模糊神经网络在新庄孜矿立井井筒揭煤中的应用

立井掘进穿过煤层时,模糊神经网络能够提取、捕捉隐藏在大量历史数据中的规律,将模糊数学与神经网络紧密地结合起来,建立模糊神经网络预测系统,为煤与瓦斯突出区域危险性预测提供了一种新的思路和方法。     

深部煤层瓦斯含量的差值GM-RBF预测模型及其应用

基于灰熵理论和RBF神经网络理论,提出了一种改进的灰色神经网络深部煤层瓦斯含量预测模型。该模型首先利用灰熵关联度确定影响深部煤层瓦斯含量的主控因素,构建多个GM预测模型进行精度分析,寻求最优的灰色预测模块对分析系统进行一次预测,再利用灰色模型白化微分方程解序列相邻两元素分别与相应期望值作差,构建一个差值序列作为RBF神经网络输出对分析系统进行二次预测,得到的差序列预测结果的差值即为深部煤层瓦斯含量的预测值,从而构建了基于差值GM-RBF神经网络组合模型的深部煤层瓦斯含量预测体系。实际应用表明:差值GM-RBF神经网络组合模型的精度评价指标MAE、MAPE、RMSE、RRMSE分别为0.233 1、3.25%、0.2778、4.04%,远优于单一灰色、RBF模型;与传统GM-RBF组合模型相比,MAE和MAPE分别减小了23.8%和22.1%,RMSE和RRMSE分别减小了20.5%和17%。由此可见,以差值结合法将最优灰色模块与RBF神经网络有效结合起来的瓦斯含量预测体系增强了模型的泛化能力和数据利用率,精度更高,稳定性更好,能够满足深部煤层瓦斯含量准确预测的要求,为深部煤与瓦斯安全高效开采提供依据。     

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-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。     

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。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用

煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。     

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。     

基于多因素模式识别的煤与瓦斯突出预测研究

采煤工作面煤与瓦斯突出是由煤层自然条件和工程扰动共同作用决定的,充分考虑煤层原始赋存条件和人类工程活动对煤与瓦斯突出的影响,建立多因素模式识别准则和方法,应用VBA技术完成了工作面煤与瓦斯突出危险性动态预测系统开发。以平顶山十矿己15-24080工作面为研究对象,将瓦斯含量、瓦斯压力、采动应力等因素作为工作面煤与瓦斯突出的主要影响因素,运用多因素模式识别方法实现了对工作面煤与瓦斯突出危险性分单元概率预测,且能够随着工作面不断推进进行动态预测和分级管理。研究结果表明:突出危险性预测结果与现场实况有较好的一致性,对煤矿安全开采具有良好的指导作用。     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。     

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。     

模糊集重心理论在隧道瓦斯突出评价中的应用

以隧道瓦斯突出评价为研究对象。选取地质构造、煤层厚度、隧道埋深、瓦斯含量、瓦斯压力、瓦斯放散初速度和煤的坚固性系数作为指标,建立隧道瓦斯突出评价标准;用关联函数确定指标权重;结合模糊集重心理论与最短距离识别准则,构建属性识别模型,对隧道瓦斯突出进行评价。评价结果与可拓评价结果一致,从而验证了该方法的实用性。研究表明,基于模糊集重心理论的属性识别模型用于隧道瓦斯突出评价是可行的,为隧道瓦斯突出评价提供了一种新方法。     

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Adam优化深度神经网络快速确定瓦斯抽采半径*

为解决煤矿瓦斯有效抽采半径难以快速准确确定的问题,采用基于Adam算法优化DNN（深度神经网络）方法来预测瓦斯抽采半径。查阅文献共收集已得到验证的970组数据集,每组数据选取煤层瓦斯初始渗透率、钻孔直径、抽采时间、地应力、煤层初始瓦斯压力作为预测模型的5个特征量,有效抽采半径作为目标输出值。接着预测模型进行不断学习和训练,最终训练得到1个最优的瓦斯有效抽采半径预测模型。利用训练好的最优预测模型结合Python语言开发出计算有效抽采半径的软件,并使用该软件在四季春煤矿和鹤煤六矿进行有效抽采半径预测的工程实例研究,验证该软件预测抽采半径的实用性和准确性。研究结果表明:通过使用开发的软件,可快速且较准确地计算出矿井瓦斯有效抽采半径,可为暂不具备现场测试条件的矿井抽采设计提供一定的参考依据。