共查询到17条相似文献,搜索用时 703 毫秒
1.
《中国矿业》2016,(11)
为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。 相似文献
2.
3.
基于灰色理论-BP神经网络的煤层瓦斯含量预测研究 总被引:1,自引:0,他引:1
煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。 相似文献
4.
5.
6.
7.
8.
基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究 总被引:1,自引:0,他引:1
矿井瓦斯是煤矿生产过程中存在的主要的不安全因素,煤矿瓦斯涌出量在很大程度上影响着矿井的设计及开采。文章提出利用灰色神经网络预测矿井瓦斯涌出量的思路,并对灰色神经网络模型进行了全面阐述,之后对模型进行了仿真分析。 相似文献
9.
煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。 相似文献
10.
11.
为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。 相似文献
12.
13.
14.
15.
煤与瓦斯突出灰色-神经网络预测模型的建立及应用 总被引:4,自引:0,他引:4
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. 相似文献
16.
17.
主要影响角正切tanβ是用概率积分法进行开采沉陷预计的主要参数之一,决定着地表沉陷的影响范围。指出了影响主要影响角正切的主要地质采矿因素,并根据一些矿区的实际观测资料,建立了求取主要影响角正切的AGO-BP神经网络模型。该模型是首先运用灰色理论中的累加算法对选定的原始计算数据进行预处理,然后采用BP神经网络模型计算主要影响角正切。AGO-BP神经网络模型不仅能够自动调整网络参数,而且避免只采用BP神经网络进行计算时可能出现的模型不稳定问题,所得到的主要影响角正切精度有一定的提高。 相似文献