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。     

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.     

煤与瓦斯突出预测的Bayes-逐步判别分析模型及应用

为提高煤与瓦斯突出预测的准确性,基于判别分析理论,通过逐步判别法筛选出瓦斯放散初速度、瓦斯压力、软分层厚度3个煤与瓦斯突出敏感指标作为突出判别因子,将煤与瓦斯突出危险性分为4个等级作为Bayes判别分析的4个正态总体,建立了煤与瓦斯突出预测的Bayes-逐步判别分析模型。利用该判别模型对20个煤与瓦斯突出实例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,其误判率为0。将建立的判别模型应用于8个突出实例进行判别预测,其结果与实际情况完全吻合。     

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。     

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GRA-DDA加权耦合模型的煤层突出危险性评价

为了提高煤层突出危险性评价的效率和准确度,引入距离判别分析法(DDA),选用煤层瓦斯放散初速度、煤的坚固性系数、煤层瓦斯压力、煤体破坏类型和开采深度作为判别因子,并运用灰色关联分析(GRA)计算权重矩阵,建立了煤层突出危险性评价的加权距离耦合判别模型。将30个煤与瓦斯突出实例作为学习样本进行训练,建立相应的判别准则,经过训练后的模型误判率为0。利用该模型对10个煤与瓦斯突出实例进行评判,并将评判结果与单项指标法、BP神经网络法和未加权距离判别法进行对比分析,结果表明GRA-DDA耦合模型的评判结果准确,符合现场实际情况。     

基于因子分析与BP神经网络的煤与瓦斯突出预测

为提高煤与瓦斯突出预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。根据平顶山八矿煤与瓦斯突出相关主要影响因素的原始数据,使用因子分析法对9个煤与瓦斯突出影响因素的原始数据进行降维处理,得到3个公共因子;将3个公共因子代替原有的9个煤与瓦斯突出影响因素作为BP神经网络输入层参数,建立因子分析法与BP神经网络法相结合的煤与瓦斯突出预测模型,对平顶山八矿煤与瓦斯突出进行预测。选取平顶山八矿煤与瓦斯突出样本对改进的BP神经网络预测方法进行验证,结果表明:3个预测样本的相对误差分别为1. 79%、3. 54%、0. 83%,均小于10. 00%。采用改进的BP神经网络预测方法可有效解决传统的BP神经网络因为输入层参数过多而数据处理效率低、迭代速率慢与精确度低等问题。     

永红煤矿3号煤层突出预测敏感指标及临界值确定

为了防止煤与瓦斯突出事故发生,准确预测3号煤层采掘工作面突出危险性,在3507运输巷工作面掘进期间,跟踪测定了瓦斯涌出初速度、煤钻屑瓦斯解吸指标和钻屑量3项预测指标共计330组原始数据。采用数理统计及"三率"法,确定了3号煤层的预测敏感指标及临界值。     

基于多方法融合的煤与瓦斯突出综合预测

为了提高煤与瓦斯突出预测的准确性,运用粗糙集方法对突出多因素原始数据集进行约简,并提取核心判别指标。利用集对理论将核心多指标因素综合应用1个具体的集对联系度模型表达出来,通过熵权计算法确定各指标权重,结合聚类分析法,计算预测系统联系度之间的同异反距离,按照模式识别的"择近原则",来辨别待测样本所属的类别。以砚石台矿区为例,模型对检验样本的预测结果符合现场实际情况。     

煤与瓦斯突出的机理及距离判别分析法

通过分析煤和瓦斯突出机理,运用距离判别分析法来建立煤与瓦斯突出预测的距离判别分析模型,以淮南淮北典型突出矿井的煤和瓦斯突出为例,建立判别函数,经过模型回判估计后的误差率为零。     

基于极大似然估计的logistic回归模型在煤与瓦斯突出危险等级评价中的应用

为了提高煤与瓦斯突出危险等级预测的准确性和增强预测预报方法的实用性,选取开采深度、瓦斯压力等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出多元logistic回归非线性概率评级模型,对模型参数的确定采用了极大似然函数估计法,并利用MATLAB遗传算法工具箱的主要函数ga()求出模型系数的初始值,再用搜索工具箱中的fminsearch函数求出模型系数的最终值。通过对16组样本的学习和对6组样本的预测,验证了该模型在煤与瓦斯突出危险等级判别中的有效性、准确性。另外,该模型结构简单,计算量小、实用性强,易于程序实现,有借鉴价值。     

