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。     

基于数据挖掘的煤与瓦斯突出实时预警研究

为提高工作面煤与瓦斯突出预警的准确率与时效性，利用工作面瓦斯涌出特征与突出“三要素”的之间的变化关系建立了以地应力系数、瓦斯压力系数、乘幂系数、变动率及离散率为基础的实时预警指标体系；将K-means聚类、FOA及RF三种算法结合构建基于数据挖掘的煤与瓦斯突出实时预警模型探究实时预警指标与煤与瓦斯突出的潜在发生规律，并通过模型的智能寻优及训练输出最优预警等级；现场应用结果表明：所建预警指标敏感性较好，预警模型的运算时间为0.118s，在本次实例应用中提前4小时发出煤与瓦斯突出危险级别预警，预警等级与现场突出实际情况较吻合，且与K1值、钻粉量S具有较好的一致性，实现工作面煤与瓦斯突出实时、准确预警。     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

基于Storm与PLC技术融合的煤矿自动化排水系统

针对目前国内煤矿井下排水系统自动化程度低、不能对采集的大量动态数据进行实时的分析和储存、可靠性及应急性差等问题,设计一套基于Storm大数据实时处理平台与PLC水泵控制技术融合的煤矿自动化排水系统。该系统首先借助Storm能够实时、高效处理无界持续流数据的优势,对收集的煤矿排水系统数据进行快速分析,并结合BP神经网络模型对煤矿涌水量的预测结果来输出排水方案,然后将排水方案通过工业以太网传输至井下的PLC系统来控制水泵的启停,实现了煤矿排水系统的数据智能化分析与水泵的自动化控制,减小了工人的劳动强度,提高了系统的可靠性与应急性,为煤矿排水系统的数字化发展提供一定的理论指导与参考。     

水-热耦合作用下的煤中瓦斯解吸规律试验研究

以贵州低渗、较难抽采突出煤层为研究对象,借助HCA高压容量法瓦斯吸附装置,开展了不同温度及含水率条件的瓦斯解吸试验。研究表明:温度与煤中瓦斯解吸量呈正相关关系,含水率与煤中瓦斯解吸量呈负相关关系,温度和含水率对煤中瓦斯解吸影响最剧烈时段均集中于前30 min;利用改进的巴雷尔式推导了水-热耦合作用下煤中瓦斯解吸量量化关系式;理论分析了4个不同耦合区域对煤中瓦斯解吸量的影响。