基于误差补偿的GM-RBF海底管道腐蚀预测模型

为准确预测海底油气管道腐蚀剩余寿命,构建基于误差补偿原理的灰色径向基函数(GM-RBF)神经网络腐蚀速率预测模型。首先,建立腐蚀速率的灰色模型(GM),将腐蚀速率灰色预测值作为径向基(RBF)神经网络的输入,残差作为输出,训练神经网络得到误差补偿器;其次,补偿新的灰色预测值,得到腐蚀速率的最终预测值;然后,根据预测结果计算出年腐蚀深度,结合剩余强度准则,计算管道剩余寿命;最后,以某海底管道为实例,验证模型的预测有效性。结果表明:单一使用GM模型预测的相对误差为17.48%,用GM-RBF模型预测的相对误差为6.37%,并预测出管道的剩余寿命为5.4年,GM-RBF模型提高了预测精度,且能够较好地描述腐蚀发展趋势。     

基于变权重RBF组合模型的煤与瓦斯突出强度预测

为更准确预测煤与瓦斯突出强度,在组合算法和径向基函数(RBF)神经网络的基础上,建立变权重RBF组合模型。首先,选取最具代表性的3种单项模型:BP神经网络、支持向量回归机(SVR)、免疫遗传算法(IGA),分别建模后对样本序列进行预测,并重构预测结果数据。以重构后的预测序列为输入层,突出强度为输出层,对变权重RBF组合模型进行训练,获得各单项模型的动态权值,从而建立动态变权重RBF组合模型,最后对突出强度进行预测。结果表明:变权重RBF组合模型预测结果的平均相对误差为2.621 2%,优于各单项模型、定权重组合模型以及数据不重构组合模型。     

灰色组合模型在钻孔瓦斯流量预测中的应用

钻孔瓦斯流量直接关系着钻孔抽放煤层瓦斯涌出量及钻孔瓦斯涌出初速度的判定,因此研究钻孔瓦斯流量的变化及发展趋势具有较大实用价值。利用"灰色组合预测"思想,提出一种对多种常用预测模型进行熵权法计算权重的组合预测方法,从而可根据有限的实测数据达到预测瓦斯流量发展的目的,结合工程实例,将灰色组合预测模型和单点模型模拟的结果进行比较,其结果表明组合的灰色模型预测精度较高,对瓦斯抽放设计和矿井安全生产具有较大的指导意义。     

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。     

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CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

基于灰建模的瓦斯含量多变量预测模型研究

研究了GM(1,N)、GM(0,N)瓦斯含量预测模型的数学原理,收集郑煤集团告成矿地质勘探期间及生产期间的瓦斯含量实测资料,获得16个可靠点,选取基岩厚度、新生界厚度、煤层厚度、煤层水分、煤层灰分、50m顶板含砂率6个因素作灰色建模预测的指标,分别建立了GM(1,6)和GM(0,6)瓦斯含量多变量预测模型。根据计算和评价结果,GM(1,6)和GM(0,6)瓦斯含量预测模型精度均能够满足工程精度的要求,说明利用灰色模型来预测瓦斯含量是可行的。由于前者精度略高于后者,故建议告成矿采用GM(1,6)模型来进行未知地区煤层瓦斯含量的预测。需要注意,由于模型没有考虑构造的影响,在实际预测时,还应根据构造对待预测区的影响关系和影响程度对模型的预测结果进行修正。     

基于灰色预测理论的瓦斯传感器自校正技术

笔者提出了将灰色预测理论与单片机技术相结合 ,对瓦斯传感器的非线性进行自校正的新思路 ;采用了灰色预测理论中GM(1,1)模型和单片机技术相结合 ,将预测误差值对传感器的实测值进行分段补偿的方法 ,实现对瓦斯传感器的非线性自校正 ;该方法克服了灰色预测理论对波动较大的随机序列的预测精度低的缺陷。其研究结果表明 ,应用该方法得到的预测值与真值的拟合程度好 ,预测值与真值之间最大的差值为 0 .15 0 1% ,而该处校正前的差值为 0 .30 0 0 % ,提高了传感器的测量精度。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

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.     

