PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

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。     

基于瓦斯涌出量预测的近距离煤层群开采顺序优化选择

随着中厚煤层资源的枯竭,近距离薄煤层群开采成为我国资源的重要补充。煤层群开采时合理的采掘部署是防止工作面瓦斯集中涌出的关键,本文通过分析近距离煤层群开采时各回采顺序下工作面瓦斯涌出量,建立了以工作面瓦斯涌出量预测为基础的近距离煤层群开采优化模型,利用计算机编程实现了模型的可视化操作。该模型通过对比分析全部种回采顺序方案,选择整个回采期间瓦斯涌出量最均衡的方案为最优方案。对翔升煤矿进行了实例分析,结果显示合理的回采方案可以使工作面最大瓦斯涌出量大大减小,使整个回采期间工作面瓦斯涌出量趋于均衡。为煤层群开采优化技术中的瓦斯环节提供了理论依据。     

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。     

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PCA-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。     

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。     

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。     

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。     

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。     

提高瓦斯涌出量预测结果可靠性方法探讨

绘制了表达矿山统计法和分源预测法误差产生要素及相关关系的事故树,结合现场实践应用情况进行综合分析,针对方法选用、参数修正等方面的问题给出了切实可行的应对措施,为提高瓦斯涌出量预测准确率提供参考。     

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.     

用灰色建模法预测矿井瓦斯涌出量

在分析了传统的矿井瓦斯涌出量预测方法的基础上 ,应用灰色系统理论 GM(1,1)模型 ,对矿井瓦斯涌出量进行预测 ,并在实际中得到了较好的验证。     

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。     

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。     

粒子群优化的RBF瓦斯涌出量预测

瓦斯涌出量是煤矿瓦斯灾害的主要来源,它直接影响煤矿安全生产和经济技术指标。瓦斯涌出量的传统预测方法是将其影响因素线性化后提出的,具有一定的局限性。本文基于群体智能理论,提出了一种基于粒子群算法优化的RBF神经网络瓦斯涌出量预测模型。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用粒子群算法优化RBF网络权值和其他参数,形成PSO-RBF预测模型。该模型通过计算种群粒子的适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明PSO-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

矿井瓦斯涌出量预测的GM(1,1)模型研究

矿井瓦斯渗出量预测,对矿井安全及正常生产至关重要。由于矿井瓦斯涌出量的影响因索、关联变量和约束条件复杂,对各因素之间的影响程度难以区分和把握,因此在预测预报中的精度较差。而采用灰色理论则具有高度的概括性,可以把各种不确定的因素,统一用一个简单的“灰数”表示,预测精度高而且使用简单。在分析某矿历年来相对瓦斯涌出量的基础上,应用灰色系统理论对其瓦斯涌出量进行了预测,其方法与结果对预防煤矿恶性事故的发生,悍证煤矿的安全生产具有重要意义。