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。     

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。     

基于瓦斯地质图的瓦斯含量和瓦斯涌出量的定量预测

在分析煤矿所属矿区地质构造演化及分布特征的基础上,绘制了邻水煤矿瓦斯含量及瓦斯涌出量等值线图,初步掌握了该矿的瓦斯分布规律;同时对该矿瓦斯含量大小和瓦斯涌出量状况作出了有效的定量分析,为该矿的瓦斯综合治理提供了有效数据,也为保障矿井安全生产作出了贡献.     

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SPSS的PCA-MRA回采工作面瓦斯涌出量预测

为克服自变量之间的多重共线问题,增强多元回归模型预测的精确性,将主成分分析(PCA)与多元回归分析(MRA)相结合提出了PCA-MRA模型,并将该模型用于实际瓦斯涌出量预测。结果表明,采用SPSS软件直接对影响回采工作面瓦斯涌出量的因素进行主成分回归分析,避免了复杂的推导计算以及繁琐编程,预测精度较高。     

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。     

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。     

综放工作面瓦斯涌出量预测方法及工程实践

分源预测法是我国目前应用最广泛的瓦斯涌出量预测方法,但不适用于应用综放工作面的矿井。由于综放工作面矿井瓦斯涌出来源和涌出强度与一般综采工作面有所不同,矿井瓦斯涌出量差别较大。基于分源预测法,提出了综放工作面的瓦斯涌出量预测方法,应用于山西大远煤业综放工作面瓦斯涌出量预测,并与实际观测结果对比。结果表明:改进的综放工作面瓦斯涌出量预测方法符合综放工作面的实际情况,对综放开采工作面的瓦斯涌出量预测具有一定意义。     

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。     

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。     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

SFLA-Verhulst组合模型预测矿井瓦斯涌出量

针对矿井瓦斯涌出量的时变性、波动性、非线性以及不确定性等特征,提出了SFLA-Verhulst组合预测模型,用于对具有非线性动态特征的瓦斯涌出量进行预测。该模型通过蛙跳算法对Verhulst模型的背景值参数寻优,并引入一次指数平滑法对原始数据进行优化处理,建立了基于混合蛙跳算法的SFLA-Verhulst组合预测模型;结果使模型在原始数据不准确或存在误差干扰的情况下仍能进行精度较高的预测。将新模型应用于某矿瓦斯涌出量预测,并对模型的预测结果进行检验分析,结果表明:该模型在结合蛙跳算法的全局寻优特点后预测精度较传统的GM(1,1)模型有明显的提高,适用性更强。     

山西吕梁西山亚辰煤业8#煤层采煤工作面瓦斯涌出规律解析

本文结合28103回采工作面的情况,利用现场在28103工作面轨道和运输顺槽布置测点,利用瓦斯解析仪进行现场解析并测定其瓦斯含量,从而对28103工作面回采期间的瓦斯涌出量情况进行预测,结果显示,28103回采工作面在回采期间瓦斯含量较低。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

基于EMD-MFOA-ELM的瓦斯涌出量时变序列预测研究

为准确分析工作面绝对瓦斯涌出量的非平稳特征,实现瓦斯涌出量的准确预测,基于经验模态分解(EMD)、修正的果蝇优化算法(MFOA)和极限学习机(ELM)基本原理,构建瓦斯涌出量的EMD-MFOA-ELM多尺度时变预测模型。通过EMD将瓦斯涌出量时变序列进行深层次分解,获得多尺度本征模态函数(IMF);采用MFOA-ELM对各IMF时变序列建立动态预测模型,等权叠加各预测值,得到模型最终预测结果。以晋煤某矿瓦斯涌出量监测时序样本为例进行研究分析,结果表明:EMD能充分挖掘出监测数据隐含信息,有效降低数据复杂度;该模型预测相对误差为0.024 3%~0.651 0%,平均值仅为0.252 6%,预测精度和泛化能力高于未经EMD分解模型,能很好地适用于非平稳时变序列预测。     

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。     

回采工作面瓦斯涌出量遗传投影寻踪回归预测

为快速、准确预测回采工作面瓦斯涌出量,基于投影降维思想,建立一种遗传算法(GA)投影寻踪回归预测方法。选取煤层瓦斯原始含量、埋藏深度、煤层厚度、煤层倾角、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层厚度、临近层层间距、岩层岩性、开采深度作为评价因子,对某矿15个学习样本进行训练,建立GA投影寻踪回归预测模型。利用该矿3个实测样本对模型进行检验,并与主成分分析和BP神经网络方法结果进行对比。研究表明:利用GA投影寻踪回归预测回采工作面瓦斯涌出量,平均误差为3.43%,最大误差为5.7%,精度优于其他2种方法。