Fisher判别法在煤与瓦斯突出危险程度预测中的应用

为了提高煤与瓦斯突出的预测精度,根据煤与瓦斯突出的综合作用假说,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的普氏系数以及煤体破坏类型作为判别指标。利用国内典型突出矿井20个实测数据作为训练样本,建立煤与瓦斯突出危险程度预测的Fisher判别分析模型,并应用于其他待判样本的预测。结果表明:Fisher判别分析模型能够反映多因素对煤与瓦斯突出的影响,分类性能良好,误判率低,借助SPSS软件实现,具有计算简单的特点,是煤与瓦斯突出预测的一种有效方法。     

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。     

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.     

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.     

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。     

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。     

基于RS-SVM模型的煤与瓦斯突出多因素风险评价

为挖掘瓦斯突出风险与煤矿开采中各影响因素间的关系,应用支持向量机(SVM)理论从模式判别角度分析瓦斯突出风险与各地质因素组成的特征向量间的判别关系,基于粗糙集(RS)理论对待分析数据进行知识约简,提取核心判别指标,建立基于粗糙集-支持向量机(RS-SVM)的瓦斯突出风险判别模型。研究结果表明,RS知识约简方法可以很好地对原始数据中的冗余指标进行约简,通过对约简后指标数据进行SVM回归分析,可对煤与瓦斯突出模式进行很好的判别,所建立的瓦斯突出风险判别模型较一般SVM模型具有更高的预测精度,同时指标约简过程降低SVM运算中的复杂度,提高运算效率。     

煤与瓦斯突出预测综合指标F临界值研究

为了更加准确的预测掘进工作面煤与瓦斯突出,防止灾害事故的发生,针对“三率”各评价指标与掘进工作面煤与瓦斯突出预测综合指标具有区间型属性特性,运用灰靶决策理论,提出了基于熵值加权法与多指标加权灰靶相耦合的决策模型。该模型引入“奖优罚劣”变换算子,对样本矩阵进行无量纲初始化处理,结合改进的熵值法确定指标权重,构建了综合指标F临界值的决策模型,将综合指标F值在200~400内以10为步长形成了21个评价方案,对综合指标F的临界值进行研究。最后,通过在章村煤矿的现场实际应用,证实了该模型的有效性与实用性。     

基于灰色系统理论的煤与瓦斯突出预测

为了对煤与瓦斯突出事故进行有效的预防与控制 ,笔者应用灰色系统理论中的灰色聚类评估方法 ,对矿井的煤与瓦斯突出进行了预测。经实例证明 ,与常用的预测方法相比 ,灰色聚类预测方法具有能动态预测、预测准确等优点。该方法将影响突出的多个因素综合系统的来考虑 ,跳出了常规预测方法只依靠单一指标进行预测的圈子 ,提高了预测的准确性。研究结果表明 ,该方法能准确地反映矿井煤与瓦斯突出规律 ,是一种新的煤与瓦斯突出预测的方法     

应用层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测

现场测定某矿掘进工作面煤与瓦斯突出的预测指标值,该指标包括:电磁辐射强度、电磁辐射脉冲、软分层厚度、钻屑量、瓦斯涌出初速度和综合指标R;运用层次分析法确定各预测指标的重要程度;利用模糊数学综合评价方法对煤与瓦斯突出的危险性进行综合预测。结果表明,该方法对煤与瓦斯突出的预测结果与综合指标R预测情况符合性较好,具有较强的实用性和可靠性,对煤矿的安全生产工作具有一定的指导作用和借鉴价值。     

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。     

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。     

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。     

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     

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。     

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。     

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。     

平煤集团煤与瓦斯突出强度预测的模糊综合评判

依据平煤集团历年煤与瓦斯突出事例的统计数据,应用7±2心理极限概念,合理选定模糊评判因素集,采用层次分析法确定各因素对突出强度的贡献度权重;采用定性数据定量化理论建立了各因素隶属于大型突出、中型突出和小型突出的隶属度;采用二级模糊综合评判方法和“加权平均型”评判数学模型,在国内外首次建立了煤与瓦斯突出强度预测模糊综合评判方法,按最大隶属度判别准则实现对突出强度的定量预测。对平煤集团91次突出事例突出强度预测验证表明,验证正确率为94 .5 % ,说明提出的煤与瓦斯突出强度预测方法在技术上是可行的,对突出矿井煤与瓦斯突出预测具有重要的指导意义。     

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。