投影寻踪聚类方法在煤与瓦斯突出危险性预测中的应用

为了提高煤与瓦斯突出预测的准确率,在研究矿井瓦斯地质特征基础上,建立煤与瓦斯突出预测指标体系,应用投影寻踪方法和聚类方法构建了煤与瓦斯突出危险性预测的投影寻踪聚类模型。该模型通过计算反映煤与瓦斯突出危险程度的一维投影特征值,并对其进行聚类分析,得出煤与瓦斯突出危险性等级。将模型应用于平煤八矿戊9,10-21030工作面回风巷,预测等级与实际煤与瓦斯突出情况吻合度较高。结果表明,应用投影寻踪聚类方法对平煤八矿进行煤与瓦斯突出危险性预测是可行的。     

平煤八矿煤与瓦斯突出特征及其与预测指标关系的研究

针对平煤八矿煤与瓦斯突出特征,采用现场观测、数理统计及瓦斯地质方法,研究煤与瓦斯突出规律及其与日常预测参数的关系。研究表明,地质构造对煤与瓦斯突出有明显的控制作用,日常预测参数q,S值超标严重位置与煤与瓦斯突出点分布具有一致性。通过跟踪观测瓦斯地质异常变化及日常校检参数超标情况,将二者有效结合起来预测采掘工作面前方煤与瓦斯突出危险性,对提高预测准确性,保证采掘工作面安全高效生产有着重要的意义。     

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。     

非突出煤层升级方法和指标体系的探讨

以淮南矿业集团B8煤为研究对象,针对《煤矿瓦斯防治经验五十条》关于非突出煤层升级的一些规定和指标确定的难点,通过对实际突出点的瓦斯地质条件调查分析、现场跟踪考察和实验室实验,重点考察和分析煤层突出危险性与地质构造、构造软煤厚度及瓦斯赋存的关系,结合日常生产中容易获取的各参数,构建了非突出煤层升级的方法和指标体系。该体系中:区域升级指标以相对较容易获取的煤层瓦斯含量和软煤厚度为主要指标;以f,△P值为经常检验的辅助指标;动态监测指标包括:地质构造异常带、构造软煤厚度的变化,日常预测参数K1值、S值,并确定了各指标临界值和应用方法。     

基于MIV-MA-KELM模型的岩爆烈度等级预测

为准确预测岩爆烈度等级以确保挖掘工程施工安全,提出一种基于MIV-MA-KELM的岩爆烈度等级预测模型。首先,在分析岩爆烈度影响因素的基础上确定主要评判指标,采用文化基因算法(MA)优化核极限学习机(KELM)参数,借助KELM拟合评判指标与岩爆烈度等级间的非线性映射关系;然后,利用平均影响值(MIV)方法以20%的调解率计算各指标影响权重,剔除低影响权重指标并反馈到MA-KELM模型中重新训练与测试;最后,选取巴玉隧道的68组数据进行试验,并用该模型预测秦岭隧道岩爆烈度等级。结果表明:预测结果与实际情况完全一致;MIV-MA-KELM模型能更合理地构建指标体系,有效避免局部最优解,提高岩爆烈度等级的预测准确率。     

基于FA-Logistic的煤矿瓦斯突出事故安全预警研究

我国煤矿瓦斯突出事故时有发生,造成的损失巨大。基于此,对新常态下的瓦斯突出事故进行预警具有重要意义。通过研究近年来瓦斯突出事故发生状况,选取煤层瓦斯含量、埋藏深度、厚度等十个关键影响因素作为评价指标体系,以获取的18组数据作为研究样本,借助SPSS软件,运用因子分析——Logistic回归方法进行综合预警,另外18组数据作为检验样本,结果都表明该方法有很好的预警效果,总体预警准确率达到80%以上。因此,该综合预警方法可以较早预测煤矿瓦斯突出事故的发生。     

