基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

基于影响因素优选的煤层瓦斯渗透率预测模型

通过相关性分析得到了煤层瓦斯渗透率与有效应力、温度、抗压强度及瓦斯压力间的相关系数,此外,对各影响因素进行互相关分析,发现彼此间存在不同程度的相关性。依据实验数据,利用MIV算法对煤层瓦斯渗透率影响因素进行优选,得到有效应力、温度和瓦斯压力参与最终BP神经网络建模。研究最终建立了2个煤层瓦斯渗透率预测模型,模型1不做影响因素优选,模型2基于影响因素优选,对模型进行试算和误差分析,结果表明:模型2具有更好的预测稳定性和精度,能很好地反映煤层瓦斯渗透率与其影响因素间隐含的映射关系。     

基于ANFIS的煤体瓦斯渗透率预测模型研究

为有效预测煤体瓦斯渗透率,预警井下作业时瓦斯浓度变动,利用神经网络的自适应学习能力和模糊推理系统的经验知识建立自适应神经模糊推理系统(ANFIS)预测模型,并基于实验室数据将其预测结果与BP神经网络模型和支持向量机(SVM)模型的预测值作对比。研究结果表明:ANFIS模型的收敛速度快,预测值与实测值相符度高;在误差精度、训练速度和收敛性等方面,其性能优于其他两种模型,可通过有效应力、瓦斯压力、温度和抗压强度对瓦斯渗透率进行高精度的预测。     

基于随机森林的煤体瓦斯渗透率预测研究

为了可以更好地指导瓦斯抽采及瓦斯灾害防治,利用随机森林方法并结合影响煤体瓦斯渗透率的4个主要影响因素——有效应力、气压、温度、抗压强度,对煤体瓦斯渗透率进行预测研究。利用22组数据作为训练样本,8组数据作为预测样本,分别从详细精度、混淆矩阵和节点错误率3个方面判断。结果表明:基于随机森林的煤体瓦斯渗透率预测模型训练效果总体水平稳定且预测准确率为100%,证明预测模型理论研究方面具有可行性;经过工程实例的应用,预测结果与实际结果相符合,随机森林的煤体瓦斯渗透率预测模型可应用于现场生产,对煤矿的高效安全生产具有重大指导意义。     

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.     

优化神经网络在矿井瓦斯涌出预测中的应用

为有效预测矿井瓦斯涌出量,减少瓦斯灾害事故,通过分析得出影响瓦斯涌出量影响因素关系为原始瓦斯含量煤层厚度工作面长度推进速度煤层埋深煤层倾角,运用优化神经网络模型及MATLAB软件模拟预测矿井瓦斯涌出量。结果显示,预测结果与实测结果平均误差仅为2.3%,证明优化神经网络模型能达到较好预测效果,预测精度较高,可应用于矿井瓦斯涌出量预测中。     

采动条件下煤体渗流特性试验及应用

为准确判断高瓦斯低透气性煤层瓦斯采动卸压抽采的有效区域,进一步提高瓦斯抽采效果,采用渗流试验和理论分析的方法,研究了煤层采动过程中煤体渗透率随应力的变化规律。结果表明:在受采动影响不同阶段,含瓦斯煤体渗透率随应力变化呈现明显的阶段差异性。在煤体弹性变形阶段,煤体渗透率随应力的增加逐步降低;在煤体达到屈服点至煤体破坏阶段,随着应力的升高,煤体发生塑性变形,煤体内产生采动裂隙,渗透率开始缓慢提升;在煤体破坏后,煤体处于卸压状态,煤体渗透率随着应力的降低大幅提升。最后,通过现场本煤层瓦斯抽采效果分析验证了采动煤体渗流特性试验结果的正确性。     

深部低渗透率煤层瓦斯抽采气固耦合机理研究

为揭示瓦斯在深部煤层抽采时的渗流机理,基于深部煤层低渗透率、高地应力、高瓦斯压力特征,结合瓦斯运移的Klinkenberg效应,建立了考虑煤体基质、裂隙双重孔隙介质的瓦斯抽采气固耦合模型,并针对具体地质情况进行了耦合模型的数值模拟研究。结果表明:煤层瓦斯压力随抽采时间增长呈下降趋势,钻孔周围出现瓦斯压降漏斗现象,距钻孔越近瓦斯压力下降越明显。深部低渗透煤层瓦斯抽采过程中,煤层体积变形、瓦斯解吸共同影响煤层渗透率变化,瓦斯抽采使煤层瓦斯压力逐渐降低,煤体发生收缩变形导致渗透率增大,同时煤层有效应力增大,煤层中裂隙、基质受压变形,又会导致渗透率逐渐减小。     

