分源法预测回采工作面瓦斯涌出量

在分析了分源法预测瓦斯涌出量原理的基础上,本文结合某矿区回采工作面实况和保护层工作面瓦斯涌出量预测经验总结,对目前分源法预测回采工作面瓦斯涌出量模型进行了修正,并将预测结果与实测的瓦斯涌出量值进行了比较。结果表明,修正后的分源法预测模型能可靠的预测回采工作面瓦斯涌出量,对该矿回采工作面瓦斯治理提供了依据。     

分源预测法在回采工作面瓦斯涌出量预测中的应用

预测瓦斯涌出量对于煤矿安全生产具有重要的作用。本文介绍了分源预测法预测回采工作面瓦斯涌出量的应用。通过分别计算开采层相对瓦斯涌出量及邻近层相对瓦斯涌出量,相加得到回采工作面瓦斯涌出量,为煤矿瓦斯安全治理工作提供了一定的依据。     

回采工作面瓦斯涌出规律及涌出量预测方法的研究

从对目前国内各种回采工作面瓦斯涌出量预测方法的分析,提出更为精确的预测计算公式,并以阳泉一矿１２＃ 煤层为例进行了预测验证。     

开滦林南仓矿回采工作面瓦斯涌出量分源预测

煤矿瓦斯灾害为影响煤矿安全生产主要隐患之一,而预测矿井未来瓦斯涌出量的大小,对于矿井通风设计、采掘工作面布置和采取有针对性的预防措施具有重大意义。在分析分源预测法基本原理的基础上,对林南仓8-1煤回采工作面瓦斯涌出量进行了较为准确的预测,为林南仓煤矿瓦斯治理提供了依据。     

基于随机森林的回采工作面瓦斯涌出量预测模型

正确预测回采工作面瓦斯涌出量,对于煤炭企业安全生产具有重要意义。通过引入数据挖掘中的随机森林算法,构建了回采工作面瓦斯涌出量预测模型,研究表明该模型具有较好的预测效果。     

高瓦斯回采工作面瓦斯涌出特征及治理方法研究

为了掌握回采工作面瓦斯涌出的状况及分布特征,寻找瓦斯的源头,确保工作面安全生产,通过对鸡西矿区某矿高瓦斯工作面的瓦斯来源及构成的研究分析,得出了回采工作面瓦斯涌出的分布规律.利用分源预测法对工作面瓦斯涌出量进行预测,依据工作面瓦斯涌出量构成及瓦斯涌出量预测结果,有针对性地提出了工作面瓦斯治理的几套措施,从而保证了该高产高效工作面的正常生产.     

史山煤矿回采工作面瓦斯涌出量预测研究

随着史山煤矿生产规模的扩大,瓦斯涌出量也日益增大,准备开采的06盘区左翼瓦斯地质资料比较缺乏,而且计划布置两个高档炮采放顶煤工作面以增大开采规模。针对以上情况,通过采用分源预测法、矿山统计法和瓦斯地质类比法分别对06盘区左翼回采工作面回采时的瓦斯涌出量进行了预测,以指导矿井的瓦斯管理和安全生产。     

基于瓦斯涌出的回采工作面参数识别BP神经网络模型

在分析回采工作面瓦斯涌出规律的基础上,运用BP人工神经网络模型,在给定工作面风量条件下,进行高瓦斯矿井回采工作面参数识别。合理地选择了采煤方法、循环作业方式、工作面推速度、工作面日产量等。模型精度很高,有一定的实用价值。     

基于不同权重法的回采工作面瓦斯涌出量组合预测

以矿井回采工作面瓦斯涌出量预测为目的,基于单项预测模型选择偶然性及信息源局限性,首次全面系统地利用方差-协方差法、最优加权法及递归方差倒数法3种计算组合权重系数的组合预测模型方法进行单项和不同组合模型的运用及对比分析。     