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。     

基于灰色神经网络的民航事故征候预测模型研究

通过对民航事故征候的分析和预测,掌握民航事故征候的发展趋势,并据此提出相应的安全措施以预防事故发生。在灰色预测基础上,结合神经网络理论,分析民航事故征候的特点,提出民航事故征候的串联灰色神经网络组合预测模型。首先,运用灰色理论弱化数据序列波动性,然后利用神经网络非线性信息处理能力构建模型。同时,根据最近10年民航事故征候统计数据,分别对灰色预测模型、神经网络模型和灰色神经网络模型进行检验,并预测未来3年的民航事故征候数量。利用Matlab软件进行预测仿真,对3种预测方法的精度和特点进行分析和比较。结果表明:民航事故征候的灰色神经网络模型预测精度高于单一的灰色预测模型或神经网络模型,并且所需样本少,运算简便,易于实现。     

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GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。     

基于灰色神经网络组合模型的矿山安全事故预测分析

本文在分析灰色预测方法和神经网络预测方法所具有的互补优势的基础上,提出修正灰色预测残差序列的方法,计算其拟合结果,排除系统数据受到的冲击和干扰,建立基于灰色神经网络组合算法的模型,进而提高预测的精度。将此方法运用于矿业安全事故预测分析中,建立了多个预测模型,比较得出灰色神经网络组合预测模型的最优性,为矿业安全事故的预测研究提供了一种可行性途径。     

滴道矿立井28#煤层瓦斯含量灰色关联分析及预测

针对滴道矿立井瓦斯灾害严重的现状,应用灰色系统理论对28#主采煤层进行了瓦斯含量与影响因素的关联分析,建立了瓦斯含量与主要影响因素的GM(1,4)灰色预测模型,并进行了瓦斯含量预测。结果表明:煤层底板标高、灰分和瓦斯成分CH4是影响28#煤层瓦斯含量的主要因素;所建立的灰色预测模型具有良好的精度,能够应用于瓦斯防治工作。     

基于循环神经网络的缓坡场地液化侧移预测*

为预测缓坡场地地震液化侧向位移,基于改进自适应算法（Rectified Adam）和循环神经网络模型（RNN）,提出液化侧移预测模型RA-RNN,通过对侧移数据进行样本学习,并利用改进自适应算法优化循环神经网络结构,验证RA-RNN模型可靠性,并与多元线性回归法（MLR）计算结果进行对比。结果表明:RA-RNN模型计算得到侧移一般为实测位移的0.7~1.3倍,训练结果R2,RMSE,MAE分别为0.977,0.375,0.141;土耳其科喀艾里RA-RNN模型预测结果RMSE和MAE为MLR模型的1/26,1/830;中国台湾集集镇RA-RNN模型预测结果RMSE和MAE为MLR模型的1/18,1/350,RA-RNN模型预测结果较优,预测精度及泛化能力得到很大提升。     

矿井相对瓦斯涌出量动态无偏灰色马尔科夫预测

矿井瓦斯涌出量预测对于煤矿瓦斯防治具有重要意义。为预测矿井瓦斯相对涌出量,以传统灰色GM(1,1)模型为基础,构建动态无偏灰色马尔科夫模型,通过分析潞安矿区某矿2003—2010年的煤矿相对瓦斯涌出量数据,预测2011—2012年煤矿相对瓦斯涌出量数据,利用无偏灰色GM(1,1)模型代替传统灰色GM(1,1)模型,通过拟合得到煤矿相对瓦斯涌出量数据变化趋势,并在此基础上利用马尔科夫模型进行预测,并在此预测中进行原始数据更新,并对4种预测方法的预测结果进行对比分析。结果表明,动态无偏灰色马尔科夫模型不但能够消除传统灰色GM(1,1)模型自身的固有偏差,而且能提高预测精度,平均绝对误差为3.2%,平均相对误差为2.59%,均低于传统灰色GM(1,1)模型与一般灰色马尔科夫模型。动态无偏灰色马尔科夫模型对于煤矿相对瓦斯涌出量数据的平均预测精度达到96.74%。     

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。