大同矿区煤的导热系数灰色关联分析及预测

为分析煤质指标及密度对导热系数的影响作用,选取了山西大同矿区的不同煤质煤样,进行导热系数测定实验,应用灰色系统理论对导热系数与影响因素进行灰色关联分析,建立导热系数与主要影响因素的GM(1,4)灰色预测模型,进行导热系数预测。结果表明:固定碳、密度和水分是影响煤导热系数的主要因素;根据得出的主要影响因素建立的GM(1,4)预测模型平均相对误差为4.5%,预测精度较高,能够用于导热系数的预测。     

基于煤氧复合过程分析自然发火期预测技术研究

国内外对煤炭自然发火期的几种定义和计算方法,重点介绍基于煤氧复合过程分析的自然发火期的定义,根据自然发火模型,提出了煤层自然发火期预测方法。该技术在兖州矿区东滩煤矿４３０８沿空轨顺等得到验证。得出的结论给煤自然发火期的定义、计算及煤自然发火的预测、防治提供了一个新思路。     

用灰关联分析和神经网络方法预测煤与瓦斯突出

本文应用灰色系统理论的灰色关联分析,对煤与瓦斯突出影响因素进行灰关联分析,得出了各影响因素对煤与瓦斯突出影响程度的大小排序,选择灰关联分析的五个优势因子:瓦斯放散初速度、坚固性系数、瓦斯压力、煤体破坏类型和开采深度,作为输入参数,用计算机对神经网络编写程序,建立了煤与瓦斯突出预测的神经网络模型.用我国典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本进行验证.     

基于网络分析和联系熵的煤与瓦斯突出预测研究

以煤与瓦斯突出预控为目的,将网络分析法和联系熵理论相耦合,建立了煤与瓦斯突出预测的ANP-CE模型。该模型运用网络分析法建立了煤与瓦斯突出预测指标网络模型并计算预测指标权重分布,划分了突出危险性等级及其相应的指标临界值,确定了各危险等级的联系熵范围。结合工程实例,预测结果与工程实际情况相符,表明了该预测模型在计算预测指标权重分布和煤与瓦斯突出危险性预测上具有可行性和合理性,为煤与瓦斯突出预测方法提供了一种新的途径。     

基于BP神经网络的煤与瓦斯突出预测系统开发

煤与瓦斯突出影响因素多,难以为其建立合适的多指标非线性预测模型,为提高突出预测的准确性和增强预测预报方法的实用性,采用改进的BP算法建立煤与瓦斯突出预测数学模型。通过研究不同算法的突出预测效果,对已建模型的泛化能力进行检验,利用Matlab GUI和神经网络工具箱设计开发煤与瓦斯突出预测系统,通过向系统输入已知的突出样本数据,经过学习、训练,实现对未知参数的预测。仿真结果表明:网络在训练300次后,误差训练曲线的均方差(MSE)可以达到10-15,实际预测误差也小于0.1,系统得到的5组数据预测结果与实际情况相符。     

基于自记忆模型的煤与瓦斯突出电磁辐射预测研究

利用实验测定的电磁辐射信号时间序列,用双向差分原理反导出一个非线性常微分方程;以其为微分动力核,运用动力系统数据机理自记忆模式构造自记忆方程并求出自记忆系数;利用该方程预测未来电磁辐射信号的变化,并与现场测定对比分析,用误差分析和距平分析法验证该模型正确性和预测准确率。实例表明:该自记忆模型预测与实测结果是一致的,相对误差均在6.7852%左右,距平符合率为90%;自记忆方法能有效应用于煤与瓦斯突出电磁辐射动态预测中;该模型与电磁辐射预测方法的有机结合能有效地提高预测准确性,从而为煤与瓦斯突出电磁辐射预测技术提供了一种新的研究途径。     

基于煤氧复合过程分析的自然发火期预测技术研究

国内外对煤炭自然发火期的几种定义和计算方法,重点介绍基于煤氧复合过程分析的自然发火期的定义,根据自然发火模型,提出了煤层自然发火期预测方法.该技术在兖州矿区东滩煤矿4308沿空轨顺等得到验证.得出的结论给煤自然发火期的定义、计算及煤自然发火的预测、防治提供了一个新思路.     