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。     

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。     

基于两总体Fisher判别分析法的煤与瓦斯突出预测

应用两总体Fisher判别分析法,选取电磁辐射强度、钻屑瓦斯解吸指标、钻屑量、钻孔瓦斯涌出初速度、软煤厚度为预测指标,提出了基于两总体Fisher判别分析法的煤与瓦斯突出预测模型。以河南能源化工集团有限公司九里山煤矿为例,基于两总体Fisher判别分析法的煤与瓦斯突出预测模型对无突出危险预测准确率100%,对有突出危险预测准确率80%,无漏报。     

基于IAHP-EWM-TOPSIS模型的煤与瓦斯突出倾向性预测

为了更加准确的预测煤与瓦斯突出倾向性,以平煤天安十三矿为例,选取7个主要的影响指标和12组煤与瓦斯突出样本数据进行分析,利用改进层次分析法(IAHP)和熵权法(EWM)分别计算诱发煤与瓦斯突出的各评价指标权重,再根据组合赋权计算各指标的最优权重,结合逼近理想解排序法(TOPSIS)构建煤与瓦斯突出预测模型。结果表明:煤层瓦斯压力是影响煤与瓦斯突出的主要因素,瓦斯含量对煤与瓦斯突出的影响较低;预测结果与实际情况基本一致,验证了组合赋权-TOPSIS法对煤与瓦斯突出倾向性预测的可行性。     

基于功效系数法的煤与瓦斯突出区域预测研究

将功效系数法应用于煤与瓦斯突出区域预测中,选取综合指标D值和K值、煤层瓦斯压力p、瓦斯放散初速度Δp、煤的坚固性系数f、地质构造T作为突出预测的评价指标,运用层次分析法和平均值法求得各评价指标的综合权重,以总功效系数值作为评价标准,确定煤层突出危险等级。选用贵州盘县矿区12组实测样本进行功效系数法预测效果检验,预测结果与实际情况一致,验证了功效系数法用于突出预测的合理性和准确性,为煤与瓦斯突出区域预测提供了一种新思路。     

煤与瓦斯突出区域性预测的综合判据研究

为了准确、快速地预测煤与瓦斯突出,以焦作中马村矿为实施矿井,采用瓦斯地质理论全面分析了影响瓦斯突出的地质条件,利用数量化理论Ⅲ筛选了瓦斯突出的敏感指标,应用数量化理论Ⅱ建立了煤与瓦斯突出区域性预测的综合判据,选用二维判别方法对中马村矿二l煤层未采区进行了预测,预测结果为突出危险区23个,突出威胁区41个,非突出区106个,与实际突出结果吻合．表明采用瓦斯地质理论和数量化理论相结合的方法预测煤与瓦斯突出是可行的．煤与瓦斯突出区域性预测综合判据的建立使突出预测规范化,有望推广应用．     

基于主成分分析与距离判别分析法的突水水源识别方法

矿井突水是采矿生产过程中威胁最大的自然灾害之一,快速有效地判别矿井突水水源是采矿工程安全生产的重要保障。选取7种水化学成分指标作为突水水源识别的样本变量,采用主成分分析与距离判别分析相结合的方法建立了突水水源判别模型。以淮南老矿区谢一煤矿不同水层的水化学特征资料中的33个为学习样本,11个为预测样本,对该方法进行了检验和应用,并与现有的灰色关联度判别模型、Bayes判别模型的判别结果进行分析比较。研究结果表明:基于主成分分析与距离判别方法的突水水源判别模型其回判准确率为95%,预测正确率为91%,为矿山突水水源的识别提供了一种新方法。     

二道岭矿区煤层煤与瓦斯突出区域预测

根据二道岭矿区实际情况,通过大量数据测试,综合考虑煤体结构特征及瓦斯放散初速度、煤的坚固性系数、煤层瓦斯含量、瓦斯吸附常数及瓦斯压力等瓦斯参数,采用单项指标法、煤层瓦斯含量法及综合指标等方法对各矿井主采煤层进行了煤与瓦斯突出区域预测。预测结果表明：陡崖沟井二1上煤层,哈沙图井二1上、二1煤层,别立沟井二3煤层和八仙井二3煤层的预测工作面为突出危险区。预测结果对于提高各矿井防突措施的有效性和针对性具有一定的参考价值。