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KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

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。     

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SVM耦合遗传算法的回采工作面瓦斯涌出量预测

为了对回采工作面瓦斯涌出量进行预测,提出将支持向量机(SVM)与遗传算法(GA)相耦合。利用GA寻找SVM最优的惩罚参数c和核函数参数g,并结合SVM训练速度快且具有良好泛化性能的特点,建立了基于SVM耦合遗传算法的回采工作面瓦斯涌出量预测模型。煤层深度、煤层厚度、煤层倾角、开采层原始瓦斯量、煤层间距、采高、临近层瓦斯含量、临近层厚度、层间岩性、工作面长度、推进速度、采出率、日产量对瓦斯涌出量的影响是复杂的、非线性的,因而将其作为预测的影响参数。将瓦斯涌出量作为目标参数。分别将影响参数和目标参数作为GA-SVM的输入值和输出值进行训练,训练后的预测输出和期望输出之间的误差绝对值作为GA的适应度函数值进行参数优化。结果表明,该预测模型预测的最大相对误差为5.878 2%,最小相对误差为0.923 0%,平均相对误差为2.180 9%,相比耦合前及其他预测模型有更强的泛化能力和更高的预测精度。     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

回采工作面瓦斯涌出量VMD-DE-RVM区间预测方法

为有效、准确地预测回采工作面绝对瓦斯涌出量,基于变分模态分解(VMD)方法;差分进化(DE)算法和相关向量机(RVM)原理,提出回采工作面绝对瓦斯涌出量的VMD-DE-RVM区间预测方法;通过VMD方法将绝对瓦斯涌出量分解为若干固有模态分量并分析其局部特征,分别建立每个固有模态分量的RVM预测模型,并通过DE算法优化模型参数以提高预测精度;加权叠加各个分量的预测结果得到绝对瓦斯涌出量预测结果,并将其与经验模态分解方法所得结果对比。结果表明:应用该方法预测回采工作面瓦斯涌出量,能弱化瓦斯涌出量的局部特征,得到置信度为95%时涌出量预测区间有效度为100%,平均绝对误差为0. 096 m3/min,平均相对误差为2. 43%,预测精度有所提高。     

软质聚氨酯泡沫阴燃前期热解特性研究

采用DSC-TGA(差示扫描量热-热重分析)同步热分析仪对软质聚氨酯泡沫(聚氨酯软泡)在不同氧气体积分数(0、10％、30％、50％)和不同加热速率(10 K/min、20 K/min、50 K/min)下热解到800℃的过程及其对阴燃的影响进行了研究.结果表明,当氧气体积分数介于10％ ～ 50％时,聚氨酯软泡热失重DTG曲线只有1个峰;当氧气体积分数降低到10％时,DTG曲线开始逐渐分离为2个峰;当氧气体积分数降为0(即氮气气氛)时,DTG曲线已经明显分为2个峰.这表明氧气体积分数对聚氨酯软泡热解特性具有重要作用.氧气体积分数和加热速率降低均对聚氨酯软泡的热解有抑制作用,均能减小阴燃传播速率和向明火转化的可能性.加热速率降低主要是延长了聚氨酯软泡的热解周期,从而减小了热解可燃气体积分数和放热速率.氧气体积分数降低对聚氨酯软泡热解的影响相对复杂的多:当氧气体积分数从10％降低到0时,主要提高了聚氨酯软泡的分解温度,而对热解速率影响不大;当氧气体积分数介于10％～50％时,氧气体积分数减小主要会降低聚氨酯软泡的热解速率、放热速率和放热量而对热解温度影响相对不大.氧气体积分数和加热速率降低抑制了多元醇的分解,而多元醇是聚氨酯软泡维持阴燃或向明火转化的主要物质及能量来源.     

不同螯合剂对花生富集污染土壤中Co的影响

采用模拟Co污染土壤的方法,分别投加2.5 mmol/kg、5.0mmol/kg、7.5 mmol/kg的EDDS、NTA、CA和OA,研究了其对花生生长与吸收土壤重金属Co,以及对土壤中Co的活化能力的影响.结果表明:整合剂处理使花生的生物量降低,在高浓度整合剂处理时,降幅最大;EDDS的添加比NTA、CA和OA更显著地增加了土壤Co的有效态质量比,同时明显提高了花生的富集系数和转运能力;在螯合剂处理下,花生的转运系数最高达到0.916,具备了修复土壤重金属污染的能力;根系和地上部富集Co能力最强时分别达到58.64 mg/kg和46.33mg/kg,是对照组的1.29和3.63倍;各处理花生根系中的Co质量比要高于茎叶中的质量比,花生植株Co质量比与土壤有效态Co质量比呈显著(p＜0.05)或极显著相关(p＜0.01);综合来看,螯合剂的投加能有效活化土壤溶液中的Co,促进植物吸收、转运重金属.     

