基于灰色建模预测李雅庄矿井瓦斯涌出量

为了正确预测瓦斯涌出量,根据灰色理论的灰色预测方法,利用不同时间段瓦斯涌出量的原始数据,建立矿井瓦斯涌出量GM(1,1)预测模型,进行瓦斯涌出量预测,并选择了合理的误差检验模型,预测程度高。经对李雅庄矿井瓦斯涌出资料建立矿井瓦斯涌出量灰色预测模型,对矿井瓦斯涌出量进行预测的实践表明,确有良好效果。     

基于灰色马尔可夫模型预测煤矿瓦斯涌出量

在煤矿瓦斯涌出量灰色预测的基础上引入马尔可夫链预测理论,建立了煤矿瓦斯涌出量灰色马尔可夫预测模型,并将该模型应用到采煤工作面瓦斯涌出量预测分析中。结果表明,用该模型预测瓦斯涌出量比单一灰色模型预测的精度有较大提高,从而说明灰色马尔可夫预测模型预测煤矿瓦斯涌出量的潜在规律是可行有效的。     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型,对贵州某矿矿井瓦斯涌出量进行预测预报.采用残差识别方法修正GM(1,1)模型进行瓦斯涌出量预测,预测精度更高.利用灰色灾变预测理论,对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测.通过建立灰色预测模型,进行矿井瓦斯涌出量灾变性预测.     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型，对贵州某矿矿井瓦斯涌出量进行预测预报．采用残差识别方法修正GM（1，1）模型进行瓦斯涌出量预测，预测精度更高。利用灰色灾变预测理论，对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型，并对矿井瓦斯涌出量变化趋势进行预测。通过建立灰色预测模型，进行矿井瓦斯涌出量灾变性预测。     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

瓦斯涌出量的灰色建模及其预测

为了正确预测瓦斯涌出量,根据灰色理论提出的灰色预测方法,把非等间距数列变为等间距数列,利用不同时间段瓦斯涌出量的原始数据建立矿井瓦斯涌出量GM(1,1)预测模型,进行瓦斯涌出量预测,选择了合理的误差检验模型,结果表明预测程度高.利用灰色预测理论,通过对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测.     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

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。     

基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-ENN和GSA-ELM神经网络预测模型相比,预测精度分别提高310%、60%、31%,为回采工作面瓦斯涌出量的预测提供了一种新的快速预测方法。     

灰色线性回归组合模型在瓦斯涌出量预测中的应用

矿井瓦斯涌出量预测是新建矿井、新水平和新采区设计的主要依据。针对目前灰色理论预测模型和线性回归预测模型的缺点和不足,系统地推导了灰色线性回归组合预测模型。结合现场实测数据,并对比线性回归模型和灰色理论模型预测结果,发现该模型的预测精度分别提高了2.46%和1.35%,数据拟合的相关系数也有一定程度的提高。实证结果表明,灰色线性回归组合模型可以更好地预测矿井瓦斯涌出量。     

瓦斯涌出量灰色-RBF网络模型的建立与应用

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。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

深凹露天矿高边坡变形的组合预测模型

建立了神经网络-时间序列组合模型,以神经网络提取趋势项,时序方法拟合随机项,更全面地考虑了诱发边坡变形的各种因素,克服了单一模型的缺陷。结合跟踪算法,对东明矿南帮、西帮测点时序分别建模分析,并同单一的时序模型、神经网络模型拟合结果进行对照,表明组合模型具有更加理想的拟合与预测效果。     

Application of neural network model coupling with the partial least-squares method for forecasting watre yield of mine

Scientific forecasting water yield of mine is of great significance to the safety production of mine and the colligated using of water resources. The paper established the forecasting model for water yield of mine, combining neural network with the partial least square method. Dealt with independent variables by the partial least square method, it can not only solve the relationship between independent variables but also reduce the input dimensions in neural network model, and then use the neural network which can solve the non-linear problem better. The result of an example shows that the prediction has higher precision in forecasting and fitting.     

