煤与瓦斯突出预测多元数据可视化系统构建与应用

针对现有煤与突出预测方法存在可视化程度低、突出预测准确性和实时性不高等问题,以新元煤矿为试验矿井,构建了煤与瓦斯突出预测多元数据可视化系统。该系统通过物探、钻探等方式及WTC瓦斯突出参数仪、安全监控系统、专用数据采集仪获取突出预测所涉及的基础数据,通过井下工业环网和地面办公网实现突出预测数据的传输;采用涵盖突出危险性时空演化关系的区域总体把控、局部在线辨识两级预测方法,通过深度挖掘煤与瓦斯突出预测多元数据,使杂乱的原始数据变得有序,为数据可视化奠定基础;通过基于WebGIS的突出预测综合可视化平台对区域预测和局部预测子系统的数据进行有效融合,实现对预测结果及多元数据的直观展示,使突出预测过程可控、结果可查。应用结果表明,该系统改变了新元煤矿突出预测指标单一、不连续的现状,显著提高了矿井煤与瓦斯突出预测准确性与实时性。     

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。     

基于聚类和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素,提出了一种基于聚类和案例推理（CBR）的煤与瓦斯突出预测方法。利用通过一种基于PCA的描述案例特征权值确定方法所得的描述案例特征权值,对案例库案例进行聚类,使同类案例间具有较高的相似度;以案例聚类结果为基础,进行高效案例检索与匹配,以提高煤与瓦斯突出预测的快速性。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性高,预测所用平均时间是已有煤与瓦斯突出预测案例推理方法预测所用时间的40%。     

基于PCA与权重贝叶斯的工作面煤与瓦斯突出预测

为实现对工作面煤与瓦斯突出快速、准确和动态的预测,提出一种基于主成分分析和权重贝叶斯的工作面煤与瓦斯突出预测方法,通过建立工作面煤与瓦斯突出预测的权重贝叶斯模型进行突出危险性等级预测。利用主成分分析确定预测模型中分类变量权重以提高预测准确性。在此基础上,设计基于相似度的训练样本数据更新方式实现对突出预测模型的有效重构。实验结果表明,与朴素贝叶斯模型和权重贝叶斯模型相比,基于主成分分析和权重贝叶斯工作面煤与瓦斯突出预测方法能快速获得高准确度的突出预测结果,为现场指导矿井工作面安全生产提供参考。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

主成分—费歇尔判别模型在煤与瓦斯突出等级预测中的应用

针对现有煤与瓦斯突出预测方法存在计算过程较复杂、预测主观性强、预测精度较低等问题,构建了主成分-费歇尔判别模型,并将其应用于某煤矿的煤与瓦斯突出等级预测。从瓦斯因素、煤体结构及地质构造方面分析得出了影响该矿煤与瓦斯突出的因素包括瓦斯压力、瓦斯含量及瓦斯放散初速度等指标。以影响该矿煤与瓦斯突出的23组实测数据为基础,首先利用主成分分析模型对影响该矿的煤与瓦斯突出因素进行降维,提取与指标相关度较高的5个主成分,然后将5个主成分输入费歇尔判别模型,并根据判别函数对样本进行煤与瓦斯突出等级预测。应用结果表明:主成分-费歇尔判别模型具有较高的可信性,能对煤与瓦斯突出等级进行准确预测,训练样本的正确率为100%,待测样本的预测结果也与该矿煤与瓦斯突出的实际情况相符,误判率为0,为准确预测煤与瓦斯突出提供了一种新方法。     

基于变精度粗糙集的煤与瓦斯突出预测

煤与瓦斯突出是受诸多因素影响的复杂问题,为了提高其预测的准确性,本文以变精度粗糙集理论中的决策表为主要工具,首先将影响煤与瓦斯突出的检测信号作为预测的条件属性集,煤与瓦斯突出量作为对预测的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出预测规则。算例结果说明了本算法的正确性和可行性。     

