矿井瓦斯涌出量的分形预测

介绍了分形理论中的时间序列(R／S)分析方法。通过对矿井瓦斯涌出量时间序列的分形处理。根据极差、标准差的结构分维值的大小，对矿井瓦斯涌出量的增量趋势作了分形预测。     

基于时间序列的矿井瓦斯涌出量预测

由于矿井瓦斯浓度的变化受多种因素共同影响,矿井瓦斯涌出量预测经常出现无法获得一部分变量的情况。针对该问题,提出了一种基于时间序列的矿井瓦斯涌出量预测方法,详细介绍了采用时间序列AR模型对矿井瓦斯涌出量进行预测的具体实现。实验结果表明,该方法能准确预测矿井瓦斯涌出量。     

基于EMD-ARMA的矿井瓦斯涌出量预测

以矿井瓦斯涌出量预测方法为主要研究目的,针对瓦斯涌出量影响因素多,各因素间耦合机理及瓦斯涌出量变化规律复杂等诸多预测难点,提出了一种基于经验模态分解(EMD)和ARMA时间序列的综合分析方法,采用经过处理的时间序列对矿井瓦斯涌出量进行具体预测。根据各样本数据的不同特点选取合适的模型,建立EMD-ARMA预测模型,对矿井瓦斯涌出量及其变化趋势进行预测。     

基于随机动态模型的矿井瓦斯涌出量预测研究

为了对矿井瓦斯涌出量进行预测,基于灰色系统和时间序列分析的基本理论,建立了矿井瓦斯涌出量预测的随机动态模型,并将该模型应用到某矿瓦斯涌出量预测分析中.实例应用表明,随机动态模型在矿井瓦斯涌出量预测方面是有效的,预测结果正确可靠,反映出了矿井瓦斯涌出量的发展态势.     

改进的R/S分析方法及矿井瓦斯涌出量预测

针对矿井瓦斯涌出量的非线性动力学特性,以平煤六矿1978-1991年的矿井瓦斯涌出量构建时间序列,通过改进的重标极差(R/S)方法对其进行分析。分析结果表明:CH4、CO2涌出量时间序列的霍斯特指数分别为0.996 7、0.847 8;分形维数分别为1.003 3、1.152 2。同时,对时间序列进行V(n)分析,得出CH4涌出量序列的记忆期为11 a,CO2涌出量序列的记忆期为10 a,矿井瓦斯涌出量时间序列看似无序却蕴藏规律,该结论的提出具有一定的指导意义。     

基于神经网络的矿井瓦斯涌出预测系统及应用研究

正确预测瓦斯涌出量,对于指导矿井设计和安全生产具有重要的现实意义。针对现有的矿井瓦斯涌出量预测方法的不足,开发了基于神经网络的矿井瓦斯涌出量GGP预测系统,改进神经网络模型的学习算法,并在工程上进行验证,能够实现矿井瓦斯涌出量预测的数字化、信息化与自动化。     

基于RBF神经网络的煤矿瓦斯涌出量预测

煤矿瓦斯涌出量预测是矿井安全中的一个关键和热点问题。煤矿瓦斯涌出量涉及很多因素,例如日产量、日进度、煤层厚度、煤层间距、煤层深度等,瓦斯涌出量预测是一个非线性问题。径向基神经网络是目前应用非常广泛的一种局部神经网络模型,在函数回归、序列预测中具有很好的应用效果。文中提出了将径向基神经网络用于预测煤矿瓦斯涌出量的想法,并分析了可行性。     

基于神经网络的矿井瓦斯涌出量预测系统及应用

正确预测瓦斯涌出量，对于指导矿井设计和煤矿安全生产有重要的现实意义。为解决现有的矿井瓦斯涌出量预测方法不能实现自动化处理等问题，本文开发了基于神经网络的矿井瓦斯涌出量预测系统GGP，并介绍了该系统在实际工程上的应用情况。     

优化神经网络在矿井瓦斯涌出预测中的应用

为有效预测矿井瓦斯涌出量,减少瓦斯灾害事故,通过分析得出影响瓦斯涌出量影响因素关系为原始瓦斯含量煤层厚度工作面长度推进速度煤层埋深煤层倾角,运用优化神经网络模型及MATLAB软件模拟预测矿井瓦斯涌出量。结果显示,预测结果与实测结果平均误差仅为2.3%,证明优化神经网络模型能达到较好预测效果,预测精度较高,可应用于矿井瓦斯涌出量预测中。     

改进的EMD-Elman采煤工作面瓦斯涌出预测

采煤工作面时间序列的瓦斯涌出量对于煤矿安全生产具有重要意义。针对瓦斯涌出量的非线性和不稳定性的特点,基于EMD和Elman神经网络基本原理,建立改进的EMD-Elman时间序列的瓦斯涌出量预测方法,首先EMD分解提取瓦斯涌出量时间序列不同尺度信息,Elman对子模型进行预测,然后,通过加权融合,对加权结果进行PSO算法寻优处理,得出瓦斯涌出量预测结果,并对预测方法进行了应用研究,研究结果表明:工作面瓦斯涌出量预测结果吻合度为95.3%,均方误差为0.0025;改进的EMD-Elman瓦斯涌出预测方法,能够有效显示瓦斯涌出的不稳定性非线性特点,降低不稳定性对预测结果的影响,预测吻合度高达95.2%。     

改进的神经网络在瓦斯涌出量预测中的应用

以解决矿井瓦斯涌出量预测问题为研究目的,将模糊系统和人工神经网络有机结合起来,组成T-S模糊神经网络,利用遗传算法对网络中参数值进行优化,对淮南某煤矿进行试验并分析。结果表明预测模型正确可靠。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。     

基于混沌时间序列的神经网络对瓦斯涌出量预测

瓦斯灾害是煤矿中最严重的灾害之一,瓦斯治理是我国煤矿安全的主攻方向。瓦斯涌出量的预测对遏制矿山瓦斯灾害、保证矿山安全和矿山技术经济指标都有重要意义。传统的方法预测精度不高,而神经网络在构建网络模型时具有一定的主观性。将混沌时间序列理论引入瓦斯预测中,为构建神经网络模型提供理论依据。通过实例证明在实际应用中是可行的。     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对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:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

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。     

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。