模糊聚类评估法在煤与瓦斯突出预测中的应用

通过模糊聚类分析将影响煤与瓦斯突出的地质构造综合起来考虑,应用灰色系统理论中的多维灰色评估方法,对煤与瓦斯突出的样本集进行了分析研究,不仅可靠程度高,而且能定量描述待报样本与模式的危险程度。研究结果表明,该方法能准确对煤与瓦斯突出灾害进行预测,从而说明了该方法的可靠性。     

基于层次分析与模糊综合评判的突出危险程度预测

针对煤与瓦斯突出预测缺乏定量评价方法,将层次分析与模糊综合评判运用到煤与瓦斯突出危险程度预测中,使用层次分析法确定了煤与瓦斯突出各影响因素权重系数,运用模糊综合评判法建立了煤与瓦斯突出危险程度预测模型。最后,对某煤矿9煤层进行了煤与瓦斯突出危险性预测。结果表明,应用层次分析与模糊综合评判进行煤与瓦斯突出危险程度预测是可行的。     

基于自适应权重模糊C-均值聚类的瓦斯突出预测

 传统的模糊C-均值聚类在处理煤与瓦斯突出的预测时，由于其对初始聚类中心的过度依赖而导致预测结果准确率的降低。为了准确预测煤与瓦斯突出，提出了一种基于自适应权重模糊C-均值聚类的煤与瓦斯突出预测方法。该方法将瓦斯浓度相关影响因素作为特征空间中的样本，采用高斯距离比例表示权重，动态计算每个样本对于类的权重，对特征空间中的样本进行聚类分析预测，降低了算法对初始聚类中心的依赖。实例验证表明：所提出的方法具有较高的预测精度，具有较大的实用价值。     

模糊小波网络在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性,提出用改进的模糊小波网络技术建立煤与瓦斯突出预测系统,以模糊数学作为表达与处理不精确数据、模糊信息条件的手段,以小波网络与改进BP算法作为解决问题的途径。仿真结果表明,该模型收敛速度快,准确性高,具有较强的可靠性和实用性,是一种十分有效的煤与瓦斯突出危险性预测方法。     

基于模糊聚类分析和模糊模式识别的煤层底板突水区域预测

借助于模糊理论与技术可以较客观地实现煤层底板突水预测中模糊信息与模糊关系的正确表达与处理,综合考虑突水影响因素,提出了采用模糊聚类分析与模糊模式识别相结合的预测方法。首先采用模糊聚类分析对底板突水的样本集合进行分类,建立不同程度的模糊模式,然后对待测样本进行模糊模式识别,以此来预测待测样本的底板突水危险程度。此方法克服了模糊聚类单一分析方法的不确定性,提高了预测结果的准确程度。     

模糊神经网络技术在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生的内在机理的复杂性、突出影响因素与突出事件之间的相关规律的不精确性和模糊性， 使得基于经验的传统预测方法和基于数学建模的统计预测方法的应用都受到很大限制． 而具有表达、处理不精确信息和实现信息影射变换双重特性的模糊神经网络， 通过训练能够捕捉、把握影响突出的因素与突出事件之间的特定相关规律， 从而有望实现煤与瓦斯突出的正确预测．     

层次分析-模糊综合评判法在突出危险区域预测中的应用

将层次分析法和模糊综合评判方法[1]结合起来应用于煤与瓦斯突出危险区域预测研究中,运用层次分析法确定了煤与瓦斯突出各影响因素的权重值,采用隶属度作为定量化工具,构造了单因素判别矩阵,采用二级模糊评判建立了煤与瓦斯突出区域预测模型,并将该模型应用于某煤矿的突出区域预测及划分中,并与其他预测划分方法进行对比,结果表明,应用层次分析-模糊综合评判方法进行煤与瓦斯突出区域预测是可行的。     

基于GRA-SVM方法的煤与瓦斯突出预测模型研究

通过分析煤与瓦斯突出的主要影响因素,采取灰熵关联分析法进行关联度排序及特征向量的提取,利用支持向量机强大的模式识别能力,提出基于支持向量机的煤与瓦斯突出预测方法。以典型的煤与瓦斯突出样本为训练实例,利用Matlab平台下的Libsvm工具包建立预测模型,通过测试样本对模型进行验证,表明此模型具有较高的分类精度,适合于解决小样本的突出预测问题。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

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.     

基于模糊综合评判的煤与瓦斯突出危险性预测

依据煤与瓦斯突出的相关理论及其影响因素建立了突出危险性评价指标体系,利用层次分析法确定了煤与瓦斯突出中各评价指标的权重,采用模糊综合评价的方法进行了突出危险性预测。通过对发耳煤矿的采煤工作面进行煤与瓦斯突出危险性的定量预测和等级划分,结果表明,应用层次分析-模糊综合评判方法预测是可行的,从而为安全监管提供了依据。     

基于模式识别的煤与瓦斯突出危险性概率预测

 通过统计分析,以活动构造、最大主应力、瓦斯压力和瓦斯含量等主要因素作为煤与瓦斯突出的主要判据,建立突出预测模式识别的准则与模型,用模式识别的方法实现了煤层突出危险性的分单元概率预测,进而划分出突出危险区、威胁区和安全区。克服了单一指标预测结果的不确定性,同时实现了多指标定量化的预测,提高了预测效果的可靠性。谢一矿实例验证表明了预测结果的可靠性。     

Research on risk evaluation of mine gas outburst fatalness in Xiangshui Mine

The danger degree evaluation of coal and gas outburst is mainly evaluating spot risk using the safety examination table and the evaluation value can be found. According to factors influence coal and gas outburst majorth were qualitative or fuzzy similar factors, used fuzzy gathering classification method for the coal and the gas outburst analysis, established fuzzy model, according to the model adopted the fuzzy similar selective principle proceeding evaluated. Two kinds methods join together analysis can raise on the accuracy rate of the prediction. Supported by the National Natural Science Foundation of China(50674052)     

煤与瓦斯突出综合预测的集对分析模型与应用

针对煤与瓦斯突出的复杂性,应用集对理论,进行了同、异、反分析,确立了煤与瓦斯突出指标和突出可能性之间的联系度,进而建立了预测煤与瓦斯突出的集对分析模型。实例表明,集对分析方法能够较好地预测煤与瓦斯突出的可能性,是预测模糊系统的一种有效的、科学的方法。     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

煤巷炮掘工作面煤与瓦斯突出预警系统的开发

根据煤与瓦斯突出理论、模糊数学知识和计算机技术,研究开发了煤巷炮掘工作面煤与瓦斯突出预警系统,实现了计算机对煤巷炮掘工作面的突出危险性预测管理。该系统实现了由静态预测预报变为动态预测预报,由间隔预测预报变为半连续预测预报,可提高炮掘工作面煤与瓦斯突出预测的可靠性,并对有突出危险工作面进行及时报警,从而防止发生煤与瓦斯突出。采用钻屑指标法、瓦斯峰谷比值法、地质因素法和综合指标法作为突出预测方法,并将煤巷炮掘工作面的突出危险性划分为突出危险、突出威胁和无突出危险3类。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.     

基于突变理论的煤与瓦斯突出危险性预测的研究

将突变理论引入到煤与瓦斯突出危险性预测的研究中,进行了将突变理论和模糊数学结合的突变级数法进行突出预测的研究,从而构建了煤与瓦斯突出危险性预测的评价模型.基于突变理论的煤与瓦斯突出危险性的预测研究,综合考虑了不同指标对突出危险性的影响程度,通过实例分析计算表明,该方法预测结果能较好地与实际相吻合.