煤与瓦斯突出协同预测技术研究及应用

针对现有煤与瓦斯突出预测技术难以实现时间和空间领域的全方位连续预测、防突预测结果利用率低、预测信息发布滞后等问题,提出了一套适用于现代化高产高效矿井的多因素、全方位、时空连续型的煤与瓦斯突出协同预测技术体系.按照煤与瓦斯突出形成的时空维度,将煤与瓦斯突出危险性预测划分为以空间维度为主的区域突出危险性预测和以时间维度为主的局部突出危险性预测.通过对地质构造、煤层埋深、煤体煤质、软煤分布、钻屑指标、瓦斯涌出初速度等区域、局部防突预测数据的深度挖掘分析,得到区域、局部突出危险性预测结果,并按照一定规则进行有效融合,实现时间和空间范围内的连续监测预警.研发了配套的防突信息综合管控平台和WTC-1型瓦斯突出数据采集仪,为煤与瓦斯突出协同预测技术的实现提供了软硬件支撑.现场应用结果表明,该技术预测准确率超过90%,防突预测结果单次审批时间缩短为原来的22.5%,防突信息综合管控平台多次超前捕捉到了煤与瓦斯突出危险,提高了矿井防突信息利用效率.     

基于突变级数法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出发生的内在机理非常复杂、难以建立合适的多因素非线性预测模型的问题,提出了基于突变级数法的煤与瓦斯突出危险性预测方法。该方法选用典型突出矿井的煤与瓦斯突出实例作为学习样本,确定了不同冲击危险等级的突变级数,并应用于其他待判样本的预测。实际应用结果表明,该方法能较准确地反映煤与瓦斯突出的危险程度,预测精度较高。     

基于贝叶斯网络的煤与瓦斯突出预测研究

贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。为了正确预测煤与瓦斯突出的危险性,提出了一种基于贝叶斯网络的煤与瓦斯突出预测方法。在综合影响煤与瓦斯突出的因素和领域专家知识的基础上建立了网络结构,通过对先验知识和样本数据的学习,实现了煤与瓦斯突出的预测,取得了较好的效果。实验表明,该模型网络学习速度快,准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法

针对基于支持向量机(SVM)的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群(IPSO)算法与Powell算法相结合(IPSO-Powell)优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法(PSO)的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于PCA和PSO-ELM的煤与瓦斯突出软测量研究

针对煤与瓦斯突出预测效率和准确率不高这一问题,提出将主成分分析(PCA)法与改进的极端学习机(PSO-ELM)相结合的方法对煤与瓦斯突出进行预测。根据某煤矿地质动力区划方法,在划分活动断裂,岩体应力计算等工作基础上获取影响突出的相关数据;通过主成分分析法对原始数据进行降维处理,消除变量间的线性相关性;利用粒子群算法(PSO)对极端学习机(ELM)的输入权值和隐层阈值进行优化,建立PSO-ELM预测模型,将提取的主成分作为该模型的输入,煤与瓦斯突出强度作为模型输出。实验结果表明,该方法的预测精度高、结构简化,具有较强的泛化性能力强。     

煤与瓦斯突出预测的NN-SVM模型

为提高煤与瓦斯突出预测的精度和速度,通过基于邻域粗糙集(NRS)理论对特征向量降维,提取出影响煤与瓦斯突出的核心致突因素,采用改进的支持向量机(NN-SVM)理论来构建煤与瓦斯突出风险与由各种致突因素组成的特征向量之间的非线性关系.从而建立了基于邻域粗糙集(NRS)与改进的支持向量机(NN-SVM)相结合的煤与瓦斯突出预测模型.实验结果表明,该预测模型预测精度高,运算速度更快,同时还具有很好的泛化能力.     

基于蚁群-模糊聚类算法的井下工作面瓦斯突出预测

针对现有的瓦斯预测方法在实际应用中受到较大限制且预测结果的准确性较差的问题,提出了一种基于蚁群-模糊聚类算法的瓦斯突出预测方法;分析了蚁群-模糊聚类算法的基本原理及实现步骤,并以某煤矿井下工作面某时段内的瓦斯突出数据为例,采用蚁群-模糊聚类算法对该数据进行了挖掘分析,从而找出了瓦斯突出量与其影响因素即埋藏深度、煤层厚度、瓦斯含量、日进度、煤层间距、日产量之间的关系。测试结果表明,该方法预测结果与实际监测记录完全一致,具有较高的聚类预测性能。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.