基于HHT方法的矿井瓦斯体积分数预测

为有效分析煤矿瓦斯监测数据以实现较准确的瓦斯浓度预测,研究应用希尔伯特-黄变换(HHT)方法进行瓦斯浓度时间序列分析与预测的方法。应用经验模态分解(EMD)方法将瓦斯浓度时间序列分解成不同频率的固有模态函数(IMF)分量的叠加,以获取瓦斯浓度时间序列的瞬时特征;通过Hilbert变换求得各IMF分量的瞬时频率,依据各IMF分量瞬时频率的均值将分解得到的IMF划分成较高频和低频2类新的分量,选取适合于各分量特征的预测模型分别进行预测,以消除局部随机性对预测精度的影响,结合自回归(AR)、径向基函数(RBF)神经网络和支持向量机(SVM)3种预测模型实现瓦斯浓度预测。实例分析表明:应用该方法所得预测结果比较准确,降低了预测复杂度,提高了预测精度。     

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Spark Streaming流回归的煤矿瓦斯浓度实时预测

为了实时分析瓦斯监测流数据并对瓦斯浓度进行准确预测以实现瓦斯灾害实时预警,以实时流数据处理框架Spark Streaming构建基于流回归的瓦斯浓度实时预测系统。系统采用分布式流处理技术,可使基于回归算法的瓦斯浓度预测模型更新周期达到秒级,提高了瓦斯浓度预测精度,满足流式大数据处理的实时性要求。实验表明:应用Spark Streaming流回归预测系统在采样周期为5 s的瓦斯监测数据流上进行实时预测时,预测平均均方根误差随模型更新周期的缩短而减小,模型更新周期可达15 s,且更新周期为45 s时预测总均方根误差最小,既能保证预测精度,又能提高瓦斯灾害预警时效。     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

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。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

基于BP和RBFNN的神经网络算法在瓦斯预测中的应用及比较

煤与瓦斯突出是目前导致井下事故的直接原因,及时准确地预测瓦斯突出情况,对于保障井下安全生产有着十分重要地意义.神经网络有良好地自学习和自感应能力.文中将BP算法和基于径向基函数的递归正交最小二乘算法应用于瓦斯预测中,同时比较了两种算法的优点及缺点.仿真测试结果表明,径向基函数神经网络在瓦斯预测中有着更好的实用性.     

基于GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

基于BP和RBFNN的神经网络算法在瓦斯预测中的应用及比较

煤与瓦斯突出是目前导致井下事故的直接原因，及时准确地预测瓦斯突出情况，对于保障井下安全生产有着十分重要地意义。神经网络有良好地自学习和自感应能力。文中将BP算法和基于径向基函数的递归正交最小二乘算法应用于瓦斯预测中，同时比较了两种算法的优点及缺点。仿真测试结果表明，径向基函数神经网络在瓦斯预测中有着更好的实用性。     

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。     

Prediction of gas explosion pressures: A machine learning algorithm based on KPCA and an optimized LSSVM

A gas explosion, as a common accident in public life and industry, poses a great threat to the safety of life and property. The determination and prediction of gas explosion pressures are greatly important for safety issues and emergency rescue after an accident occurs. Compared with traditional empirical and numerical models, machine learning models are definitely a superior approach. However, the application of machine learning in gas explosion pressure prediction has not reached its full potential. In this study, a hybrid gas explosion pressure prediction model based on kernel principal component analysis (KPCA), a least square support vector machine (LSSVM), and a gray wolf optimization (GWO) algorithm is proposed. A dataset consisting of 12 influencing factors of gas explosion pressures and 317 groups of data is constructed for developing and evaluating the KPCA-GWO-LSSVM model. The results show that the correlations among the 12 influencing factors are eliminated and dimensioned down by the KPCA method, and 5 composite indicators are obtained. The proposed KPCA-GWO-LSSVM hybrid model performs well in predicting gas explosion pressures, with coefficient of determination (R²), root mean square error (RMSE), and mean absolute error (MAE) values of 0.928, 26.234, and 12.494, respectively, for the training set; and 0.826, 25.951, and 13.964, respectively, for the test set. The proposed model outperforms the LSSVM, GWO-LSSVM, KPCA-LSSVM, beetle antennae search improved BP neural network (BAS-BPNN) models and reported empirical models. In addition, the sensitivity of influencing factors to the model is evaluated based on the constructed database, and the geometric parameters X1 and X2 of the confined structure are the most critical variables for gas explosion pressure prediction. The findings of this study can help expand the application of machine learning in gas explosion prediction and can truly benefit the treatment of gas explosion accidents.     

基于MIC-BBO-SVM的大坝渗流预测模型*

为监控大坝运行过程中的异常状态,准确预测大坝渗流量的变化趋势,采用最大信息系数(MIC)量化渗流量与影响因子之间的相关性大小并从中选取主导因子作为输入变量,通过引入生物地理学优化算法(BBO)并以K折交叉验证意义下的平均均方根误差为损失函数来优化支持向量机(SVM)作为预测模型,以某水电站工程的拦河大坝为例进行模型验证。结果表明:MIC-BBO-SVM模型的拟合优度、均方根误差、平均绝对误差和平均绝对百分比误差分别为0.957 5,0.155 0 m3/h,0.135 6 m3/h,11.51%,预测性能明显优于逐步回归模型、SVM模型和MIC-SVM模型,可为大坝渗流安全监测提供参考与借鉴。     

基于集成学习的改进灰色瓦斯浓度序列预测*

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度。结果表明:瓦斯浓度时间序列近似线性时,基于集成学习的改进灰色瓦斯浓度预测算法优于传统灰色瓦斯浓度预测算法,使瓦斯浓度预测值和实际值的均方根误差降低,均方根差最大降低2.25%。研究结果可有效提瓦斯浓度预测精度。     

基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明：FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.994 9,相比于其他模型,该模型具有更优的预测性能。