参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的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IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-ENN和GSA-ELM神经网络预测模型相比,预测精度分别提高310%、60%、31%,为回采工作面瓦斯涌出量的预测提供了一种新的快速预测方法。     

基于JADE-ELM的煤巷围岩稳定性预测

为了对煤巷围岩稳定性进行科学、准确的预测,提出了一种将自适应差分进化算法(JADE)与极限学习(ELM)结合的煤巷围岩稳定性预测新方法。基于ELM训练速度快、泛化能力好和易获取全局最优解的优点,采用JADE优化ELM的输入权值矩阵和隐含层偏差,减少随机性造成的误差,建立JADE-ELM煤巷围岩稳定性预测模型。利用霍州煤矿区煤巷实测数据进行实例分析,并将预测结果与ELM、BP、RBF神经网络比较。结果显示:JADE-ELM模型预测平均精度为97.85%,比ELM、BP、RBF模型分别高出4.05%、17.85%、22.85%,JADE-ELM模型具有更高的预测精度,能够更准确的对煤巷围岩稳定性进行预测。     

近距离煤层群开采工作面瓦斯涌出量预测方法研究

在进行近距离煤层群开采工作面瓦斯涌出量预测时,下部煤层由于受上部多个煤层开采的影响,瓦斯会多次释放,瓦斯含量将大幅降低,利用行标所述方法进行下部煤层工作面瓦斯涌出量计算时,将不可避免地造成预测结果的偏差。为准确计算近距离煤层群开采时工作面的瓦斯涌出量,引入开采层对邻近层瓦斯涌出影响系数,对当前行标中开采层瓦斯涌出量计算公式和邻近层瓦斯涌出量计算公式中煤层原始瓦斯含量和煤层残存瓦斯含量进行了修正,提出了修正后的开采层瓦斯涌出量计算公式和邻近层瓦斯涌出量计算公式。利用修正后的计算公式对河北某矿近距离煤层群开采条件下各煤层回采工作面的瓦斯涌出量进行算例分析,并与行标所述方法进行比对,结果表明,两者之间在计算首采层瓦斯涌出量时结果基本一致,偏差为0.35 m3/t,其余各煤层回采工作面的瓦斯涌出量计算值均有较大幅度的偏差,偏差最大时,按行标所述方法计算的结果是按修正后公式计算结果的4.45倍,两者偏差达到3.76 m3/t。结合矿井工作面实际瓦斯涌出情况,按照修正后的计算公式计算的工作面瓦斯涌出量结果更接近于矿井实际回采工作面的瓦斯涌出量,验证了所提出的修正后的开采层瓦斯涌出量计算公式和邻近层瓦斯涌出量计算公式的准确性。     

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。     

基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

综采工作面瓦斯涌出量数学预测模型建立及实测应用

为了实现综采工作面瓦斯涌出量精准化预测的目的,以煤体瓦斯涌出规律本构方程为理论研究基础,综合综采工作面各瓦斯涌出源自身特征因子,建立了煤壁瓦斯涌出量数学预测模型、落煤瓦斯涌出量数学预测模型、采空区遗煤瓦斯涌出量数学预测模型以及邻近层瓦斯涌出量数学预测模型。运用该数学预测模型对煤层群条件下的上社煤矿9209和沙曲煤矿14205综采工作面瓦斯涌出量进行了计算,计算结果与实测统计值之间的误差仅为2.60%和4.92%,均小于5.00%,验证了该数学预测模型的准确性。在此基础上,运用该数学预测模型对9209和14205综采工作面不同产煤量条件下的瓦斯涌出量进行计算,结果表明：9209和14205综采工作面瓦斯涌出量随工作面产煤量增加近似呈线性增大,其中邻近层瓦斯涌出量最为显著,该数学预测模型在综采工作面瓦斯涌出量预测工作中具有一定的实际应用价值。     

基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用

邻近层瓦斯向回采工作面运移是造成工作面瓦斯浓度超限的原因之一。运用遗传算法和BP神经网络的基本理论,选取了影响邻近层瓦斯涌出9个基本指标,建立邻近层瓦斯涌出的预测模型,并通过现场实测数据对邻近层瓦斯涌出量进行了预测。预测结果表明:该模型预测获得的精度较高,预测模型可靠。     

瓦斯涌出量的灰色模型预测与曲线拟合预测对比

为了研究矿井瓦斯涌出量预测的规律,分析了2种常用预测模型数据的处理方法.结合顾桥煤矿1116(1)工作面瓦斯涌出量监测数据,将灰色GM(1,1)模型与曲线拟合方法应用于该工作面瓦斯涌出量的数据处理和预测结果的分析、检验,精度满足瓦斯涌出量预测要求,并运用F检验法,对2种预测结果进行相关性分析,得出了合理选择灰色GM(1,1)预测模型预测矿井瓦斯涌出量的基本结论.     

基于FastICA-BA-ELM的瓦斯涌出量预测管理研究

为有效分析和准确预测工作面绝对瓦斯涌出量,基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理,建立FastICA-BA-ELM多尺度时变预测模型进行工作面瓦斯涌出量的预测。利用FastICA对瓦斯涌出量时变序列进行多层深度分解,获取相互独立的多尺度分量;对各分量运用BA-ELM模型进行预测;等权叠加各预测值重构模型预测结果。以屯兰矿12507回采工作面瓦斯涌出量监测样本为例进行分析研究,结果表明:监测数据自身携带诱使瓦斯涌出量变化的大量信息,FastICA-BA-ELM模型能有效反映出监测数据间的本质结构,进一步凸显瓦斯涌出量的非平稳特征;模型预测的平均相对误差为1. 577%,平均绝对误差为0. 1124m~3/min,均方根误差为0. 1244m~3/min,较其他模型,其预测精度和稳定性显著提高。为煤矿瓦斯完全管理工作提供了良好的理论与技术支撑。