以涌出量预测原始瓦斯含量方法的应用

本论文结合鸿岭煤业有限公司井下实测点具体分析原始瓦斯含量的计算过程,得出各个测点的原始瓦斯含量有三部分组成,现场解析瓦斯含量、实验室残存瓦斯含量、损失瓦斯含量。     

矿井深部相对瓦斯涌出量的简易预测

根据灰色系统理论，结合一元线性回归，建立了矿井瓦斯涌出量深变化的动态数学模型，实例分析表明，该模型的精度较高，计算简便。     

瓦斯涌出量预测方法及问题

今年7月底,国家煤矿安全监察局针对一些高瓦斯和低瓦斯矿井相继发生了煤与瓦斯突出事故的情况,要求强化煤矿瓦斯防治基础工作,立即组织开展矿井瓦斯等级鉴定。而开展矿井瓦斯等级鉴定,必须掌握瓦斯涌出量预测方法。     

矿井瓦斯涌出量预测的灰色建模法

简要介绍了瓦斯涌出量的常用预测方法 ,指出了各种预测方法的弊端 ,从矿山实际出发 ,把非等间距数列变为等间距数列 ,根据灰色理论提出的预测方法 ,利用不同采深瓦斯涌出量的原始数据建立矿井瓦斯涌出量的动态GM(1,1)模型 ,进行瓦斯涌出量预测 ,选择了合理的误差检验模型 ,并通过实例说明了GM(1,1)模型在预测瓦斯涌出量中的应用 ,结果表明预测程度较高。对矿井延深做好瓦斯涌出量预测并进行矿井安全生产具有很好的指导意义。     

矿井深部相对瓦斯涌出量的简易预测

根据灰色系统理论,结合一元线性回归,建立了矿井瓦斯涌出量随采深变化的动态数学模型。实例分析表明:该模型的精度较高,计算简便。     

金地井田煤层瓦斯分布规律研究及工作面瓦斯涌出量预测

掌握煤层瓦斯分布规律是保证矿井安全生产的必要技术条件之一。根据金地井田的地质构造特征,由现场实测8号、13号煤层瓦斯含量和气体组分实验室分析测定结果,结合煤层瓦斯垂直分带理论,判定金地井田范围内8号、13号煤层均处于瓦斯风化带。应用分源预测法,对金地井田不同生产时期的回采工作面瓦斯涌出量含量进行预测,认为受井田中东部大面积13号煤层隐伏露头影响,8号、13号煤层处于瓦斯风化带中的氮气-甲烷带,但无法进行瓦斯变化样度计算。该研究可为该矿井投产后瓦斯安全管理提供量化参考。     

基于小波神经网络的瓦斯涌出量预测研究

准确地预测瓦斯涌出量对于指导矿井设计和安全生产有重要意义,而瓦斯涌出量是一个与自然因素及开采技术等多因素有关的非线性建模问题。鉴于传统神经网络方法解决非线性问题收敛速度慢,易陷入局部最优解的缺陷,笔者提出一种既充分利用小波变换的时频局部化性质,又能结合神经网络的自学习能力的小波神经网络预测瓦斯涌出量的方法,并建立了预测模型。在此基础上,采用Delphi语言,设计了小波/BP神经网络仿真器。通过实例分析表明该方法较传统神经网络收敛迅速,预测精度高。     

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。     

采煤工作面瓦斯涌出量预测的神经网络模型

正确预测瓦斯涌出量,对于指导矿井设计和安全生产有重要意义。为此,应用神经网络理论,建立了采煤工作面瓦斯涌出量的预测模型,对其影响因素进行了权重排序,并确定了关键因素。实际应用表明,预测模型可信,精度能满足要求。     

