基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

基于声发射多参数时间序列的瓦斯突出预测

为准确预测煤与瓦斯突出,提出基于煤岩体破裂声发射(AE)多参数时间序列的煤与瓦斯突出预测方法。选取煤岩体声发射事件率、能率和b值等作为观测参量,建立小世界回声状态网络(SW-ESN)预测模型,并对煤岩体声发射多参数时间序列进行拟合与预测;运用突变理论与模糊数学结合的燕尾型突变级数法对预测的声发射序列建立煤与瓦斯突出预测模型。实例应用表明:SW-ESN对声发射时间序列的预测精度高,对突出情况的预测结果与现场实际基本符合,验证了本文提出的方法对煤与瓦斯突出预测的可行性和有效性。     

大型选煤厂粉尘在线监测与智能喷雾降尘系统研究

为解决大型选煤厂粉尘污染问题,提出了粉尘在线监测与智能喷雾相结合的降尘技术.以同煤集团塔山选煤厂输煤系统为研究背景,采用理论分析、现场实测及数值模拟等方法对输煤系统尘源扩散机理进行了研究.采用κ-ε湍流模型、欧拉模型和离散相模型(DPM)进行模拟,选择SIMPLE算法进行计算.模拟结果与实测数据基本一致.结果表明:在诱导风流的作用下输煤系统粉尘质量浓度较大,并以给料机及导料槽为中心径向逐步降低;同时,粉尘在线监测与智能喷雾降尘技术能有效降低输煤系统空间粉尘质量浓度,改善作业环境,空间粉尘质量浓度保持在国家标准以下.     

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。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。