煤层底板突水预测的PCA-OPF模型

矿井突水是常见的突发性强烈的矿井灾害.由于矿井突水的突发性和危险性,有必要对煤层底板突水进行更快且更准确地预测.为此,本文提出了基于PCA-OPF模型的煤层底板突水预测方法.通过选取断层分维值、取芯率、隔水层厚度、单位涌水量、渗透系数、底板含水层总厚度、承压含水层水压作为底板突水预测的因子,利用主成分分析(PCA)将样本的7个因子降维为3个主成分,进一步简化数据结构和提高预测速度.利用最优路径森林算法(OPF)对降维后的30个样本数据进行训练和预测,并与实际情况进行对比.结果表明:基于PCA-OPF模型得到的测试集中6个样本的预测结果与实际情况相符,为煤层底板突水预测提供了一种新的方法.     

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明：与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。     

基于模糊证据理论的煤层底板突水量预测

从信息融合的角度,将煤层底板突水量预测过程看成是一个多源信息融合处理与状态估计过程,提出基于贴近度的模糊证据理论,建立基于模糊证据理论的煤层底板突水状态估计与评价模型。利用15个有代表性的采煤工作面底板突水资料作为训练样本,基于广义三角模糊数生成各焦元基本概率赋值。用所建立的突水预测模型对4个待检验的突水样本进行分析,并与人工神经网络、最小二乘支持向量机、距离判别分析等方法进行比较,所得结果一致或更好,说明基于模糊证据理论的煤层底板突水量估计方法具有良好的实用性和有效性。     

基于PCA-Logistic回归模型的矿井底板突水危险性研究

为解决煤层底板突水预测难题，提出了基于主成分分析与Logistic回归方法的底板突水预测模型。通过对底板突水危险因素进行分析，选取隔水层厚度、承压水水压、断层落差、断层距工作面距离、煤层采高、煤层倾角6个变量作为研究矿井底板突水的初始影响指标；首先利用主成分分析法对原始指标数据进行降维处理，然后利用建立的Logistic回归模型对数据进行分析预测，最后利用5组待测样本数据对模型进行验证。结果表明：该模型对突水样本的综合预判正确率为90%，利用待测数据进行回判时预测准确率达到80%，说明该预测模型具有一定可靠性，可作为煤矿底板突水预测的一种新方法。     

基于未确知测度理论的煤矿底板突水量预测

通过对煤矿底板突水影响因素的分析,选取地质构造、底板采动破坏深度、水压、底板隔水层4个主要影响因素作为判别指标,利用未确知测度理论,建立煤矿底板突水量预测模型。利用14个有代表性的采煤工作面底板突水资料作为训练样本,以样本均值为聚类中心,采用信息熵理论确定各判别指标的权重,通过计算样本的多指标综合测度,根据最小未确知测度距离原理判断样本所属类别,进而对底板突水量进行预测。用所建立的突水预测模型对4个待检验样本进行预测,将预测结果与实际结果做了比较,所得结果完全一致,表明基于未确知测度理论的煤矿底板突水量预测方法具有较好的实用性和有效性。     

基于GAPSO-RFR的矿井底板突水预测模型与应用

为了更精准地预测矿井突水灾害,对突水预测和救援提供帮助,减少水灾造成的损失,提出基于GAPSO-RFR的矿井突水预测模型。利用遗传-粒子群算法对随机森林回归模型(RFR)进行优化,选取34例样本对GAPSO-RFR模型进行迭代和训练。测试结果表明,GAPSO-RFR模型提高了预测精度,减少了泛化误差。同时利用模型对王家岭矿区部分盘区的10号煤层与2号煤层的突水风险进行预测分析,得出了突水风险较高的区域分布情况。     

基于GWO-Elman神经网络的底板突水预测

我国是世界最大的煤炭生产国和消费国,特别是在我国的华北地区,煤炭储量非常丰富,但由于华北地区的水文地质条件复杂,煤炭实际生产过程中事故频发,特别是煤层底板突水事故,一旦发生往往会造成较为严重的人员伤亡和财产损失。因此煤层底板突水预测已经成为煤矿安全生产领域研究的重点。山东巨野煤田红旗煤矿是典型的华北型煤田,其主要可采煤层3煤层平均厚度5.48 m,实际生产过程中受底板突水威胁严重,在矿井的建设及生产过程中多次出现底板突水。为了对3煤层进行底板突水预测,在分析收集红旗煤矿相关矿井水文地质资料的基础上,选取断裂分维值、取心率、隔水层厚度、单位涌水量、渗透系数、底板含水层总厚度、承压含水层水压共7个因素,作为进行底板突水预测的主要影响因素;以现场实际数据为输入样本,通过灰狼优化算法(Grey Wolf Optimizer,GWO)得到Elman神经网络优化的最佳权重和阈值,分别为18.748 2和0.014 435,之后建立相应的GWO-Elman神经网络底板突水预测模型;在此基础上通过测试样本输入模型验证,结果准确率达到100%,再用熵值法确定权重的脆弱性指数法进行对比,证明神经网络模型准确度更高,可以用于工程实际。最后,利用所建立的神经网络模型对2个未开采工作面进行了底板突水预测,将预测结果指导矿井实际安全生产。     

