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。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

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CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

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。     

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。     

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MATLAB的灰色预测系统及其对抽采瓦斯钻孔流量的数值模拟

研究钻孔瓦斯流量的变化及其变化趋势对抽采煤层瓦斯涌出量及钻孔瓦斯涌出初速度等参量的判定具有较大的实用价值。笔者将煤层抽采瓦斯钻孔看作一个灰色系统,利用灰色系统理论,以原始时间序列数据为基础,建立抽采瓦斯钻孔流量的模拟和预测GM(1,1)模型。针对数值模拟中大量的矩阵计算,利用MATLAB软件编制高效的计算机程序,实现了对抽采瓦斯钻孔流量的模拟和预测。为了检验模型模拟和预测结果的精度,选择了合理的误差检验模型。通过工程实例证明了GM(1,1)模型可信度较高,关联度较好,均方差比值为一级,拟合优度高。对瓦斯抽采设计和矿井安全生产具有一定的指导意义。     

GIS支持下基于非线性理论的煤与瓦斯突出综合预测模型

为弥补单一模型缺陷,提高预测的可靠性和准确性,提出了煤与瓦斯突出综合预测.根据煤与瓦斯突出的机理,选取模糊数学、灰色理论、物元分析模型、神经网络及支持向量机5种成熟的非线性方法作为综合预测的数学模型,应用灰色关联度模型确定预测指标,建立了基于非线性理论的煤与瓦斯突出综合预测模型.分析了GIS支持下基于非线性理论的煤与瓦斯突出综合预测系统的集成方法及关键技术,开发了快速综合预测系统并进行了应用.研究表明,该系统能够快速预测突出危险性.相比于单一模型,该方法综合了多种数学模型,预测结果具有较高的准确性及可信性.     

基于多因素的LSTM瓦斯浓度预测模型*

为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。     

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%。     

基于多源数据融合的煤矿工作面瓦斯浓度预测*

为了解决瓦斯浓度预测使用的单一数据在预测中影响还不够深入的问题,提出基于LSTM神经网络的多源数据融合瓦斯浓度预测模型。模型将上隅角瓦斯浓度、采煤机速度、工作面吨煤瓦斯涌出量等不同数据融合作为输入层参数,使用Adam优化算法更新LSTM网络层参数,利用Attention机制突出关键影响瓦斯浓度的因素,开展多源数据融合的瓦斯浓度预测,结合某矿1008工作面的实际数据,分析不同数据在瓦斯浓度预测中的作用。研究结果表明:单变量下的Attention-aLSTM预测效果相比LSTM提升14.2%;多源数据融合下的Attention-aLSTM相比自身提升了5%。     

煤矿瓦斯涌出时序预测的自组织数据挖掘方法

为分析煤矿瓦斯涌出复杂系统时间序列预测方法,提出自组织数据挖掘(SODM)与相空间重构(PSR)相结合的预测建模方法。首先应用C-C方法计算时间序列的最佳嵌入维数和延迟时间后进行PSR;然后以二元二次方程为传递函数,以嵌入维数变量为自变量,以延迟时间后的时间序列为因变量,通过内准则确定传递函数系数和外准则选择最优传递函数,并以最优传递函数的输出为下层迭代传递函数的输入,最后获得最优复杂度预测模型。算例结果表明:该方法对煤矿瓦斯涌出量预测的相对误差为-5.751 7% ~6.049 3%,平均相对误差2.145 7%,预测结果能满足煤矿安全生产实际工程应用要求。     

曲线回归与傅里叶级数组合方法在瓦斯抽采量预测中的应用

为解决瓦斯抽采量的预测问题,针对瓦斯抽采量随时间的变化波动性较大的特点,用曲线回归和傅里叶级数组合方法,建立关于瓦斯抽采量的预测模型。首先采用基于最小二乘原理的曲线回归研究瓦斯抽采量总体趋势,得到回归方程。将瓦斯抽采量观测值与曲线回归结果相减,可得瓦斯抽采量各实测值在回归曲线上的波动值。采用Fourier级数分析该波动规律,得到其Fourier级数方程,将回归方程与Fourier级数方程相加即可完成预测模型的建立。研究结果表明,将此模型应用到某矿瓦斯抽采量预测分析中,预测结果精确度可达到98.39%。