。结果表明:瓦斯含量是煤体瓦斯内能最直接的反应,其值大小决定瓦斯内能的大小;瓦斯压力梯度、煤体的断裂韧性及煤体内的裂隙发育程度决定着瓦斯突出的危险性,低渗透性构造煤对瓦斯运移阻力较大,容易形成较大的瓦斯压力梯度,从而更容易发生煤与瓦斯突出。煤层中的瓦斯含量、瓦斯压力、地应力越大,煤体的强度、渗透率越小,越容易发生突出。煤层瓦斯情况、力学性能、地质构造和煤层的应力状态是决定煤与瓦斯突出的主要因素。     

新安煤田煤与瓦斯突出特征及防治措施

为解决新安煤田煤与瓦斯突出影响因素众多和防治难度较大等问题,运用瓦斯地质理论分析了新安煤田煤与瓦斯突出特征及控制因素,并提出了有针对性的煤与瓦斯突出防治措施。研究表明:地质构造是控制新安煤田煤与瓦斯突出分布的主要地质因素;构造应力是控制新安煤田煤与瓦斯突出的主要动力因素;新安煤田煤与瓦斯突出吨煤瓦斯涌出量较大,是增加煤与瓦斯突出发生可能性及危险性的重要因素。基于此,从突出危险性预测、防治突出措施及安全防护措施等三个方面提出了多项煤与瓦斯突出防治措施。