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     

煤与瓦斯突出预测指标的灰色优选

运用灰色理论中灰关联分析数学模型,定量分析了六种预测煤与瓦斯突出的指标,并确定了最佳预测指标,为煤与瓦斯突出预测指标的选择提供了定量化依据。     

煤与瓦斯突出预测指标的灰色优选

运用灰色理论中灰关联分析数学模型，定量分析了六种预测煤与瓦斯突出的指标，并确定了最佳预测指标，为煤与瓦斯突出预测指标的选择提供了定量化依据。     

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。     

基于灰色系统理论的煤与瓦斯预测预报系统的研究

本文将煤体温度变化、电磁辐射、声发射以及煤的破坏类型和煤层的地质构造综合起来考虑,应用灰色系统理论中的多维灰色评估方法,对煤与瓦斯突出灾害进行预测,以提高瓦斯突出预测预报的准确性。并编制了煤与瓦斯突出预测预报系统软件,为煤与瓦斯突出预测提供一种新思路和新方法。     

数量化理论Ⅲ及其在煤与瓦斯突出危险性评估中的应用

研究了数量化理论Ⅲ建立煤与瓦斯突出危险性的原理和方法,以瓦斯地质学理论为基础,建立了包括煤层瓦斯含量、煤层瓦斯压力、煤层分岔合并现象、地质构造复杂程度、煤的破坏类型等11个地质因素的煤层突出危险性评估指标体系。以数量化理论Ⅲ为工具,实例分析得出马依西一井3煤层突出危险性的敏感地质因素及因素轴F1,以该轴上得分大于0.1的地质因素作为强突出的敏感地质因素;得分小于-0.1的地质因素作为弱突出的敏感地质因素,得分在0.1--0.1之间的地质因素作为中等突出的敏感地质因素,将矿井划分为强突出、中等突出和弱突出三个区域。该方法实现了地勘阶段煤与瓦斯突出的定量分析,进一步细化了突出区域的划分。     

改进BP算法在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性 ,基于反向BP神经网络 ,笔者提出了一种改进的BP网络模型 :为了加快BP网络的收敛速度 ,增强其跳出局部极小点的能力 ,采用了自适应变步长法和改进模拟退火法 (SA法 )相结合的方法。实际应用表明 ,该模型收敛速度快 ,准确性高 ,具有较高的可靠性和实用性 ,是一种十分有效的煤与瓦斯突出危险性预测方法。     

基于瓦斯地质与监控信息耦合的煤与瓦斯突出预测方法

在矿井瓦斯地质研究基础上,从地质、瓦斯及监测监控3方面选取9个指标构建了煤与瓦斯突出预测指标体系,并利用多元信息耦合技术建立了煤与瓦斯突出预测模型。其中特征级运用模糊综合评判对数据级预测指标信息进行耦合,决策级运用D-S证据理论对特征级预测信息进行耦合,通过分级耦合得出反映煤与瓦斯突出危险性等级的可信度值。以郑煤集团超化煤矿31041工作面下付巷为例,一方面将预测等级和现场预测等级及钻孔动力现象记录进行对比,另一方面对信息耦合模型的准确性和可靠性进行验证,结果表明应用多元信息耦合模型对煤与瓦斯突出预测是可行的。     

瑞利波预测煤与瓦斯突出

瑞利波勘探是近年来发展起来的一种新型的岩土原位测试勘探方法。笔者重点对瞬态瑞利波相速度的算法进行了研究。提出了对信号进行预先调制 ,随后再对所求得的相位进行修正的方法 ;另为还须考虑其仪器采集信号时的时间差影响。根据以上算法求得的相速度更接近瑞利波真速度 ,从而提高了相速度的分辨率和精确度。把瞬态瑞利波勘探法运用在矿山生产中 ,利用平面瑞利波的频散特性 ,根据瑞利波的传播速度与煤岩的物理力学性质具有相关性 ,提出了一种新型的预测煤与瓦斯突出的方法。为矿井安全生产预测预报瓦斯突出提供了一种新的手段 ,同时对突出煤层掘进前方突出危险区和安全距离的分析判断提供了一种新的方法     