基于经济时间序列预测的露天矿开采境界动态优化

为获得更为优越的露天矿山境界,构建了集经济时间序列预测、矿岩时间属性赋值和动态经济指标计算为一体的境界全动态优化方法。金属价格是矿山境界优化过程中最重要的因素之一,以金属价格历史数据为平台,通过创建合适时间序列模型,对未来价格做出预测,以预测结果为基础,运用L-G图论法生成系列境界方案,根据矿山实际情况编排进度计划,实现矿岩块参数赋值,将预测结果代入到矿岩块体模型中,计算境界净现值（NPV）,经多方案比较确定最优境界。以某铜矿山为例,通过对近50 a伦敦金属交易所（LME）铜精矿季度平均结算价格分析处理,建立了自回归求和移动平均模型（ARIMA）,实现了未来15 a铜价预测,最终确定了矿山经济最优境界。建立于金属价格预测基础上的境界动态优化方法所得方案NPV更接近生产实际,其优化结果可更好为矿山设计及未来生产提供基础支撑。     

Research on the mining roadway displacement forecasting based on support vector machine theory

In view of the difficulty in supporting the surrounding rocks of roadway 3–411 of Fucun Coal Mine of Zaozhuang Mining Group, a deformation forecasting model was put forward based on particle swarm optimization. The kernel function and model parameters were optimized using particle swarm optimization. It is shown that the forecast result is very close to the real monitoring data. Furthermore, the PSO-SVM (Particle Swarm Optimization-Support Vector Machine) model is compared with the GM(1,1) model and L-M BP network model. The results show that PSO-SVM method is better in the aspect of prediction accuracy and the PSO-SVM roadway deformation pre-diction model is feasible for the large deformation prediction of coal mine roadway.     

BP neural network model on the forecast for blasting vibrating parameters in the course of hole-by-hole detonation

According to the neural network theory, combined with the technical characteristics of the hole-by-hole detonation technology, a BP network model on the forecast for blasting vibration parameters was built. Taking the deep hole stair demolition in a mine as an experimental object and using the raw information and the blasting vibration monitoring data collected in the process of the hole-by-hole detonation, carried out some training and application work on the established BP network model through the Matlab software, and achieved good effect. Also computed the vibration parameter with the empirical formula and the BP network model separately. After comparing with the actual value, it is discovered that the forecasting result by the BP network model is close to the actual value.     

基于多元线性回归与BP神经网络的矿井瓦斯预测模型应用

矿井瓦斯涌出量受众多因素的影响。经研究表明,煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进度及日产量是影响瓦斯涌出的主要因素。利用多元线性回归和BP神经网络理论,分别对矿井瓦斯涌出量进行了预测,最后建立了多元线性回归与BP神经网络的组合预测模型。该模型兼顾了多元回归分析的非线性特性和神经网络的时序特性,通过具体的实例研究,对比了各种方法的预测结果。结果显示,组合预测的结果与实际有较高的拟合度,可靠性高。     

人工神经网络应用于煤与瓦斯突出强度预测的探讨

介绍了人工神经网络的原理及算法,并从地质角度出发,建立了突出强度预测的BP网络模型,通过实例应用,结果表明,只要有足够的实测作为样本,人工神经网络用于突出强度预测是可行的。     

露天矿矿岩流向与流量优化研究

介绍了露天矿运输系统网络模型及矿岩流向与流量优化模型的建立方法,建立了露天矿运输系统网络模型,在对运输系统网络模型求解的基础上,建立了矿岩流向与流量优化线性规划模型,并以某露天矿为例进行了实例研究,优化结果对露天矿的矿岩运输工作具有重要指导意义。     

基于熵权的灰色沉降组合预测模型及应用

基于"组合预测"思想,提出了一种对多种常用预测模型进行熵权法计算权重的组合预测方法,从而可根据有限的沉降实测数据预测沉降发展。工程实例分析表明,基于熵权的灰色沉降组合预测模型能够充分挖掘各模型的有用信息,大大提高了预测精度。