基于优化Bagging-LSSVM模型的冲击地压预测

为准确预测冲击地压危险性,提出一种优化Bagging算法动态集成的最小二乘支持向量机(LSSVM)的预测模型。在设计和优化Bagging-LSSVM模型流程的基础上,引入经典分类数据集,验证模型的可行性,并通过试验得出实现模型最优分类条件下的基分类模型数的最小值。综合考虑冲击地压的主要影响因素,确定其评判指标;以重庆砚石台煤矿的35组实测数据为试验样本,利用核主成分分析(KPCA)消除指标间的相关性,对比分析样本数据处理前后应用模型的预测效果;比较优化Bagging-LSSVM模型、优化Bagging-SVM模型和LSSVN模型预测冲击地压危险性的准确率。结果表明:经KPCA处理后的样本相较于原始样本,其应用于优化Bagging-LSSVM模型的预测准确率更高,耗时更少;且优化Bagging-LSSVM模型预测冲击地压危险性的准确率高于其他模型。     

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。     

矿井煤与瓦斯突出危险性预测的模式识别研究

在查明多个突出影响因素与突出危险性之间内在联系的基础上,应用地质动力区划方法确定区域地质构造模型,并结合地应力测量方法和数值模拟,综合应用VB、VC完成模式识别系统设计和应用软件开发,在地理信息系统(GIS)支持下建立多因素模式识别模型.用多因素模式识别预测方法进行煤与瓦斯突出危险性的区域预测,划分淮南矿务局谢一矿井田的煤与瓦斯突出危险区、突出威胁区和无突出危险区,对煤与瓦斯突出危险性做出评估.     

基于改进FAHP模型的煤尘爆炸危险性评价研究

为提高煤尘爆炸危险性评价的准确性,根据煤矿粉尘的物性及开采技术,针对现阶段煤尘爆炸的模糊性、复杂性和多元性特征,构造煤尘爆炸危险性的指标体系,建立优先判断矩阵。首先,应用改进模糊层次分析法确定各指标的权重;其次,借助专家打分法得到各指标的评分值;最后,应用所计算的指标权重和指标的评价值对工程实例进行综合评价,得出该矿煤尘的安全等级,为矿井防尘提供依据。实例验证表明:该方法减少了确定指标权重时的主观性,评价总体效果较好。     

基于GIS的煤与瓦斯突出危险性预测管理系统的研究

运用地理信息系统(GIS)设计开发了煤与瓦斯突出危险性预测管理系统。系统采用了SuperMap平台和SQLServer 2005数据库管理系统,并采用VC++6.0可视化开发环境进行开发,将地理信息技术和煤与瓦斯突出危险性预测结合起来,可以实现煤与瓦斯突出预测的信息管理及预测,为提高贵州煤矿企业的安全生产提供有力的技术支持,降低事故发生的概率。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE＿SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE＿SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明：MICE＿SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE＿SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于预处理的IFOA-ELM煤与瓦斯突出预测模型

为快速准确地预测煤与瓦斯突出危险性,提出一种基于预处理的改进果蝇优化算法(IFOA)-极限学习机(ELM)的预测模型。首先预处理平顶山八矿的部分实测数据,采用灰色关联分析(GRA)法与熵权法(EWM)结合的灰色关联熵分析(GREA)法剔除影响程度较小的因素,应用主成分分析法(PCA)进一步约简因素;构建煤与瓦斯突出危险性预测模型,基于果蝇优化算法(FOA),引入自适应步长更新策略及群体适应度方差策略设计IFOA;利用IFOA优选ELM输入层权值及隐含层阈值,对预处理样本数据进行训练、预测并对比其他模型预测效果。结果表明:基于预处理的IFOA-ELM模型预测结果与实际结果完全拟合,预测效果显著优于未预处理的模型;基于预处理的IFOA-ELM模型的分类准确率和召回率均为100%,显著高于其他对比模型。     