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QPSO-RBF的瓦斯涌出量预测模型

为了提高径向基(RBF)网络预测瓦斯涌出量的泛化能力,提出QPSO-RBF模型。该模型采用量子粒子群(QPSO)算法优化RBF网络隐层基函数中心、扩展系数以及输出权等初始参数,将网络参数编码为QPSO学习算法中的粒子个体,在全局空间中搜索最优适应值参数。其中,RBF网络选取5-3-1的精简结构,采用5个变量作为影响因子预测瓦斯涌出量。结果表明,经QPSO优化后的RBF网络模型预测结果稳定且唯一,其泛化指标平均相对变动值(ARV)为0.012 2。与PSO-RBF、RBF模型预测结果比较,QPSO-RBF模型的泛化能力和网络训练速度优于前2种;预测精度约为PSO-RBF模型的1.5倍、RBF模型的4倍。     

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。     

基于模糊神经网络的煤层瓦斯含量预测研究

为提高未采区煤层瓦斯含量预测的准确性,在分析研究影响煤层瓦斯含量的主要地质因素的基础上,借助模糊数学作为表达与处理不精确数据、模糊信息的手段,以神经网络作为解决问题的途径,将模糊数学与神经网络有机结合,建立基于模糊神经网络的煤层瓦斯含量预测模型。研究结果表明:模糊神经网络模型不仅能够较好地解决模糊信息难于定量表达、学习样本难于确定等问题,而且能够较准确地提取出煤层瓦斯含量与其各个影响因素之间的非线性关系。通过实例运算验证,其预测精度较神经网络模型提高了4.84%～25.79%,应用于煤层瓦斯含量预测的效果更为理想,具有良好的应用前景,可以为实施科学的矿井瓦斯管理、预防各种瓦斯事故提供理论依据。     

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。     

瓦斯涌出严重程度分形预测研究

为了研究瓦斯涌出严重程度与地质构造之间的定量关系,以某矿井田为例,采用分形几何学手段研究了井田地质构造的分形特征,并将构造分维数与瓦斯涌出严重程度作了对比分析。其结果表明:所研究矿井田地质构造具有分形特征,构造分维数能够定量地描述地质构造的复杂程度,构造分维数与瓦斯涌出严重程度之间存在正相关关系,分维值大于1.3的区域是有可能发生瓦斯异常涌出的区域。该研究成果对于高瓦斯矿井进行瓦斯区域预测研究具有重要的理论和实用价值。     

基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。     

地质动力区划预测煤与瓦斯突出

为了确定煤与瓦斯突出矿井的突出危险区域,威胁区域和安全区域,提出基于地质动力区划的多因素模式识别概率预测方法预测煤与瓦斯突出的新思路。以鸡西滴道矿立井为研究对象,利用地质动力区划方法确定不同尺度和级别构造运动的特征,建立板块构造学说与矿井工程实际的联系,将对矿井煤与瓦斯突出产生影响的因素为参数,采用多因素模式识别概率预测方法划分研究区域内的危险区域。研究表明该方法对煤与瓦斯突出区域预测的合理性与有效性,可以在实际工程中应用推广。     

基于MMAS-BP的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度的预测精度及预测速度,用最大最小蚂蚁系统和BP神经网络相结合的方法进行预测模型设计。根据煤与瓦斯突出强度及其主要影响因素之间的关系数据,建立其神经网络的预测模型。以网络的权值和阈值为自变量,网络误差为目标函数,通过蚁群算法的迭代运算,搜索出误差的全局最小值,以实现BP神经网络的初始权值、阈值优化,并用优化后的网络进行瓦斯突出强度的预测。实例结果表明,MMAS-BP算法的预测值均方差为0.089,约为BP神经网络的0.1倍,且输出稳定性好,适用于煤与瓦斯突出强度的预测。     

煤与瓦斯突出预测的支持向量机(SVM)模型

基于支持向量机(SVM)分类算法,考虑影响煤与瓦斯突出的主要因素,建立了煤与瓦斯突出预测的SVM模型。该模型选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度5个指标作为模型输入量,同时将煤与瓦斯突出程度划分为无突出、小型突出、中型突出和大型突出4个等级,进而使其评判结果更为细化。以实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行预测。通过算例分析,表明该模型的方法对煤与瓦斯突出预测的合理性与有效性,可以在实际工程中推广。