粒子群算法在煤与瓦斯突出危险预测中的应用

煤与瓦斯突出危险是影响煤矿生产安全的一个重大问题,为了解决危险预测的问题,将反映煤与瓦斯突出的六个指标:垂深、倾角、巷道类型、煤层厚度、地质构造和作业方式作为输入层参数,使用BP神经网络与粒子群算法结合建立模型,导入数据到Matlab中进行模拟仿真,将预测结果与实际情况相对比。结果表明:粒子群算法结合神经网络对预测煤与瓦斯突出危险是有效的,相较于传统预测方法,其预测的速度、精度都有所提升,可以将该算法应用到突出危险预测当中。     

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。     

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。     

瓦斯压力和应力对裂隙影响下的渗透率模型研究

煤层的渗透率演化对研究矿井瓦斯抽采、煤层气开采及钻孔优化布置起到至关重要的作用。为了研究瓦斯压力-裂隙及应力-裂隙耦合作用对煤岩渗透率演化模型的影响,基于应变,探讨了瓦斯压力和应力作用对煤体裂隙变形和渗透率的影响,构建了基于瓦斯压力-裂隙及应力-裂隙耦合的煤体渗透率理论模型,并结合前人的试验数据,对建立的基于瓦斯压力-裂隙及应力-裂隙耦合的煤体渗透率模型进行了对比验证。研究结果表明:①将煤体的结构单元体简化为立方体模型,分别分析了瓦斯压力引起的裂隙变形与煤体基质吸附变形引起的裂隙变形对煤体渗透率的影响;基于煤岩裂隙宽度与渗透率的关系,推导了瓦斯压力-裂隙耦合作用下煤体的渗透率模型。②侧向应力对裂隙变形的影响与煤体吸附所引起的内膨胀变形相似,均通过改变煤体骨架向裂隙内部膨胀来影响煤体裂隙的变形;通过试验数据验证了侧向应力和法向应力对煤体渗透率的影响机理相同,构建了三向应力-裂隙耦合作用下煤体的渗透率模型。③结合前人的试验数据,进行了全局优化非线性拟合,与基于有效应力的模型相比,所构建的模型与试验数据吻合度较好,验证了所建立模型的可靠性,并发现裂隙对法向应力的敏感性远大于侧向应力。     

焦作煤田煤层渗透率控制因素及预测

结合焦作煤田煤层渗透率的现场测试结果和实验室测试结果,分析了煤体结构、煤层裂隙、构造作用、煤化程度、煤岩组分和煤层埋深6个控制因素对煤层渗透率的影响,预测了焦作煤田的煤层渗透性。     

基于ACSOA-BP神经网络的瓦斯含量预测模型

针对煤矿瓦斯含量预测问题,以陈四楼煤矿为例,在煤层瓦斯含量影响因素分析的基础上,通过对种群进行混沌初始化,并引入自适应混沌算法和非线性收敛因子,提出了自适应混沌海鸥算法(ACSOA),建立了基于自适应混沌海鸥算法优化BP神经网络的瓦斯含量预测模型(ACSOA-BP),将模型应用于矿井进行预测效果检验。结果表明:陈四楼煤矿二2煤层瓦斯含量与不同因素呈非线性关系,地质构造是控制煤层瓦斯分布的主要因素,ACSOA-BP模型具有更高的预测精度和稳定性。     

含瓦斯煤渗透率动态演化模型

瓦斯排采过程中煤层渗透率会随着瓦斯压力的变化而动态变化,渗透率的动态演化主要是由有效应力改变及煤体基质收缩两种因素共同作用的结果。基于裂隙平板模型,理论推导了瓦斯解吸、扩散及渗流过程中煤体渗透率的变化关系。利用表面化学与有效应力理论,构建了该过程中基质收缩和有效应力增大等因素影响下的渗透率动态演化模型。根据矿井煤层实测参数,对模型进行了求解。计算结果显示:渗透率与瓦斯压力的关系呈现一种非对称"U"字型变化规律。最后通过渗透率计算结果与实验室实测结果的对比分析,两者吻合度较高,进而验证了理论模型的正确性。     

沁城煤矿2煤煤与瓦斯突出危险性评估

以沁城煤矿2煤为研究对象,分析了埋深及地质构造对瓦斯赋存的影响,基于地勘资料和井下实测结果,对煤层突出危险性进行了评估。通过瓦斯含量反算得出同一地点的瓦斯压力,用安全线法预测煤层瓦斯含量和压力随埋深的变化规律。结果表明,影响2煤瓦斯含量的主要因素是埋深,其次为断裂构造。结合煤体坚固性系数、瓦斯放散初速度等因素影响,评估沁城煤矿2煤可采范围内(埋深小于682.5 m范围)无突出危险性。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.