基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于ARIMA的安全生产事故预测与实证研究

为了减少企业安全管理者在生产作业中由于不确定性导致错误决策所产生的风险,在企业历年安全生产事故数据基础上进行预测具有一定的现实意义。以某企业2008年至2011年的安全生产事故次数时序数据,采用EViews 5统计分析软件,基于ARIMA时间序列预测模型更加关注对事故发生是否平稳而相对于其他预测模型更关注于趋势研究的良好特点,建立安全生产事故ARIMA时序预测模型,并对2012年的安全生产事故发生次数进行预测,通过效果检验发现该模型预测结果基本上能够反映该企业安全生产事故发生的实际情况。通过ARIMA方法在某企业安全生产事故预测具体案例的实现,是对现有安全生产事故预测方法的补充和完善,可为企业安全管理和决策提供一定的指导。     

基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

基于重构相空间充填体变形规律的灰色预测研究

尾砂胶结充填体是非线性力学介质,其变形是能量耗散的复杂过程,必须研究其内在变形规律,才能正确预测采矿过程中充填体的稳定性.对不同配比的尾砂胶结充填体进行力学试验,得出了其应力-应变规律,对安庆铜矿高阶段充填体变形进行了监测.采用自适应滤波原理,研究基于重构相空间的测量数据去噪处理方法.用灰色理论研究充填体变形在相空间中相点距离的演变规律,建立了重构相空间的灰色预测模型.为减小预测误差,对预测结果采用残差模型修正.应用建立的模型,对安庆铜矿高阶段充填体变形进行分析,确定了采场合理回采周期.结果表明,充填体变形具有非线性混沌特性,不同配比的充填体表现出不同的非线性动力学行为,重构相空间能充分展示充填体变形的内在规律.     

基于GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

张集矿综采工作面瓦斯治理措施及效果分析

张集矿属于煤与瓦斯突出矿井,针对目前所开采的17266工作面地质构造条件复杂、瓦斯涌出量大、处于突出危险区等瓦斯治理难题,采取"风排瓦斯、高抽巷穿层钻孔抽采、运输巷、回风巷顺层钻孔抽采和上隅角埋管抽采"等瓦斯综合治理措施,用分源预测法得出工作面绝对瓦斯涌出量为30.3 m3/min。结果表明,工作面的主要瓦斯涌出来源为本煤层瓦斯涌出。工作面风排瓦斯量11.0 m3/min,工作面瓦斯抽采率达63.0%以上。     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题,提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据,采用BP与RBF神经网络,通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择,并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差,而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好;通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现,神经网络对气体泄爆中最大超压的预测效果较好;通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明,神经网络相比于传统气体泄爆经验公式具有明显优势。     

时间因素对钻屑瓦斯解吸指标K1值测定的影响分析

针对时间因素对钻屑瓦斯解吸指标K1测定结果的影响,采用恒温瓦斯放散试验深入分析钻屑瓦斯解吸指标K1测定理论的准确性,总结因时间因素导致K1值测定误差所带来的现场问题。研究结果表明:K1值的测定误差与时间关系密切,测定启动时间越晚,误差越大;测定启动时间由第1 min延后至第2 min,绝对误差和相对误差最大值分别增加0.081 cm3/(g·min1/2)和2.20%;高瓦斯压力条件矿井或煤层的局部高瓦斯压力区域、构造煤发育区的钻屑瓦斯解吸指标K1值测定结果偏低,测定误差偏大。研究结果可为煤与瓦斯突出预测水平的提升提供技术支撑。     

基于Adam优化深度神经网络快速确定瓦斯抽采半径*

为解决煤矿瓦斯有效抽采半径难以快速准确确定的问题,采用基于Adam算法优化DNN（深度神经网络）方法来预测瓦斯抽采半径。查阅文献共收集已得到验证的970组数据集,每组数据选取煤层瓦斯初始渗透率、钻孔直径、抽采时间、地应力、煤层初始瓦斯压力作为预测模型的5个特征量,有效抽采半径作为目标输出值。接着预测模型进行不断学习和训练,最终训练得到1个最优的瓦斯有效抽采半径预测模型。利用训练好的最优预测模型结合Python语言开发出计算有效抽采半径的软件,并使用该软件在四季春煤矿和鹤煤六矿进行有效抽采半径预测的工程实例研究,验证该软件预测抽采半径的实用性和准确性。研究结果表明:通过使用开发的软件,可快速且较准确地计算出矿井瓦斯有效抽采半径,可为暂不具备现场测试条件的矿井抽采设计提供一定的参考依据。     

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。