基于Fisher-逐步判别法的煤与瓦斯突出预测

为准确、可靠地对煤与瓦斯突出进行预测,基于Fisher判别分析理论,建立了煤与瓦斯突出预测的Fisher判别模型。通过逐步判别分析法筛选出瓦斯放散初速度、瓦斯压力和埋深3个煤与瓦斯突出敏感指标作为突出判别因子,利用所构建的判别模型对20组煤与瓦斯突出实例数据进行训练学习得出相应的判别函数,用回代估计的方法进行逐一验证,误判率仅为5%。将建立的判别模型应用于10组突出实例进行判别预测,判别正确率达100%。结果表明:Fisher-逐步判别分析模型稳定性好,判别准确度高,是一种十分有效的煤与瓦斯突出预测方法。     

基于Bayes判别分析法的煤与瓦斯突出预测研究

建立了煤与瓦斯突出预测的Bayes判别模型,选用5项指标作为判别因子,将突出类型分为4个等级作为Bayes模型的正态总体,利用训练好的模型进行了实例预测。研究表明,Bayes判别模型是预测突出的有效方法。     

煤与瓦斯突出预测的距离判别分析法及应用

将距离判别分析法应用在煤与瓦斯突出预测中,建立煤与瓦斯突出预测的距离判别分析模型.选取瓦斯放散初速度、煤的坚固性系数、瓦斯压力、煤体破坏类型和开采深度等5项影响突出的主要指标作为距离判别分析模型的判别因子,以我国典型突出矿井的煤与瓦斯突出实例作为学习样本进行训练,建立相应判别函数,经过训练后的模型回判估计的误差率为零.利用该模型对云南恩洪煤矿突出实例进行预测,结果与实际情况完全符合.研究结果表明,距离判别分析模型识别性能良好,预测精度高,在研究煤与瓦斯突出预测中具有良好的实用性和有效性.     

基于CART算法的煤与瓦斯突出判别分析

基于分类回归决策树(CART)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判别的CART模型。模型选择瓦斯压力、瓦斯放散初速度、煤的破坏类型、坚固性系数和垂深作为煤与瓦斯突出的判别指标体系,选取国内典型煤与瓦斯突出矿井的突出数据建立模型样本训练库,利用k-折交叉验证方法寻找最优树,并提取优化后的突出规则,最后将提取的规则对实例进行验证。研究表明,该模型简单有效,可以作为煤与瓦斯突出判别分析的一种辅助方法。     

贝叶斯判别法在煤与瓦斯突出预测中的应用

煤与瓦斯突出影响因素多,难以为其建立合适的多指标非线性预测模型,为提高突出预测的准确性和增强预测预报方法的实用性,文章选用瓦斯压力、瓦斯放散速度等多项影响判别因子,建立了基于贝叶斯判别分析煤与瓦斯突出的判别模型,通过对22组样本的学习和6组样本的预测,验证了该方法在煤与瓦斯判别中具有较高的准确性.     

基于PCA-Fisher判别分析模型的煤与瓦斯突出危险等级预测方法研究

为了提高煤与瓦斯突出预测精度,选取瓦斯含量、瓦斯压力、瓦斯放散初速度等11个因素作为判别指标,将煤与瓦斯突出强度分为无突出、小型突出、中型突出、大型突出4个等级。利用贵州黔西北煤矿资料中的28组数据作为训练学习样本,建立了煤与瓦斯突出危险等级预测的PCA-Fisher判别分析模型,再利用资料中其余6组数据作为预测样本,对该模型进行检验和应用,并与BP神经网络模型和Fisher判别模型的判别结果进行比较。结果表明:PCA-Fisher判别模型具有更高的准确性和可靠性,可以对煤与瓦斯突出危险等级进行有效预测。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

PCA-聚类分析在煤与瓦斯突出预测中的应用研究

为准确预测煤与瓦斯突出,将主成分分析(PCA)法与聚类分析法相结合,建立了PCA-聚类分析模型对煤与瓦斯突出预测。利用主成分分析方法提取贡献率为原始变量85.28%的4个主成分代替原来的8个变量,并且计算了4个主成分的综合得分。将提取出的4个主成分作为系统聚类分析的输入变量,输入SPSS中得到谱系图。结果表明该模型能够预测煤与瓦斯突出,为煤与瓦斯突出预测提供了新方法。     