人工神经网络在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生机理的复杂性,传统预测方法的应用受到很大的限制,而人工神经网络理论以其高度非线性映射的特性为解决这一问题提供了新的途径。以突出预测指标为基础,利用多层反向传播神经网络(BP网络)模型实现对突出危险性的预测。实例分析表明,模型精度很高,可用于工作面煤与瓦斯突出危险性的预测。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

基于灰色系统理论的煤与瓦斯突出预测

为了对煤与瓦斯突出事故进行有效的预防与控制 ,笔者应用灰色系统理论中的灰色聚类评估方法 ,对矿井的煤与瓦斯突出进行了预测。经实例证明 ,与常用的预测方法相比 ,灰色聚类预测方法具有能动态预测、预测准确等优点。该方法将影响突出的多个因素综合系统的来考虑 ,跳出了常规预测方法只依靠单一指标进行预测的圈子 ,提高了预测的准确性。研究结果表明 ,该方法能准确地反映矿井煤与瓦斯突出规律 ,是一种新的煤与瓦斯突出预测的方法     

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。     

基于热线法的不同水分含量松散煤体热物性实验与模拟研究

为解决松散煤体热物性参数的测试周期长与实验误差大等问题,构建测试装置实验平台,结合交叉热线法和平行热线法,对松散煤体热物性参数进行准确测量与计算,对1～2 mm,0.5～0.6 mm和0.2～0.3 mm 3种不同粒径煤样在不同水分含量下的热物性参数的变化规律进行研究,利用Fluent数值模拟软件对松散煤体温度场进行模...     

单轴应力对煤自燃特性参数和导热系数的影响研究

为探究单轴应力作用下煤氧化和传热特性,利用自制荷载加压煤自燃特性参数测定装置对炉体内长焰煤煤样进行程序升温。结合程序升温过程中煤临界温度Tc和Tg,对其进行阶段划分:阶段1为30℃~Tc;阶段2为Tc~Tg。计算了不同单轴应力下2个阶段煤表观活化能和平均耗氧速率。根据能量守恒得出程序升温过程煤导热系数随温度的变化,进一步分析煤导热系数与单轴应力的关系。结果表明:阶段1单轴应力为4 MPa时为临界轴压,煤表观活化能最大,平均耗氧速率最小;阶段2煤表观活化能和平均耗氧速率随单轴应力增大均呈抛物线变化,单轴应力为2.7 MPa时为临界轴压,煤表观活化能最大,平均耗氧速率最小;阶段1和2煤导热系数随温度升高均先减小后增大,并且煤导热系数随单轴应力增大呈三次函数变化。     

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。     

基于数据填补-机器学习的煤与瓦斯突出预测效果研究*

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补（MI）和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。     

基于热爆炸理论的煤燃点确定及动力学分析

为准确判断煤燃点,提高煤自燃灾害防治能力,依据热爆炸理论,结合煤自燃过程放热曲线,将煤自燃升温过程中微分热流曲线上第1处极小值点作为煤的燃点,计算煤着火前后放热过程动力学参数变化.结果表明:随升温速率增加,煤自燃反应放热过程逐渐向高温区域移动,煤燃点逐渐增大,反应的活化能逐渐减小;同一升温速率下燃点之后煤的活化能增大;...     

基于决策树模型的煤矿安全事故严重程度分析与预测

为将数据挖掘技术应用于煤矿安全管理,通过对我国1999—2015年29 000多条煤矿安全事故数据的研究,系统分析了事故发生的区域、时间、类型和企业信息等因素对事故严重程度的影响及彼此之间的相关性。通过构建决策树分类模型,在给定事故相关信息的基础上,对事故严重程度进行分类预测;基于数据类别不平衡的特点,采用欠采样的抽样方法,同时利用梯度提升的组合分类器来提高分类精度。结果表明,采用的数据挖掘模型在预测不同严重程度的事故上均达到了较高精度。     

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。