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。     

基于双耦合算法的煤与瓦斯突出预测模型

为提高煤与瓦斯突出预测精度,有效预防瓦斯突出灾害,将等距映射(IsoMap)算法与优化加权向量机耦合算法(DDICS-WLS-SVM)相结合,建立煤与瓦斯突出双耦合算法预测模型。首先利用非线性流形学习IsoMap算法对煤与瓦斯突出高维数据进行数据挖掘,提取其低维本质特征参量;然后通过逐维改进布谷鸟(DDICS)算法对加权最小二乘向量机(WLS-SVM)的正则化参数λ和高斯核参数σ进行寻优;最后对双耦合算法预测模型进行仿真试验,将IsoMap算法提取的低维本质特征作为该预测模型的输入,煤与瓦斯突出强度值作为模型的输出,并与PSO-SVM、LS-SVM方法的预测结果进行对比。结果表明:双耦合算法预测模型的平均相对误差为1.825%,最大相对误差为2.63%,该预测模型具有较高的预测精度。     

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LLE-ELM的矿井瓦斯涌出量预测方法研究

基于局部线性嵌入(Locally Linear Embedding,LLE)算法和极限学习机(Extreme Learning Machine,ELM)神经网络建立矿井瓦斯涌出量预测模型,该预测模型运用LLE算法对矿井瓦斯涌出量影响因素样本进行数据挖掘,得到降维后的有效因子,再将这些有效因子作为ELM神经网络的输入层进行训练和预测。利用某矿井的实测数据进行实例分析,结果表明该预测模型预测速度快,精度高,能够用于矿井瓦斯涌出量预测。     

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。     

SFLA-Verhulst组合模型预测矿井瓦斯涌出量

针对矿井瓦斯涌出量的时变性、波动性、非线性以及不确定性等特征,提出了SFLA-Verhulst组合预测模型,用于对具有非线性动态特征的瓦斯涌出量进行预测。该模型通过蛙跳算法对Verhulst模型的背景值参数寻优,并引入一次指数平滑法对原始数据进行优化处理,建立了基于混合蛙跳算法的SFLA-Verhulst组合预测模型;结果使模型在原始数据不准确或存在误差干扰的情况下仍能进行精度较高的预测。将新模型应用于某矿瓦斯涌出量预测,并对模型的预测结果进行检验分析,结果表明:该模型在结合蛙跳算法的全局寻优特点后预测精度较传统的GM(1,1)模型有明显的提高,适用性更强。     

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。     

基于灰建模的瓦斯含量多变量预测模型研究

研究了GM(1,N)、GM(0,N)瓦斯含量预测模型的数学原理,收集郑煤集团告成矿地质勘探期间及生产期间的瓦斯含量实测资料,获得16个可靠点,选取基岩厚度、新生界厚度、煤层厚度、煤层水分、煤层灰分、50m顶板含砂率6个因素作灰色建模预测的指标,分别建立了GM(1,6)和GM(0,6)瓦斯含量多变量预测模型。根据计算和评价结果,GM(1,6)和GM(0,6)瓦斯含量预测模型精度均能够满足工程精度的要求,说明利用灰色模型来预测瓦斯含量是可行的。由于前者精度略高于后者,故建议告成矿采用GM(1,6)模型来进行未知地区煤层瓦斯含量的预测。需要注意,由于模型没有考虑构造的影响,在实际预测时,还应根据构造对待预测区的影响关系和影响程度对模型的预测结果进行修正。     

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。     

滴道矿立井28#煤层瓦斯含量灰色关联分析及预测

针对滴道矿立井瓦斯灾害严重的现状,应用灰色系统理论对28#主采煤层进行了瓦斯含量与影响因素的关联分析,建立了瓦斯含量与主要影响因素的GM(1,4)灰色预测模型,并进行了瓦斯含量预测。结果表明:煤层底板标高、灰分和瓦斯成分CH4是影响28#煤层瓦斯含量的主要因素;所建立的灰色预测模型具有良好的精度,能够应用于瓦斯防治工作。     

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。     

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。     

矿井相对瓦斯涌出量动态无偏灰色马尔科夫预测

矿井瓦斯涌出量预测对于煤矿瓦斯防治具有重要意义。为预测矿井瓦斯相对涌出量,以传统灰色GM(1,1)模型为基础,构建动态无偏灰色马尔科夫模型,通过分析潞安矿区某矿2003—2010年的煤矿相对瓦斯涌出量数据,预测2011—2012年煤矿相对瓦斯涌出量数据,利用无偏灰色GM(1,1)模型代替传统灰色GM(1,1)模型,通过拟合得到煤矿相对瓦斯涌出量数据变化趋势,并在此基础上利用马尔科夫模型进行预测,并在此预测中进行原始数据更新,并对4种预测方法的预测结果进行对比分析。结果表明,动态无偏灰色马尔科夫模型不但能够消除传统灰色GM(1,1)模型自身的固有偏差,而且能提高预测精度,平均绝对误差为3.2%,平均相对误差为2.59%,均低于传统灰色GM(1,1)模型与一般灰色马尔科夫模型。动态无偏灰色马尔科夫模型对于煤矿相对瓦斯涌出量数据的平均预测精度达到96.74%。     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

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。     

边坡变形的LMD-ELM多尺度预测模型研究

为准确预测边坡变形,有效预防边坡灾害发生,提出构建基于局域均值分解(LMD)和极限学习机(ELM)的边坡变形多尺度预测模型。用LMD方法,将边坡变形时间序列分解为多尺度且相对平稳的随机项、周期项和趋势项。针对各项时间序列,分别构建基于ELM的预测模型。经累加各分项预测值,获得模型最终预测结果。以甘肃某边坡变形为案例,进行实证分析。结果表明:LMD-ELM模型能够充分挖掘数据内部隐含的变形规律,有效诠释多尺度变形与其诱发因素间复杂的响应关系,预测精度、运行速度和拟合泛化能力较其他模型有所提高。     

两种预测模型在煤层瓦斯抽采量预测中的对比分析

本文分别采用灰色GM(1,1)预测模型与灰色马尔科夫预测模型对贵州某矿21124工作面运输巷本煤层瓦斯抽采量进行预测,其中灰色GM(1,1)预测模型的绝对误差为13.33%,灰色马尔科夫预测模型的绝对误差为4.22%;利用残差检验法对以上两种预测模型进行精度检验,其中灰色GM(1,1)预测模型的小误差概率为0.25,均方差比值为1.55,马尔科夫预测模型的小误差概率为0.92,均方差比值为0.46,结合预测精度等级划分,看出后者的预测精度级别更高;灰色马尔科夫预测模型更适合数据波动性较大的煤层瓦斯抽采量预测,与灰色预测模型相比,该法具有预测误差更小、预测精度更高、预测规律更符合实际数据的真实变化趋势等优点。