距离判别分析理论在突出预测中的应用

为了更加准确的预测煤与瓦斯突出的危险性,基于距离判别分析理论,选取电磁辐射预测指标(电磁辐射强度E和脉冲数N)和常规指标R指标、钻孔瓦斯涌出初速度q及钻屑量S作为判别因子,选取演马庄矿某掘进工作面2011年4、5月日常预测数据作为训练样本,建立了工作面突出预测的距离判别分析模型。用所建立的模型对该掘进工作面待检验的6月份日常预测数据进行分析,预测结果与实际情况吻合良好,结果表明:距离判别分析模型方法简单、预测精度较单一指标有明显提高,误判率低,实现了动态预测和静态预测的有效结合,该方法在煤与瓦斯突出预测中具有较好的可行性和实用性。     

基于决策树ID3改进算法的煤与瓦斯突出预测

为提高工作面突出预测指标预测的准确率,根据灰色相关理论和决策树ID3算法,提出了基于决策树ID3改进算法的煤层工作面煤与瓦斯突出预测方法。该方法以工作面的钻屑解吸指标作为主要决策属性,以地质构造、瓦斯浓度变化等现场较为直观的突出征兆作为辅助决策属性,同时根据矿井实际工作面煤与瓦斯突出数据建立预测样本数据集,把决策属性的相对灰色关联度作为决策树ID3改进算法的最大信息增益计算权重,建立了煤层工作面煤与瓦斯突出决策树预测模型,并采用该预测模型对10组煤与瓦斯突出数据进行了预测,结果表明,该模型预测的准确率显著高于采用单一钻屑指标预测的准确率。     

支持向量机在煤与瓦斯突出预测中的应用

为了准确预测煤与瓦斯突出危险,首先利用灰色关联分析的方法寻找出影响煤与瓦斯突出的关键性因素,然后利用MATLAB的SVM工具箱建立煤与瓦斯突出的预测模型,并应用此模型识别瓦斯突出的类型。该模型基于MATLAB的SVM工具箱加以实现。实验结果表明,基于灰色关联分析的SVM煤与瓦斯突出预测模型结果可靠,效果良好,应用性强。     

岩体质量分级的Bayes判别分析方法

将Bayes判别分析方法应用于岩体质量等级判别与分类中,建立了岩体质量综合评判的Bayes判别分析模型.模型选用岩石质量指标、完整性系数、单轴饱和抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为判别因子;将岩体质量分为4个等级作为Bayes判别分析的4个正态总体;以隧道围岩实测数据作为训练样本,建立Bayes线性判别函数;以Bayes线性判别函数计算待判样品的Bayes判别函数值,以最大值对应的总体作为样品所归属的总体;最后以刀切法对判别准则进行评价以检验模型的优良性.研究表明,Bayes判别分析模型误判率低,识别正确率达96.67%.     

突出煤-瓦斯在巷道内的运移规律

以煤与瓦斯突出过程中煤-瓦斯两相流为研究对象,利用自主研发的煤与瓦斯突出动力效应模拟试验装置进行了巷道中突出煤-瓦斯两相流试验研究,通过试验观察将煤颗粒的运动过程分为加速、平衡减速及沉降等运动阶段,并综合运用固体颗粒在气流中的悬浮运动机理和能量守恒定律,建立了一维情况下突出煤在巷道中的运移数学模型。通过模型计算分析得到,突出煤颗粒运移距离随初始气流速度的增大呈增大趋势,随颗粒粒径的分布规律由于其符合的流动状态不同而不同。     

Research on risk evaluation of mine gas outburst fatalness in Xiangshui Mine

The danger degree evaluation of coal and gas outburst is mainly evaluating spot risk using the safety examination table and the evaluation value can be found. According to factors influence coal and gas outburst majorth were qualitative or fuzzy similar factors, used fuzzy gathering classification method for the coal and the gas outburst analysis, established fuzzy model, according to the model adopted the fuzzy similar selective principle proceeding evaluated. Two kinds methods join together analysis can raise on the accuracy rate of the prediction. Supported by the National Natural Science Foundation of China(50674052)     

基于Fisher判别分析法的隧洞围岩分类

针对隧道围岩分类问题,基于Fisher判别分析理论,选用岩石质量指标、完整性指数、饱和单轴抗压强度、纵波波速、弹性抗力系数和结构面摩擦因数等6个指标作为判别因子,以30组隧洞围岩数据作为学习样本进行训练,建立相应的Fisher判别模型。利用回代估计方法对建模数据逐一进行检验,正确率达93.3%。将建立的判别模型应用于工程实例,预测结果与实际情况吻合良好,与Bayes判别法、神经网络模型判别结果一致。研究结果表明,Fisher判别分析用于围岩分类简便可行,正确率高,是解决隧洞围岩分类的一种有效方法。