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。     

采煤工作面瓦斯涌出量预测的神经网络模型

正确预测瓦斯涌出量,对于指导矿井设计和安全生产有重要意义。为此,应用神经网络理论,建立了采煤工作面瓦斯涌出量的预测模型,对其影响因素进行了权重排序,并确定了关键因素。实际应用表明,预测模型可信,精度能满足要求。     

基于小波神经网络的瓦斯涌出量预测研究

准确地预测瓦斯涌出量对于指导矿井设计和安全生产有重要意义,而瓦斯涌出量是一个与自然因素及开采技术等多因素有关的非线性建模问题。鉴于传统神经网络方法解决非线性问题收敛速度慢,易陷入局部最优解的缺陷,笔者提出一种既充分利用小波变换的时频局部化性质,又能结合神经网络的自学习能力的小波神经网络预测瓦斯涌出量的方法,并建立了预测模型。在此基础上,采用Delphi语言,设计了小波/BP神经网络仿真器。通过实例分析表明该方法较传统神经网络收敛迅速,预测精度高。     

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。     

粒子群优化的RBF瓦斯涌出量预测

瓦斯涌出量是煤矿瓦斯灾害的主要来源,它直接影响煤矿安全生产和经济技术指标。瓦斯涌出量的传统预测方法是将其影响因素线性化后提出的,具有一定的局限性。本文基于群体智能理论,提出了一种基于粒子群算法优化的RBF神经网络瓦斯涌出量预测模型。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用粒子群算法优化RBF网络权值和其他参数,形成PSO-RBF预测模型。该模型通过计算种群粒子的适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明PSO-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

考虑煤体粒度的落煤瓦斯涌出预测模型研究*

为了探究不同煤体粒度对于工作面瓦斯涌出的影响规律,以王家岭煤矿为研究对象,通过现场测试分析采落煤与放落煤的粒度分布,采用数值模拟计算不同粒度煤体的瓦斯涌出特征;并推导采落煤和放落煤的瓦斯涌出预测模型,对模型进行现场应用。研究结果表明:王家岭煤矿采落煤粒度分布范围更广,存在较高比例的微小粒度和大粒度煤体;煤体粒度越小,则瓦斯涌出速度越快。采落煤和放落煤的综合涌出强度均可以用指数函数来描述,模型计算结果与现场实际数据误差在合理范围内。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

瓦斯涌出量与构造煤关联性预测研究

为研究煤矿开采钻进过程中构造煤瓦斯涌出量随钻进深度的变化特性,以薛湖煤矿2104运输巷掘进工作面为试验研究对象,采用自主研制的连续流量法预测系统中瓦斯流量情况,测定钻孔瓦斯涌出量及钻进深度数据;根据初始瓦斯涌出量变化趋势,预测钻孔前方构造煤的位置。研究结果表明:在原生结构煤体中钻进时,钻孔瓦斯涌出量随钻进深度增加而增大,钻孔瓦斯涌出曲线平稳;钻进到构造煤时,钻孔瓦斯涌出量迅速增加、曲线变陡;钻进为9. 9 m时,钻孔瓦斯涌出量出现突变点; 10. 2 m时,瓦斯涌出量达到最大值,为89. 9 L/min,是正常值的2. 05倍;以3号钻孔为例,采掘活动验证了该预测方法的准确性和精度。     

基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测

为了对回采工作面瓦斯涌出量进行预测,提出将支持向量机(SVM)与遗传算法(GA)相耦合。利用GA寻找SVM最优的惩罚参数c和核函数参数g,并结合SVM训练速度快且具有良好泛化性能的特点,建立了基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测模型。煤层深度、煤层厚度、煤层倾角、开采层原始瓦斯量、煤层间距、采高、临近层瓦斯含量、临近层厚度、层间岩性、工作面长度、推进速度、采出率、日产量对瓦斯涌出量的影响是复杂的、非线性的,因而将其作为预测的影响参数。将瓦斯涌出量作为目标参数。分别将影响参数和目标参数作为GA-SVM的输入值和输出值进行训练,训练后的预测输出和期望输出之间的误差绝对值作为GA的适应度函数值进行参数优化。结果表明,该预测模型预测的最大相对误差为5.878 2%,最小相对误差为0.923 0%,平均相对误差为2.180 9%,相比耦合前及其他预测模型有更强的泛化能力和更高的预测精度。     

综放工作面瓦斯涌出量预测方法及工程实践

分源预测法是我国目前应用最广泛的瓦斯涌出量预测方法,但不适用于应用综放工作面的矿井。由于综放工作面矿井瓦斯涌出来源和涌出强度与一般综采工作面有所不同,矿井瓦斯涌出量差别较大。基于分源预测法,提出了综放工作面的瓦斯涌出量预测方法,应用于山西大远煤业综放工作面瓦斯涌出量预测,并与实际观测结果对比。结果表明:改进的综放工作面瓦斯涌出量预测方法符合综放工作面的实际情况,对综放开采工作面的瓦斯涌出量预测具有一定意义。     

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。     

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。     

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     

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。     

基于神经网络模型的燃料空气混合物爆炸威力预测研究

燃料空气混合物爆炸威力准确预测研究是学术界的一个难题。针对燃料空气混合物爆炸威力有效预测问题,采用神经网络方法,设计多层神经网络模型,进行实际预测应用。应用结果表明,采用的预测方法简便、可行,可以为燃料空气混合物爆炸威力预测提供一种新途径。相比3层BP模型,设计的预测模型可以减少训练次数,缩短训练时间,提高预测正确率,应用优势较明显。