采煤工作面瓦斯分源预测及误差分析

山西古交太原某煤矿开采煤层多同时会有大量瓦斯涌出,通过分源预测法对矿井的2~#、3~#、6~#、7~#、8~#、9~#煤层的回采工作面进行数值分析,得到邻近层瓦斯排放率与层间距的关系曲线。通过分源法得到瓦斯涌出量数据和实际值接近,但是仍然存在误差,并分析得出误差产生的原因。     

工作面瓦斯涌出量的神经网络模型预测研究

通过对BP神经网络原理的分析 ,设计出了预测工作面瓦斯涌出量的BP神经网络模型。然后 ,在所建模型的基础上 ,采用matlab语言 ,实现了预测工作面瓦斯涌出量的BP神经网络模型。通过使用样本对网络进行训练和对几十个实际数据的仿真 ,得到了很好的预测结果。从预测结果看出 ,达到了工程实际能够接受的预测精度 ,说明该模型能够用于矿井的瓦斯涌出量预测。     

基于LS-SVM的回采工作面瓦斯涌出量预测

提出了一种基于最小二乘支持向量机（LS-SVM）的回采工作面瓦斯涌出量预测新方法.一方面,该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网络等智能方法在对回采工作面瓦斯涌出量进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,该方法用等式约束代替不等式约束,降低了计算的复杂性,使得预测容易实现.实验表明,该方法具有预测精度高、速度快、容易实现等优点,适合对回采工作面瓦斯涌出量的预测.     

矿井瓦斯涌出量预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来，并运用于矿井瓦斯涌出量的预测中。通过对矿井瓦斯涌出量时间序列的模糊分形处理，用BP神经网络对影响因素间的非线性关系进行拟合。检验结果表明，模型可靠，预测精度高。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

基于分源预测法的西冯街煤矿3~#煤层瓦斯涌出量预测

瓦斯涌出量参数是衡量矿井安全状态的一个指标,也是新建矿井设计过程需要解决的一个重要课题.采用钻屑解吸指标法对西冯街煤矿3#煤层的原始瓦斯含量和残存瓦斯含量进行了测定并分析了瓦斯含量分布特征.利用线性回归方法研究获得3#煤层瓦斯含量与埋藏深度的关系,得出可燃质瓦斯含量增长梯度每100m为6.44m3/t.最后采用分源预测法对西冯街煤矿3#煤层上分层开采前期、中期和后期瓦斯涌出量进行了预测,并分析了矿井瓦斯涌出影响因素和涌出来源,对矿井通风与瓦斯抽采设计具有一定指导意义.     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

基于主成分回归分析法的回采工作面瓦斯涌出量预测

以预测回采工作面瓦斯涌出量为目的,通过主成分分析方法得到了影响回采工作面瓦斯涌出量的主成分,并采用主成分分量进行多步线性回归来预测回采工作面瓦斯涌出量。结果表明,采用的主成分回归分析方法减少了回归分析需要考虑的变量个数,结果具有较好的精确度。     

基于BP神经网络的未采区瓦斯含量预测

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋存的主要因素,并将其作为BP神经网络模型的输入端神经元,初步构建出瓦斯含量预测模型;结合地勘时期瓦斯钻孔的实际数据,进行网络训练,再对预测模型的可靠性进行检验。结果表明:该预测模型预测瓦斯含量,精度较高,效果较好,能满足工程要求。采用多元线性回归-BP神经网络可以对未开采区域煤层瓦斯含量进行准确预测,为矿井瓦斯灾害防治提供一定的参考依据。     

基于ACSOA-BP神经网络的瓦斯含量预测模型

针对煤矿瓦斯含量预测问题,以陈四楼煤矿为例,在煤层瓦斯含量影响因素分析的基础上,通过对种群进行混沌初始化,并引入自适应混沌算法和非线性收敛因子,提出了自适应混沌海鸥算法(ACSOA),建立了基于自适应混沌海鸥算法优化BP神经网络的瓦斯含量预测模型(ACSOA-BP),将模型应用于矿井进行预测效果检验。结果表明:陈四楼煤矿二2煤层瓦斯含量与不同因素呈非线性关系,地质构造是控制煤层瓦斯分布的主要因素,ACSOA-BP模型具有更高的预测精度和稳定性。     

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.