基于模糊层次分析法的编队内碰撞风险评价模型研究

编队内碰撞是编队飞行最大的安全威胁。为解决编队飞行灵活性与编队飞行安全的矛盾,建立了编队内各机碰撞风险评价模型指标体系,使用模糊互补判断矩阵确定了各指标的碰撞权重,实现了编队内各机碰撞的风险评估。以空军航空兵某部一架机型G与一架机型H混合双机编队为例进行了实证研究,结果表明,该模型简便易操作,可提高编队飞行训练效率。     

基于模糊可拓层次分析法的在役混凝土桥梁耐久性评估

对在役混凝土桥梁的耐久性研究是目前学术界的热点问题。使用科学的方法对其耐久性进行合理的评估,是解决该问题的关键。考虑到在役混凝土桥梁耐久性评估中的不确定性,利用改进的三标度层次分析法及模糊可拓理论,建立了基于模糊可拓层次分析法的在役混凝土桥梁耐久性评估模型。首先,根据桥梁的结构及所处环境的特点,建立了在役混凝土桥梁耐久性评估指标体系。其次,运用改进的三标度层次分析法确定指标权重。然后,使用模糊可拓理论确定耐久性等级。最后,通过具体的实例分析,证明了该评估方法的科学性和有效性。     

物流企业员工安全参与行为演化路径研究

为确定影响物流企业员工安全参与行为的因素与演化路径,推动对物流企业员工的安全监管,在员工和物流企业具有有限理性的前提下,从物流企业与员工之间的博弈机理出发,构建了员工安全参与行为的演化博弈模型。采用系统动力学方法分析模型的演化趋势,通过数值仿真分析物流企业员工安全参与行为及演化路径。结果表明,奖励力度、惩罚力度等参数影响着员工策略的变化,物流企业可加大对员工不积极参与安全行为的处罚力度,并适当提高奖励力度,从而提高员工的参与安全活动的积极性;物流企业还应建立奖励与惩戒相结合的管理制度,同时通过技术创新降低监督成本,实现对员工安全的有效监管。     

Y型通风沿空留巷巷道围岩活动规律研究

为掌握沿空留巷围岩活动规律,以谢桥矿12418工作面轨道顺槽为工程背景,采用多点位移计及钻孔窥视仪等设备进行实测研究,并结合数值模拟对其进行分析.结果表明:沿空留巷巷道表面围岩变形具有典型的近场效应,留巷前距工作面60 m以外的巷道基本无表面位移,随工作面的推进,巷道表面位移逐渐增大,距工作面10～15m范围内,表面位移变化速率显著增加,留巷后巷道表面位移与留巷前变形趋势类似,但表面位移量较留巷前有明显增加;从顶板钻孔窥视结果可以看出,留巷前仅在孔深2 m处发育单一离层裂隙,留巷后在孔深1.2m、2.4 m、3.8m和5.3m处发育多层离层裂隙,且随滞后工作面距离增加裂隙逐渐增大;尾巷充填体应力在充填材料固结后逐渐升高,并一直维持较高应力状态,因此,巷旁充填体既要确保有一定的强度和刚度,又要有一定的适应变形能力.     

采空区上覆火成岩断裂致灾机理研究

为了解释采空区影响下火成岩断裂破坏诱发地表裂缝的形成原因,通过建立两种采动影响下的火成岩断裂物理力学模型,推导出采动影响下火成岩初次断裂和周期性断裂判据。结合铁法晓南矿开采出现的地表裂缝,分析了火成岩断裂破坏机理,并对火成岩断裂破坏进行了预测。通过与现场实测地表裂缝位置加以验证,证明了所建力学模型的可靠性,并给出了后续生产中关于地表裂缝的规避性建议。     

露天矿采空区爆破合理孔底填塞长度与起爆位置确定

为研究孔底填塞长度与起爆位置对露天矿采空区上覆岩石台阶爆破的影响,进行了数值模拟和工业试验。运用ANSYS/LS-DYNA软件构建了爆破模型,分析了存在采空区时台阶的爆破机理,通过对比分析不同孔底填塞长度、不同起爆位置下爆破时岩石拉应力及动能变化,揭示其对采空区爆破效果的影响,确定了采空区上覆岩石台阶的合理爆破方法,并通过工业试验进行了验证。结果表明:采空区的存在导致爆破能量的利用效率降低;中间起爆技术适合采空区上覆岩石爆破;孔底填塞长度在一定临界范围内时,爆破能量的利用效率是最佳的;确定了武家塔露天煤矿采空区上覆岩石台阶爆破采用中间起爆技术且孔底填塞长度为2 m。     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.     

基于QSPR方法的烃类物质苯胺点预测

烃类物质在石油工业中有着非常广泛的应用.在石油工业中常用苯胺点来衡量有机溶剂的溶解性能.基于定量结构-性质相关性(QSPR)原理,根据分子结构计算反映分子结构信息的结构参数,应用遗传函数算法从大量结构参数中优化筛选出与烃类物质苯胺点最为密切相关的结构参数作为表征相应化合物结构特征的分子描述符,采用多元线性回归方法对分子描述符与苯胺点之间的定量函数关系进行关联,建立了预测烃类物质苯胺点的理论模型.最后,对模型进行了内部及外部验证来检验模型的可靠性.在此基础上,对所建立的预测模型进行机理解释,分析了影响烃类物质苯胺点的主要结构因素及其影响规律.研究表明,所建模型具有较高的稳定性和预测能力.