投影寻踪聚类方法在煤与瓦斯突出危险性预测中的应用

为了提高煤与瓦斯突出预测的准确率,在研究矿井瓦斯地质特征基础上,建立煤与瓦斯突出预测指标体系,应用投影寻踪方法和聚类方法构建了煤与瓦斯突出危险性预测的投影寻踪聚类模型。该模型通过计算反映煤与瓦斯突出危险程度的一维投影特征值,并对其进行聚类分析,得出煤与瓦斯突出危险性等级。将模型应用于平煤八矿戊9,10-21030工作面回风巷,预测等级与实际煤与瓦斯突出情况吻合度较高。结果表明,应用投影寻踪聚类方法对平煤八矿进行煤与瓦斯突出危险性预测是可行的。     

基于网络分析和联系熵的煤与瓦斯突出预测研究

以煤与瓦斯突出预控为目的,将网络分析法和联系熵理论相耦合,建立了煤与瓦斯突出预测的ANP-CE模型。该模型运用网络分析法建立了煤与瓦斯突出预测指标网络模型并计算预测指标权重分布,划分了突出危险性等级及其相应的指标临界值,确定了各危险等级的联系熵范围。结合工程实例,预测结果与工程实际情况相符,表明了该预测模型在计算预测指标权重分布和煤与瓦斯突出危险性预测上具有可行性和合理性,为煤与瓦斯突出预测方法提供了一种新的途径。     

煤与瓦斯突出预测的Fisher判别分析法及应用

在综合分析煤与瓦斯突出多种影响因素的基础上,将Fisher判别分析应用到煤与瓦斯突出预测中,结合我国典型煤与瓦斯突出煤矿17个突出实例,建立了煤与瓦斯突出预测的Fisher判别分析模型,模型回代预测的误差率为0。应用该模型对云南恩洪煤矿8个突出实例进行预测,并与单项指标法、综合指标法、BP网络进行比较。结果表明,Fisher判别分析模型具有较高的可靠性和精确性,能对煤与瓦斯突出进行有效预测。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

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。     

基于综合评判模型的煤与瓦斯突出危险程度预测

针对某些矿井出现的"低指标"突出现象,提出一种新的综合评判模型,用于煤与瓦斯突出危险程度预测。选取鉴定煤与瓦斯突出的4个单项指标临界值作为参考点,建立煤与瓦斯突出危险性预测综合评判准则。当评判距离Ri属于[0,1],判断突出强度;当Ri属于[-1,0],判断突出危险可能性,量化了突出强度及可能突出的危险程度,并划分突出强度、突出危险可能性等级。利用模型对淮南矿突出程度进行预测,预测结果与实际吻合,实现了定性语言与定量数据相结合的突出预测,为煤与瓦斯突出提供了一种新的预测方法。     

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.     

开拓新区煤与瓦斯突出危险性区划技术

煤与瓦斯突出严重地影响着矿井的安全生产,必须做好防治工作。防治工作的基础是准确地预测煤与瓦斯动力现象。该文通过考虑影响煤与瓦斯突出的定量和定性因素,建立了开拓新区煤与瓦斯突出综合评价的模型,该模型经在矿井应用,证明该技术可靠易行。     

基于瓦斯地质与监控信息耦合的煤与瓦斯突出预测方法

在矿井瓦斯地质研究基础上,从地质、瓦斯及监测监控3方面选取9个指标构建了煤与瓦斯突出预测指标体系,并利用多元信息耦合技术建立了煤与瓦斯突出预测模型。其中特征级运用模糊综合评判对数据级预测指标信息进行耦合,决策级运用D-S证据理论对特征级预测信息进行耦合,通过分级耦合得出反映煤与瓦斯突出危险性等级的可信度值。以郑煤集团超化煤矿31041工作面下付巷为例,一方面将预测等级和现场预测等级及钻孔动力现象记录进行对比,另一方面对信息耦合模型的准确性和可靠性进行验证,结果表明应用多元信息耦合模型对煤与瓦斯突出预测是可行的。     

用灰关联分析和神经网络方法预测煤与瓦斯突出

本文应用灰色系统理论的灰色关联分析,对煤与瓦斯突出影响因素进行灰关联分析,得出了各影响因素对煤与瓦斯突出影响程度的大小排序,选择灰关联分析的五个优势因子:瓦斯放散初速度、坚固性系数、瓦斯压力、煤体破坏类型和开采深度,作为输入参数,用计算机对神经网络编写程序,建立了煤与瓦斯突出预测的神经网络模型.用我国典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本进行验证.     

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。     

人工神经网络在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生机理的复杂性,传统预测方法的应用受到很大的限制,而人工神经网络理论以其高度非线性映射的特性为解决这一问题提供了新的途径。以突出预测指标为基础,利用多层反向传播神经网络(BP网络)模型实现对突出危险性的预测。实例分析表明,模型精度很高,可用于工作面煤与瓦斯突出危险性的预测。     

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。     

改进BP算法在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性 ,基于反向BP神经网络 ,笔者提出了一种改进的BP网络模型 :为了加快BP网络的收敛速度 ,增强其跳出局部极小点的能力 ,采用了自适应变步长法和改进模拟退火法 (SA法 )相结合的方法。实际应用表明 ,该模型收敛速度快 ,准确性高 ,具有较高的可靠性和实用性 ,是一种十分有效的煤与瓦斯突出危险性预测方法。     

煤与瓦斯突出预测研究动态及展望

笔者总结了以突出敏感性指标预测为基础的接触式煤与瓦斯突出预测技术的发展现状 ;阐述了瓦斯地质理论研究进展情况 ;对统计学方法、计算机模拟、模糊数学、灰色系统理论、神经网络技术、专家系统、分形理论、流变与突变理论等数学物理理论在煤与瓦斯突出预测领域中的应用情况作了系统的描述 ;对GIS技术、无线电波透视探测技术及以地震波为主的弹性波技术为煤与瓦斯突出预测技术的发展前景作了必要的分析。     

模糊神经网络在新庄孜矿立井井筒揭煤中的应用

立井掘进穿过煤层时,模糊神经网络能够提取、捕捉隐藏在大量历史数据中的规律,将模糊数学与神经网络紧密地结合起来,建立模糊神经网络预测系统,为煤与瓦斯突出区域危险性预测提供了一种新的思路和方法。     

煤与瓦斯突出危险性计算机识别与预报系统

根据反向传播神经网络模型的原理，设计了煤与瓦斯突出危险性的计算机识别与预报系统，借助于对已知突出实例的训练学习，得出反映突出预测指标和突出危险程度之间复杂的非线性映射关系的网络系数（预报规则），可以对突出危险性进行多因素识别预报。通过外推预报检验，表明系统具有较高的可靠性和实用性     

Classification technique for danger classes of coal and gas outburst in deep coal mines

In this investigation a new classification technique based on artificial neural network (ANN) and exponent evaluation method (EEM) has been developed to classify the danger classes of coal and gas outburst in deep mines. A weight computing model of mutual affecting factors is derived from backward algorithm of ANN (BA-ANN), which diminishes the influence of factitious factor, the environment factor and the time factor to the weight. The BA-ANN model is used for modeling the correlation between danger class and 12 affecting factors of coal and gas outburst and calculating weights of interconnection factors, which performs very well. In order to classify danger classes in a daily routine, the EEM with the well trained weights which are from BA-ANN, is performed in a deep mine. The case study shows that this new technique is useful to classify danger classes with quick and accurate computation. Moreover, the weight computing model of BA-ANN can be extended to other safety issue in different fields as well.     

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。