煤与瓦斯突出预测的Fisher判别分析法及应用

在综合分析煤与瓦斯突出多种影响因素的基础上,将Fisher判别分析应用到煤与瓦斯突出预测中,结合我国典型煤与瓦斯突出煤矿17个突出实例,建立了煤与瓦斯突出预测的Fisher判别分析模型,模型回代预测的误差率为0。应用该模型对云南恩洪煤矿8个突出实例进行预测,并与单项指标法、综合指标法、BP网络进行比较。结果表明,Fisher判别分析模型具有较高的可靠性和精确性,能对煤与瓦斯突出进行有效预测。     

平煤集团煤与瓦斯突出强度预测的模糊综合评判

依据平煤集团历年煤与瓦斯突出事例的统计数据,应用7±2心理极限概念,合理选定模糊评判因素集,采用层次分析法确定各因素对突出强度的贡献度权重;采用定性数据定量化理论建立了各因素隶属于大型突出、中型突出和小型突出的隶属度;采用二级模糊综合评判方法和“加权平均型”评判数学模型,在国内外首次建立了煤与瓦斯突出强度预测模糊综合评判方法,按最大隶属度判别准则实现对突出强度的定量预测。对平煤集团91次突出事例突出强度预测验证表明,验证正确率为94 .5 % ,说明提出的煤与瓦斯突出强度预测方法在技术上是可行的,对突出矿井煤与瓦斯突出预测具有重要的指导意义。     

模糊综合评价法在煤与瓦斯突出危险性评估中的应用

为了直观准确地对煤矿进行煤与瓦斯突出危险进行评估,在工程实践中建立了安全评价模型,确定了体系层次结构,运用模糊数学方法和层次分析法合理地确定了各因素的权重以及各因素评判和整体综合评判,提高了结果的科学性、实用性。     

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。     

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。     

GRNN模型在煤与瓦斯突出及瓦斯含量预测中的应用

煤与瓦斯突出的作用机理非常复杂,是诸多因素如地应力、煤层瓦斯、煤体物理力学性质等共同作用的结果。在分析广义回归神经网络(GRNN)的基本原理和算法的基础上,建立煤与瓦斯突出等级以及基于构造复杂程度定量评价的瓦斯含量GRNN模型。然后用收集到的工程实例样本训练和检验该模型。结果表明,GRNN模型具有很好的预测能力和泛化能力,能较好揭示瓦斯含量和诸影响因素间的关系,可用于煤与瓦斯突出判别以及瓦斯含量预测。同时可以看出,光滑因子的合理选取对于提高GRNN模型的预测精度非常重要,因此,在以后的实际应用中需要不断尝试,找出最合理的光滑因子。     

应用层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测

现场测定某矿掘进工作面煤与瓦斯突出的预测指标值,该指标包括:电磁辐射强度、电磁辐射脉冲、软分层厚度、钻屑量、瓦斯涌出初速度和综合指标R;运用层次分析法确定各预测指标的重要程度;利用模糊数学综合评价方法对煤与瓦斯突出的危险性进行综合预测。结果表明,该方法对煤与瓦斯突出的预测结果与综合指标R预测情况符合性较好,具有较强的实用性和可靠性,对煤矿的安全生产工作具有一定的指导作用和借鉴价值。     

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。     

支持向量机法在煤与瓦斯突出分析中的应用研究

通过分析采煤工作面煤与瓦斯涌出量与地质构造指标的对应关系,应用支持向量机(SVM)方法对煤与瓦斯涌出类型及涌出量进行分析。建立两类突出识别的SVM模型、多类型突出识别的H-SVMs模型以及预测瓦斯涌出量的支持向量回归模型。研究结果表明:SVM方法能够很好地对煤与瓦斯突出模式进行识别,所建立的采煤工作面瓦斯涌出量预测模型的精度高于应用BP神经网络预测精度;SVM理论基础严谨,决策函数结构简单,泛化能力强,并且决策函数中的法向量W可以反映突出模式识别的地质结构指标的权重。