基于遗传投影寻踪聚类模型的煤层自燃危险性预测方法

为了更加科学、准确地对煤层的自燃危险性进行预测,从煤自然属性、地质条件和开采条件3方面选取指标构建了煤层自燃危险性预测指标体系,结合遗传投影寻踪算法和聚类方法建立了煤层自燃危险性预测的遗传投影寻踪聚类模型。该模型通过运用遗传算法对投影方向进行优化,计算能够反映煤层自燃危险程度的一维投影特征值,并对投影特征值进行聚类分析,从而得出煤层自燃危险性等级。将模型运用于所选的8个样本工作面,得出的煤层自燃危险性预测等级和实际情况吻合度较高。结果表明,遗传投影寻踪聚类方法能够实现对工作面煤层自燃危险性程度的有效预测。     

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。     

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。     

基于驾驶员指标的驾驶员风险感知水平评价

为准确评价驾驶员风险感知水平,获取不同交通流状态、不同交叉口几何特性、不同干扰情况下驾驶员反应数据、心电生理数据、眼动数据以及行驶过程中车辆性能数据、车辆行为数据、与其他车辆交互情况等,从驾驶员生理、物理指标2个方面分析风险评价指标,在风险感知量化、情景提取和行为分析基础上建立评价指标体系;运用隐马尔可夫模型(HMM)预测驾驶员风险感知量化值,并分析不同风险感知量化值下的驾驶行为参数,得到风险感知量化值的观察序列,进而验证模型有效性。结果表明:用该模型预测驾驶员风险感知量化值能达到85%以上的准确率。     

煤与瓦斯突出预测技术研究现状及发展趋势

对矿井煤与瓦斯突出预测方法的研究现状及发展趋势进行了论述及分析。目前我国大量使用的是钻屑量S、钻孔瓦斯涌出初速度q、瓦斯解吸指标Δh2 、瓦斯放散指数ΔP等钻孔静态预测方法 ,这些方法花费大量的人力、物力和财力 ,而且准确性较低。而声发射和电磁辐射等方法是很有前途的预测方法。未来煤与瓦斯突出预测的发展趋势是 ,利用声发射监测技术对变形破裂剧烈区域进行定位 ,利用电磁辐射监测技术工作面非接触连续预测 ,再结合现有的环境监测系统监测的瓦斯动态涌出对煤与瓦斯突出现象进行准确预测     

煤与瓦斯突出层次-可拓预警技术及应用

为实现煤与瓦斯突出的智能化预警,基于层次分析法(AHP)与可拓理论,利用Visual Basic(VB)和ArcEngine组件,设计以数据采集模块、查询模块和预警模块组成的突出预警系统结构,并开发客户端软件系统,结合矿井基础参数及生产工作面煤与瓦斯突出预测指标,构建煤与瓦斯突出预警技术体系。将预警技术体系应用于山西潞安集团余吾煤业S2206回采工作面。结果表明,预警结果与工作面实际相符。     

支持向量机对多环芳烃毒性的定量构效预测

为了实现多环芳烃(PAHs)毒性的有效预测,提出应用定量构效技术对多环芳烃的空气-正辛醇分配系数(KOA)和致癌性进行预测。应用分子描述符和试验值确立构效关系,采用支持向量机算法(SVM)和人工神经网络算法(ANN)分别建立了PAHs的KOA回归预测模型和致癌性分类预测模型。利用网格划分(GS)、遗传算法(GA)、粒子群算法(PSO)对SVM进行参数寻优。应用均方误差(MSE)、拟合决定系数R2和分类准确率(Accuracy)分别对模型进行了验证与评价。结果表明,最佳回归预测模型GS-SVR的MSE为0.059 7,R2为0.913 0;最佳分类预测模型GA-SVC的Accuracy为95%。研究表明:应用SVM所建两种模型的稳定性和预测能力都优于应用ANN建立的模型;参数优化后模型的稳定性和预测能力得到了提高。