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。     

煤与瓦斯突出综合指标预测模型及应用

将灰色关联度分析法与可拓聚类法相结合,建立了瓦斯动力灾害综合指标预测模型。煤与瓦斯突出受多种因素影响,借助灰色关联度分析法,优选出具体矿井煤与瓦斯突出的主要影响因素;采用可拓聚类法将筛选出的各预测指标综合起来,并建立瓦斯动力灾害综合指标预测模型,将综合关联度作为瓦斯动力灾害危险等级的判别准则。以潞安集团高河煤矿为例对瓦斯动力灾害危险等级进行预测,验证了瓦斯动力灾害综合指标预测模型的可行性。     

基于BP神经网络的未采区瓦斯含量预测

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,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。结果表明: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。采用多元线性回归-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一定的参考依据。     

影响煤层瓦斯含量的多地质因素线性回归分析

煤层瓦斯含量是煤矿瓦斯防治的重要参数,对煤层含量的预测可以为瓦斯抽放和防治煤与瓦斯突出提供技术依据。以地质勘探期间实测瓦斯含量、钻孔的揭煤资料为基础,利用线性统计规律和瓦斯地质因素分析方法确定煤层瓦斯含量的主控因素,并对定性因素进行量化,通过丰富翔实的钻孔数据,采用多元线性回归的分析方法建立煤层瓦斯含量预测模型,可达到对矿井的瓦斯含量及分布规律进行预测的目的。     

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。     

影响煤层瓦斯赋存规律的多地质因素回归分析研究

文章以地质勘探期间实测瓦斯含量、钻孔揭煤资料为基础,使用瓦斯地质因素分析方法,分析控制煤层瓦斯含量的地质因素并对定性因素进行量化,在此基础上采用多因素逐步回归分析方法建立了矿井煤层瓦斯含量预测模型,从而可达到对井田煤层瓦斯含量和分布规律进行预测的目的。     

鹿台山煤矿2号煤层瓦斯地质区划

煤层瓦斯不均衡赋存是制约煤矿瓦斯安全管理的主控因素,准确合理的瓦斯地质区划是有效进行瓦斯防治的基础和保障。基于瓦斯地质区划理论方法,综合分析影响鹿台山煤矿3号煤层瓦斯赋存的主要地质因素,采用多元线性回归、数量化理论I、构造关联度分区等方法,筛选出影响2号煤层瓦斯含量的地质变量包括煤层埋深、围岩透气性和褶皱平面变形系数3个主要地质指标,建立了瓦斯含量预测的数学模型并对预测模型进行了理论和实践验证,模型精度较高。在此基础上利用瓦斯含量预测模型对2号煤层瓦斯含量进行预测和瓦斯地质区划。经实践验证,瓦斯地质区划结果符合实际地质情况。     

新桥煤矿二_2煤层瓦斯含量分布规律预测研究

针对煤层瓦斯含量预测急迫性,提出应用数值分析方法对其分布规律进行回归分析。在地面勘探和井下钻孔测试瓦斯含量数据的基础上,综合分析煤层地质对瓦斯含量的影响,分别建立了上覆岩层厚度、煤层有效厚度、煤层埋藏深度与煤层瓦斯含量关系式,并建立了三因素作用下的瓦斯含量预测模型。将预测模型应用于2401综采工作面,得出工作面瓦斯含量范围为1.40~4.32 m3/t,与生产过程中测得的瓦斯相对涌出量一致,为开展煤矿瓦斯防治工作奠定了基础。     

基于灰色关联度BP神经网络预测煤层瓦斯含量

以淮南矿区潘三矿13-1煤层为例,在分析潘三矿瓦斯地质资料的基础上,结合灰色关联度分析,确定煤层埋深、地质构造、煤层倾角、煤层厚度以及顶板岩性为影响煤层瓦斯含量的主要因素,建立瓦斯含量预测BP神经网络模型。对已建立的模型进行训练和检验,并预测煤层未开采区域瓦斯含量。结果表明:建立的预测模型能满足煤矿实际安全生产的要求,为矿井瓦斯灾害防治提供一定的参考依据。     

基于RBF神经网络的瓦斯含量预测研究

以淮南矿区潘一矿13-1煤层为研究对象,确定了煤层埋深、煤层厚度、顶板岩性和构造是影响煤层瓦斯含量的主要因素;在分析勘探钻孔资料的基础上,利用RBF神经网络方法建立了瓦斯含量预测模型,结合实际数据,对预测模型进行训练和检验,预测结果表明,该模型比使用线性回归和BP神经网络模型预测能获得更高的精度,说明预测模型可靠.     

