瓦斯异常涌出混沌时间序列预测模型的建立

运用混沌理论对平煤十矿的实际瓦斯涌出数据进行了分析处理,采用基于关联积分的C-C方法确定了重构空间的时间延迟和嵌入维数,并对时间序列数据进行相空间重构,利用最小数据量法确定了时间序列的最大Lyapunov指数;运用混沌理论加权一阶局域预测方法,建立了混沌时间序列瓦斯异常涌出预测模型;并利用平煤十矿己15-24080掘进工作面31d的瓦斯实际浓度数据对该模型进行了预测效果检验。结果表明:时间序列的最大Lyapunov指数大于零,证明了时间序列数据具有混沌特征;模型中瓦斯异常涌出的预测发生时间和实际发生时间比较吻合,预测精度达93%。预测模型的可靠性为制定煤矿瓦斯防治措施和采取安全防护措施提供了理论依据。     

矿井涌水量的混沌时序预测研究

为真实还原矿井涌水动态特征,开展了基于相空间重构理论的矿井涌水量混沌预测研究。采集某铅锌矿山日涌水量时间序列,运用互信息函数法和Cao氏方法确定重构参数,以此对原始序列展开相空间重构。根据对重构序列主分量谱图及最大Lyapunov指数的分析,确定了重构序列的混沌特征,并计算其有效预测时长为13d,在有效预测时长内,平均预测误差为4.81%,预测效果较好;超过有效预测时长后,预测精度迅速下降,平均预测误差为15.13%。结果表明,将混沌方法用于矿井涌水量预测具有原理简单、计算效率高等优点,但仅适用于短期预测。     

BP神经网络在煤矿井下涌水量预测中的应用

矿井涌水量受到多种因素的共同影响,具有非线性和高度复杂性的特点。根据黄陵一号煤矿井下涌水量影响因素及2014—2018年的涌水量数据,采用2种不同的输入神经元的方法创建神经网络预测模型,用已知数据对创建好的模型进行训练,得到拟合精度较好的模型,并用得到的神经网络模型对涌水量进行预测,最后与实际值进行比较。结果表明,2种神经网络模型的预测结果精度都较好,但预测精度有差异,用涌水量影响因素为输入神经元的模型在短期预测精度上低于涌水量组合作为输入神经元的模型;而在长期预测方面,涌水量影响因素为输入神经元的模型预测精度高于涌水量组合作为输入神经元的模型。     

矿井涌水量时间序列混沌特性的Lyapunov指数的计算与判别

矿井涌水量时间序列包含矿区地下水系统长期演化的信息。根据相空间重构技术,首先采用自相关函数法和虚假邻点法,确定最佳延迟时间和最佳嵌入维数。重构相空间后,再利用Wolf提出的从单变量时间序列中提取Lyapunov指数的方法。该文分别计算了湖南湘中涟邵煤田大水岩溶矿区4个矿井涌水量时间序列的Lyapunov指数,按照混沌特性判别准则,4个矿井涌水量时间序列均存在明显的混沌特性。这不仅为今后矿区地下水系统的非线性研究提供了理论依据,而且为矿井涌水量预测模型的选择提供了有力的依据。     

基于分形和支持向量机矿井涌水量的预测

针对矿井涌水量预测问题,提出一种新的非线性预测方法。首先利用分形理论对矿井涌水量的时间序列进行相空间重构,应用自相关系数法确定最小嵌入维数,并以最小嵌入维数作为支持向量机的输入节点,根据支持向量机原理建立矿井涌水量的预测模型。将河南鹤壁四矿1982-1997年的矿井涌水量作为时间序列的训练样本,在Matlab环境下,利用所建立的预测模型预测不同嵌入维数时2000和2001年的矿井涌水量。结果表明：与其他维数相比,当嵌入维数为4时,井筒涌水量的预测值误差最小,预测精度最高。为检验该方法预测的可靠性,分别将不同维数下井筒、巷道和工作面涌水量1988-2001年的预测值与观测值进行对比,发现预测值与观测值较一致。〓     

矿区地下水系统演化混沌特性的Lyapunov指数判别

系统的特征指数--Lyapunov指数在表征系统的混沌性质方面起着重要的作用, 是定量描述系统对初始条件敏感程度的参数.根据Pacard和Takens提出的相空间重构技术,首先确定延迟时间和最佳嵌入维数,重构相空间后,再利用Wolf提出的从单变量中提取Lyapunov指数的方法,分别计算了湖南湘中涟邵煤田大水岩溶矿区4个矿井涌水量时间序列的Lyapunov指数,按照混沌特性判别准则,结果表明,在开采条件下,各矿区地下水系统的演化存在明显的混沌特性,这不仅为矿区地下水系统的深入研究提供了理论依据,而且为矿井涌水量预测模型提供了有力的依据.     

基于灰色BP神经网络的水位矿井涌水量预测

在对矿井涌水资料总结分析的基础上,结合背景资料和灰色关联度分析新集二矿涌水量与长观孔水位的关系,将关联性好的4个钻孔水位作为BP神经网络的输入神经元进行建模预测,结果表明,基于灰色关联度的神经网络模型预测矿井涌水量精度较高,以水位作为输入神经元是可行的,为矿井涌水量预测提供了一种新思路、新方法。     

基于深度置信网络的矿井涌水量预测研究

在矿井开采过程中，准确预测矿井涌水量对于矿井防治水及高效、安全生产具有重要意义。针对矿井涌水量影响因素复杂导致预测精度不高的问题，提出一种基于深度置信网络(DBN)间接预测矿井涌水量的方法。针对不同的盘区建立相应的DBN涌水量预测模型，对矿井各个盘区水仓提取涌水量数据，之后分别导入DBN预测模型进行预测，得到各个盘区的涌水量，进而得出矿井总体涌水量，同时将结果分别与BP、ELM神经网络以及DBN直接预测矿井涌水所得到的预测结果进行对比。试验结果表明，DBN间接预测的预测精度最高，其平均绝对百分误差仅有5.85%,运行时长也大幅缩短，说明DBN间接预测矿井涌水量模型具有更好的预测效果。研究结果为矿井涌水量的准确预测提供了一种新的方法。     

基于一步向前预测回归树的内燃机振动信号趋势预测

针对内燃机振动信号非线性、非平稳特点,提出了一种基于一步向前预测回归树的新模型。首先确定合适的嵌入维数和时间延迟,从而据此确定回归树的输入;然后,建立回归树预测模型;最后,用原始时间序列对所建立的模型进行预测性能评价,并将此方法与神经网络、支持向量机预测方法相比较。     

基于改进广义回归神经网络的工作面低氧预测模型研究

为了更有效合理地解决煤矿工作面中低氧问题,以神东某煤矿工作面监测数据为样本, 考虑监测物理参数之间的相互影响关系,借助主成分分析法对广义回归神经网络(GRNN)进行 改进,构建工作面氧气浓度预测模型,编制改进的GRNN模型程序。 将预测氧气浓度结果与实测 数据对比,证明改进后的GRNN模型具有良好的拟合准确度和泛化能力,比改进前GRNN模型和 BP神经网络模型更适合于煤矿工作面低氧问题的预测;利用改进的GRNN模型分析了工作面 进、回风压力及进风温度对工作面及回风平巷氧浓度的影响,为矿井工作面低氧预测及工作面低 氧防治技术提供了参考。