基于灰色理论与BP神经网络的煤层瓦斯含量预测方法

运用瓦斯地质理论分析了影响煤层瓦斯赋存的主要因素,并采用灰色关联分析法对影响煤层瓦斯含量的主要因素进行了关联度分析,选取CH4(%)、围岩岩性、煤层埋深3个主要因素作为BP神经网络的输入端神经元,构建出了预测瓦斯含量的预测模型,并进行网络训练,最后对预测模型的可靠性进行检验。结果表明:采用BP神经网络模型预测瓦斯含量比多元线性回归法的精度更高,能满足工程要求,对于煤层瓦斯含量的准确预测具有一定指导意义。     

基于灰色理论-BP神经网络预测瓦斯含量

以山阳矿5号煤层为研究对象,运用瓦斯地质学和灰色关联分析法,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。检验结果表明,采用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。因此,采用灰色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了一定的参考依据。     

基于灰色神经网络预测潘一东矿瓦斯含量

运用灰色关联分析影响潘一东矿井瓦斯含量的各因素,得出煤层标高、顶板岩性、煤厚、地质构造是影响瓦斯赋存的主要因素。选取这四种因素作为神经网络的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瓦斯含量,预测精度高,证明了基于灰色理论与神经网络预测模型的可靠性。     

基于灰色理论-BP神经网络的煤层瓦斯含量预测研究

煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。     

基于LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量,设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理,然后建立了基于LM-BP神经网络煤层瓦斯预测模型,最后采用地勘钻孔的相关参数制作样本进行模型训练和预测,将设计的预测模型的性能与基于BP神经网络模型进行对比,结果表明,2种模型在预测准确率方面达到基本一致,都在90%以上,在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。     

基于构造复杂程度定量评价的瓦斯含量预测BP模型

首先分析总结了构造复杂程度的3个定量评价指标--K_d（断层复杂程度系数）、K_z（褶皱复杂程度系数）和K_q（倾角复杂程度系数）;然后,在分析潘三煤矿瓦斯地质特征的基础上,把K_d,K_z,K_q,煤层埋深和基岩厚度作为影响该矿煤层瓦斯含量的因素,建立了潘三煤矿的瓦斯含量预测BP神经网络模型;对建立的模型进行学习训练,经5 470次迭代,模型收敛,其精度高于多元回归模型,说明利用构造复杂程度定量评价系数来预测瓦斯瓦斯含量是可行的.     

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。     

应用神经网络进行煤层瓦斯含量预测

本文提供了一种新的煤层瓦斯含量预测方法－神经网络法。通过一个应用实例表明，这种方法是优于回归分析的切实可行的方法。     

基于遗传神经网络的煤层瓦斯含量预测

将遗传算法和神经网络结合起来,利用遗传算法优化神经网络的连接权值,建立基于GA-BP混合算法的神经网络煤层瓦斯含量的预测模型,实际预测结果表明,该算法具有较高的预测精度和较快的运算速度,能为矿井瓦斯灾害的预测预防提供帮助。     

BP神经网络技术在煤层瓦斯含量预测中的应用

文章以赵庄煤矿2号井3号煤层地质条件为背景,依据煤层瓦斯含量影响因素,应用人工神经网络的理论与方法,建立了煤层瓦斯含量的BP神经网络预测模型。应用该网络对井田范围内未知区域进行煤层瓦斯含量预测和分析,从而绘制出较为准确的井田瓦斯含量预测图。为煤层瓦斯含量预测提供新的研究方法和研究手段。     

基于灰关联-神经网络方法的冲击地压预测

通过对影响冲击地压的各因素进行灰关联分析,得出了各因素对冲击地压影响程度的重要性排序,选择关联度排列前8位的影响因素作为输入参数,建立了冲击地压预测的BP神经网络模型,并进行了实际应用。     

基于灰色理论和BP神经网络的多绳摩擦提升机钢丝绳张力不平衡预测

对多绳摩擦提升机钢丝绳张力不平衡进行预测和预警,既有利于保证生产安全,又能节约成本,合理安排生产计划。提出了新陈代谢GM(1,1)灰色模型和BP神经网络相结合的混合模型,对钢丝绳张力不平衡程度进行预测。试验结果证明了该模型的有效性,为钢丝绳张力不平衡预测研究提供参考依据。     

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。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

灰关联分析与BP神经网络方法在矿井瓦斯涌出量预测中的应用

将灰关联理论运用到影响矿井瓦斯涌出量预测指标的选取中,确定了影响矿井瓦斯涌出量预测的主要指标。根据这些指标建立了矿井瓦斯涌出量的BP神经网络模型,结合某矿的实际数据,对预测模型进行训练和验证,得到了很高的预测精度和较快的收敛速度,取得了较好的实际应用效果。     

煤与瓦斯突出BP神经网络预测系统研究

煤与瓦斯突出是严重危害煤矿安全生产的一种非线性瓦斯动力灾害。文章将BP神经网络运用于煤与瓦斯突出预测模型,从煤与瓦斯突出的原因、BP神经网络用于煤与瓦斯突出预测的原理、运用实例三方面,对利用BP神经网络预测煤与瓦斯突出的研究加以阐释,证明了BP神经网路预测系统的精度高于传统系统。     

用于煤与瓦斯突出预测的BP网络之C++实现

考虑到人工神经网络极强的非线性逼近能力，应用其来模拟煤与瓦斯突出事件与其影响因素之间的复杂非线性关系，理论上是一条可取的途径。采用面向对象程序设计方法（OOP），利用C＋＋实现了一个用于煤与瓦斯突出预测的优化BP网络通用程序，并详细探讨了程序的构造技术和设计方法，通过实际应用证明了上述思路的可行性。