基于Fisher判别的煤层底板突水量预测研究

针对煤层底板突水的主要影响因素,综合考虑水源、水压、隔水层、底板采动导水断裂带深度、断层等因素的影响,基于Fisher判别分析理论,利用国内一些采煤工作面底板突水资料作为训练样本,建立了煤层底板突水预测的距离判别分析模型。工程应用表明,该模型结果与实际情况吻合良好,说明该模型在煤层底板突水预测中具有良好的实用性和有效性。     

基于主成分分析与Fisher判别法的底板突水预测研究

为准确预测煤层底板的突水状况,收集18例矿井的实测数据作为学习样本,4例作为预测样本,首先运用主成分分析法对选取的含水层水压(x1)、隔水层厚度(x2)、煤层倾角(x3)、断层落差(x4)、距断层距离(x5)5个自变量进行降维处理以消除变量间的共线性,然后计算每例样本的主成分得分值并以此为中间变量建立煤层底板突水的Fisher判别模型。对18例训练样本进行回代判别,模型的综合准确率为83.3%,在对3例测试样本的判别中,误判率为0,表明该模型对于类似地质条件下底板突水危险性的判别具有一定的参考价值。     

基于最小二乘支持向量机的煤层底板突水量预测

针对底板突水受到多种复杂因素的影响和突水量预测可看成是非线性、高维数、有限样本的模式识别问题，提出煤层底板突水量预测的最小二乘支持向量机方法，给出预测步骤，建立了符合期望风险最小化原则的预测模型，表达了最大突水量等级与其影响因素之间的非线性关系.     

基于模糊-支持向量机的煤层底板突水危险性评价

提出将模糊理论中的隶属度与支持向量机相结合的模糊-支持向量机模型,用于对煤层底板突水危险性的评价。在对肥城煤层底板突水危险性评价指标体系分析的基础上,通过对肥城矿区10个地段的样本数据训练确定最优的模型参数,并对4个测试样本进行了突水危险性评价。实验表明：该模型能够减少样本数据处理的复杂性,较好地解决小样本、非线性问题,为煤层底板突水危险性的评价提供了一种新方法。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

Source Discrimination of Mine Water Inrush Based on Spectral Data and EGA–PNN Model: A Case Study of Huangyuchuan mine

Methods currently used to identify water sources and predict mine water inrush points are mostly based on water temperatures, water levels, or hydrochemical data. However, these methods are relatively complex. Therefore, to rapidly and effectively identify the source of mine water inrush, an elite strategy was used to optimize a genetic algorithm. The optimized elitist genetic algorithm (EGA) was applied to parameter selection of a probabilistic neural network (PNN) using spectral data to construct an EGA–PNN discriminant model. Water samples were collected from four different sources in the Huangyuchuan Mine in north China, including Permian sandstone fissure water, Carboniferous coal seam roof water, Ordovician limestone water, and Permian mined-out water. Full spectral data of the water samples were obtained, and 80% of the sample data were randomly selected as the training set for the EGA–PNN model. Theoretical analysis and experimental results showed that after 100 iterations, the average recognition rate was ≈ 95.69% with a mean square error average of only ≈ 8.21?×?10^?3. This study provides a novel methodology that can be used to rapidly identify mine water inrush sources in similar geological coalfields elsewhere in northern China.

     

基于Piper-PCA-Fisher模型的矿井突水水源识别

矿井水害的发生时刻威胁着煤炭的安全生产,同时也造成了严重的经济损失。为了迅速和准确地识别突水水源,选用Piper三线图对采自矿区突水含水层的41个水样进行筛选,得到32个典型水样作为训练样本,采用主成分分析法提炼出3个主成分作为判别指标,建立了水源判别模型;采用留一交叉验证法对模型的预判分类稳定性进行评价,模型对样本总体分类的准确率达到81.3%。并对焦作矿区11个未知水样进行水源判别,错误1个。并将预测结果与Fisher模型进行对比。结果表明,基于Piper-PCA-Fisher的判别模型能有效提高判别精度,为矿井安全生产提供保障,为矿井开展防治水工作及地下水资源合理开发利用提供理论依据。     

煤层底板突水危险性的Fisher判别分析模型

为准确评价底板突水危险性,考虑到不同影响因素对于评价方法的作用与影响不同,运用逐步判别法剔除了判别效果不显著的指标,选取了含水层富水性、水压、隔水层厚度、断层导水性、构造发育程度5项主要影响因素作为判别指标。根据以往突水数据建立了底板突水危险性的Fisher判别分析模型,并绘制了判别空间中样本数据散点图。该模型通过了显著性检验,分类效果显著。对15组训练样本进行回代判别,误判率为0,通过距离判别法准确预测了测试样本的突水危险性,表明该模型在煤层底板突水危险性评价上具有较高的可信度和良好的实用性。