基于KPCA-GA-BP的煤矿瓦斯爆炸风险模式识别

为了能够准确识别煤矿开采中瓦斯爆炸事故的风险类别,以提升对瓦斯爆炸事故的应急防范能力,提出了一种高效准确的风险识别模型.考虑到瓦斯爆炸涉及特征指标之间并非单纯的线性关系,采取核主成分提取方法(KPCA)对涉及的煤层瓦斯含量、瓦斯涌出量、风量供需比等19种特征指标进行属性约简,从而消除信息重叠,并使用遗传算法(GA)对BP神经网络的权值和阈值进行全局寻优,避免了过拟合状况的出现,在降低模型预测损失值的同时提高模型运算准确率.采用KPCA-GA-BP模型对83组实例数据进行分析,选取其中62组数据进行训练,其余21组数据进行测试.预测结果中20组风险等级分类正确且用时较短,识别准确率为95.24％,表明模型对瓦斯爆炸灾害风险等级具有高识别精度和高效率.     

基于PCA-ELM模型的露采爆破振动对民房破坏的预测分析

针对露天采矿爆破振动对民房破坏的预测问题,采用主成分分析(PCA)和极限学习机(ELM)方法,选取爆破振幅、主频率、主频率持续时间、灰缝强度、砖墙面积率、房屋高度、屋盖形式、圈梁立柱、施工质量、场地条件10个主要影响因素。引入相关性分析在主成分分析过程中,对相关性高的指标进行降维,把得到的3个综合因子和爆破振幅、主频率、主频率持续时间、砖墙面积率作为输入变量,构建露天煤矿PCA-ELM预测模型。选取露天矿实际爆破过程中测量的100组数据作为模型训练样本,用另外20组数据作为测试样本进行预测。结果表明:对民房破坏影响因素中灰缝强度、房屋高度、屋盖形式、圈梁立柱、施工质量、场地条件之间具有较高的关联度。该模型处理高维数据时较传统的ELM算法具有预测精度高、稳定性好等特点,可准确预测爆破振动对民房的破坏程度,误判率为1/20。     

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。     

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。