共查询到20条相似文献,搜索用时 125 毫秒
1.
为了正确识别矿井突水水源,利用主成分分析选取了主要的水化学判别指标,再通过层次聚类构造了水源判别的决策树,各决策结点采用Fisher判别函数,试验结果表明该模型具有较好的判别效果. 相似文献
2.
综合运用多元统计分析技术、Fisher判别分析理论和混合计算理论,依据含水层地下水组分数据,分别建立河南焦作矿区突水水源的Fisher识别模型和混合模型,并分别对它们进行验证。结果表明:因子分析能有效建立识别模型训练水样;突水水源Fisher识别模型对混合程度较低地下水判别精度较高,利用回代估计法所得到的误判率小,具有较强的涌水水源判别能力;混合模型能有效确定地下水混合程度,δ18O的预测值与实测值偏差总体上低于10%,应用混合模型还能进行水文地球化学质量平衡模拟。 相似文献
3.
根据矿井各含水层水化学成分的差异性,选取多种水化学成分指标作为突水水源识别的样本变量,综合利用多元统计分析技术、Bayes逐步判别法和PCA-Bayes综合判别法作比较,采用SPSS软件建立Bayes逐步判别模型、PCA-Bayes综合判别模型,以煤矿不同含水层的水化学资料中的多组样本为依据,利用该模型进行工程应用。结果表明:PCA-Bayes综合判别模型提高了突水水源判别的准确率和判别速度,实现了对矿井突水水源快速有效判别,为防治突水事故提供了有力的依据和判别方法。 相似文献
4.
以徐庄煤矿为例,分析了矿井4个突水水源的水化学成分;应用逐步判别方法建立了徐庄煤矿突水水源判别模型,经检验,该模型具有较好的判别效果。对矿井突水水源判别及防治水工作具有一定的指导意义。 相似文献
5.
6.
7.
8.
9.
针对传统神经网络水源判别模型仍存在判别精度低、稳定性差和效率不高的问题,提出了基于回声状态网络(ESN)的水源判别模型,将其应用于不同矿山,并与BP、Elman和改进的GA-BP神经网络的判别结果进行对比。结果表明:ESN水源判别模型的稳定性是BP和Elman模型的6~10倍且准确率提高到90%~96%;判别精度是BP神经网络的2~5倍,略高于Elman神经网络;在时效性和精度方面远远优于改进的GA-BP神经网络。因此,ESN神经网络具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效判别矿井突水来源的辅助决策手段。 相似文献
10.
11.
12.
针对华北某矿井可能出现的2种矿井水,利用其化学数据,构造了自适应线性单元进行突水水源判别。计算结果表明,在训练前进行归一化操作,训练时采用归一化最小均方算法更新权值,可以在相同的训练代数下达到最高的训练精度。 相似文献
13.
为了能够准确并快速地判别煤矿突水水源位置,基于水化学特征的模糊聚类分析,对突水水源进行综合评判。首先利用突水点的水化学分析指标离子的检测值与以往收集的各个主要含水层的水化学指标离子本底值通过软件绘制出三角形水质图,对比分析可排除最不可能的充水含水层;在此基础上再利用模糊数学聚类分析方法,将剩下的不确定充水含水层建立评判集合进行聚类分析,计算隶属度,通过对计算结果的分析,最终判定突水水源。分析结果表明,采用这2种方法判别突水水源,方法简单易操作,节省时间,可以避免由于水文地质条件的复杂性和模糊聚类分析的模糊性而造成的原因不唯一或结果失真,从而大幅提高判别结果的正确性。 相似文献
14.
通过对工作面水质进行化验总结,运用AquaChem软件绘制Piper三线图,对7199工作面4个月的水质进行统计分析,结果表明:7199工作面突水水源中包含顶板砂岩水、分界砂岩水、第四系底含水和侏罗白垩水。为更准确地确定突水水源间的主次关系,以模糊数学为基础,结合矿井含水层水化学分析资料,利用模糊综合评判法建立了矿井突水水源判别模型,选取6种常规离子作为判别因子,最终得出7199工作面直接出水水源为顶板砂岩水和下石盒子组底界砂岩水,并存在第四系底含和侏罗白垩水的间接补给。 相似文献
15.
16.
由于地质条件的复杂和试验材料的欠缺,影响因子存在随机性、模糊性、灰性、未知性等不确定性,导致突水危险性评价结果不准确。针对此问题,引入新方法,基于云的定性不确定性度量模型和D-S理论的冲突证据合成规则,利用云模型兼顾评价中模糊性和随机性,实现评价指标由定性到定量的不确定性转化;利用D-S理论的冲突证据合成方法,消除融合数据之间的冲突性确定评价指标更合理的权重;综合考虑水源因素、排水因素、人员因素以及管理因素,构建煤矿突水危险性综合评价体系,对南山煤矿突水危险性综合评价。评价结果为"较安全"等级,符合工程实际。工程实例表明:基于云模型和D-S理论的煤矿突水危险性综合评价准确、可靠,精度较高,具有较高的应用价值。 相似文献
17.
18.
19.
针对传统矿井突水判别方法存在错误率高、精度低以及稳定性差等问题,提出了一种基于GA-BP神经网络的矿井突水判别数学模型。首先矿井突水判别数学模型采用6种特征离子作为判别因子,然后采用遗传算法(GA)对BP神经网络的权值和阈值进行优化,进而构建GA-BP神经网络矿井突水判别数学模型。以某实际矿区的多种水源样品为例,将其作为判别模型中的训练样本,GA-BP神经网络模型对其进行训练,实现待测水源样本的判别。结果表明,判别模型具有更高的突水判别精度和可靠性。 相似文献