山阳井田5~#煤层瓦斯地质规律分析

结合煤田地堪时期的瓦斯地质资料和井下部分区域的实测钻孔瓦斯数据,对山阳井田5~#煤层中的6种地质因素逐一进行分析,运用相关预测方法找出地质因素与瓦斯含量之间的联系,明确影响井田瓦斯含量的主控因素,绘制井田相对瓦斯涌出量等值线图,总结瓦斯地质规律。     

基于灰色关联分析-GA-BP模型预测煤层瓦斯含量

为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。     

基于WPA-BP优化神经网络的瓦斯含量预测修正直接法测定的结果

煤层瓦斯含量是矿井瓦斯灾害防治及煤层气开发的基础参数,为提高煤层瓦斯含量预测的科学性及准确性,提出了基于WPA-BP神经网络的煤层瓦斯含量预测模型,并将其与DGC瓦斯含量直接测定结果对比分析;构建煤层瓦斯含量因素指标体系;对WPA-BP预测模型不断迭代训练,使其预测值与真实值绝对误差在1%以下;最后利用该预测模型对临近工作面煤层瓦斯含量进行预测,并将预测结果与DGC测定瓦斯含量对比分析。结果表明：随着指标因素增大,瓦斯含量变大;WPA-BP神经网络预测模型相对误差为0.06%～12.92%（平均1.83%）;对比分析表明,预测模型预测结果比DGC直接测定的瓦斯含量高,主要是由于损失量的计算有误差导致的,应用深度学习预测煤层瓦斯含量可矫正煤层瓦斯含量测定的准确性。     

煤层预抽后残余瓦斯含量分布动态预测方法

针对煤层预抽后的残余瓦斯含量测定难度大且不能动态预测的问题,通过对影响残余瓦斯含量分布的瓦斯储量分布、预抽方法与布孔参数、煤层与煤质特征、井下生产活动等因素的分析,提出通过划分预测单元、确定预测指标、建立预测模型和绘制残余瓦斯含量分布动态预测图来实现残余瓦斯含量分布动态预测的方法。并采用该方法建立了金佳矿11223工作面残余瓦斯含量动态预测模型,经井下实测数据验证:最大绝对误差0.86 m3/t,最大相对误差18.08%,最后利用Surfer工具绘制出11223工作面的残余瓦斯含量分布动态预测图,实现了动态预测。     

黄陵2~#煤矿二盘区煤层瓦斯含量影响因素分析及灰色预测

针对黄陵2#煤矿二盘区煤层瓦斯含量的影响因素进行灰色关联度分析,得出影响因素的主次。然后运用灰色系统理论,建立煤层瓦斯含量的灰色预测模型,经过检验,该模型精度能够满足工程要求,有一定的实用性,可以作为瓦斯防治工作的依据。     

基于瓦斯地质理论的矿井瓦斯含量与涌出量预测

介绍瓦斯含量与涌出量的主要影响因素,提出基于瓦斯地质理论的瓦斯分布预测,解释预测模型的基本原理、预测方程的建立等。将预测模型应用到实际矿井瓦斯分布预测中,结果显示该预测模型能够较好地反映矿井瓦斯真实分布,能给煤矿开采提供参考。     

平顶山矿区瓦斯分布规律及预测模型研究

通过分析平顶山矿区瓦斯分布规律及特征,得出煤层埋深、煤厚、顶板含砂率是影响该矿区瓦斯赋存的主控因素。采用统计学方法,对瓦斯含量与地质因素进行相关性分析,构建了平顶山矿区瓦斯含量预测模型。经各类检验方法验证,证实了该模型的适用性与正确性,瓦斯含量预测值和实测值吻合度较高,为预测煤层瓦斯含量提供了可靠的依据。     

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。     

基于多元非线性回归理论的煤层瓦斯含量预测

以黄陵矿煤层瓦斯含量与相关因素的数据为例,采用基于多元非线性回归理论的数学方法,建立了一种适合矿井实际的预测模型:多元非线性瓦斯含量预测模型,通过该模型进行了煤层瓦斯含量预测,预测精度较高,适用性较强。