基于逐回归分析的瓦斯含量预测研究

为了解各影响因素对煤层瓦斯赋存特征的影响,准确预测煤层瓦斯含量,在潘三矿勘探钻孔资料的基础上,运用线性统计规律和瓦斯地质因素分析方法,确定影响11-2煤层瓦斯含量分布的主要控制因素有煤层埋藏深度、地质构造、砂泥比、煤层厚度和倾角;利用逐回归分析建立煤层瓦斯含量预测模型,并结合实际数据,对预测模型进行检验与误差分析。结果显示,模型预测精确度高,验证了基于逐步回归分析方法的预测模型的可靠性,具有很好的实用价值。     

基于粒子群神经网络的煤层瓦斯含量预测

针对BP神经网络在煤层瓦斯含量预测中的局限性,如收敛速度慢和可靠性差等缺点,根据煤层瓦斯含量与其影响因素之间相互作用和耦合的特点,建立了粒子群算法和BP神经网络相结合的煤层瓦斯预测模型.在采用BP网络对煤层瓦斯含量进行预测的基础上,采用粒子群算法优化隐含层神经元个数和网络中的连接权值,并根据现场的实测数据,提出了粒子群神经网络训练和检验样本集,对预测模型进行训练和检验.仿真结果表明,该预测模型加快了网络收敛的速度,克服了易陷入局部极小的问题,具有可靠性强和预测精度高等特点.     

煤层含气量预测的BP神经网络模型与应用

为了对煤层含气量进行定量预测,采用BP神经网络预测方法,建立了煤层含气量预测的BP神经网络模型．以沁水盆地南部主采煤层为对象,分析得出了影响沁水盆地南部煤层含气量分布的主要控制因素有煤层有效埋藏深度、煤变质程度和煤岩、煤质特征等,选择了煤层有效埋藏深度、水分与灰分以及镜质组最大反射率3参数作为BP神经网络模型的基本特征量,建立了煤层含气量与这些因素之间的相关关系和BP神经网络预测模型,对煤层含气量进行预测分析．结果表明：BP神经网络模型具有极强的非线性逼近能力,能真实反映煤层含气量与主控因素之间的非线性关系,预测结果与实测值之间误差小,相对误差小于10%,预测效果明显地优于基于朗格缪尔方程的煤层含气量预测模型．     

基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

基于灰色理论与神经网络的煤与瓦斯突出预测

影响煤与瓦斯突出的因素众多,应用神经网络进行预测时,选取突出预测指标是关键．应用灰色关联分析筛选突出预测指标,结合神经网络建模进行了突出预测,使突出预测指标的选择由定性分析转化为定量分析,实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合．     

人工神经网络在瓦斯涌出量预测中的应用

当采掘工作面遇有岩浆岩破坏煤系和煤层时,地质条件尤为复杂,采用常规的矿山统计法和瓦斯含量法预测瓦斯涌出量难以取得理想的结果．作者从矿井地质综合分析入手,采用BP神经网络的方法建立了适用于矿井未采区瓦斯涌出量的预测模型,分别用48个4-2煤层、40个7-2煤层钻孔点的煤层瓦斯质量体积、煤层埋藏深度、煤质、火成岩分布、顶底板砂泥岩比值等数据作为输入层。预测地质条件相对复杂矿井的瓦斯涌出量．经已采区实测值与预测值比较分析认为．预测结果可信．     

基于GANO算法的电力系统中长期负荷预测研究

进行负荷预测时,由于中长期负荷历史数据较少而制约因素较多,因此预测难度较大。在分析了灰色预测和神经网络预测优缺点的基础上,提出了多因素灰色神经网络组合预测模型(GANO)。该模型首先采用灰色GM(1,n)模型处理多因素的影响,进而利用BP神经网络训练电力历史负荷数据,最后利用统计方差的倒数建立较为理想的优化组合预测模型。该优化模型结合了各模型优点且综合考虑了电力负荷的多种制约因素。经算例验证,优于单一历史负荷预测模型,有效地提高了中长期负荷预测精度。     

人工神经网络在瓦斯涌出量预测中的应用

当采掘工作面遇有岩浆岩破坏煤系和煤层时,地质条件尤为复杂,采用常规的矿山统计法和瓦斯含量法预测瓦斯涌出量难以取得理想的结果.作者从矿井地质综合分析入手,采用BP神经网络的方法建立了适用于矿井未采区瓦斯涌出量的预测模型,分别用48个4-2煤层、40个7-2煤层钻孔点的煤层瓦斯质量体积、煤层埋藏深度、煤质、火成岩分布、顶底板砂泥岩比值等数据作为输入层,预测地质条件相对复杂矿井的瓦斯涌出量.经已采区实测值与预测值比较分析认为,预测结果可信.     

基于小波神经网络的松江区PM_(2.5)浓度预测

鉴于细颗粒物(PM2.5)浓度(质量浓度ρ,全文同)影响因素的复杂性,以及传统预测方法中存在的困难和不足,基于小波神经网络,利用松江区环保局PM2.5的浓度数据,建立了短时PM2.5浓度预测模型.通过与灰色理论预测模型、BP神经网络预测模型的对比试验分析,发现基于小波神经网络预测模型的预测值与实际值之间的误差最小,更能准确地反映样本数据之间的映射关系,预测精度明显高于其他两种预测模型.     

基于灰色BP神经网络的沉降预测模型应用研究

通过对灰色BP神经网络模型的分析与研究,给出了灰色BP神经网络的建模方法,建立了基于灰色BP神经网络的建筑物沉降预测模型,通过工程实例数据分别对GM(1,1)模型和灰色BP神经网络模型进行验证,得到了灰色BP神经网络的预测效果要比单纯的灰色GM(1,1)预测模型精度要高的结论,本模型为解决建筑物基础沉降预测分析提供了一种新的方法.     

基于ANN方法的煤巷掘进前方小构造预报技术

利用煤巷掘进过程中所暴露出的大量的煤层信息，确定了与煤巷掘进前方小构造存在密切关系的影响因素，分析了煤层倾角、煤层厚度、涌水量、瓦斯等各个影响因子，选出主控因子，建立主控因子与煤巷掘进前方小构造预测危险性指数间的人工神经网络（ANN）分析模型，求取了各影响因素对前方小构造预测的权重系数，并建立了煤巷掘进前方小构造预测预报的ANN模型及其判据．对鹤壁十矿煤巷掘进前方小构造进行了预测，结果表明：ANN技术可用于煤矿巷道掘进前方小构造预测．     

基于PSO-SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较.分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％.可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义.     

基于灰关联方法的突出预测敏感指标研究

白羊岭煤矿为煤与瓦斯突出矿井,主采15号煤层为突出煤层.为提高煤巷掘进突出预测的准确性及有效性,通过现场测定突出预测指标及煤层瓦斯含量,利用灰关联分析方法对钻屑瓦斯解吸指标Δh2,K1,钻屑量S的敏感性进行了研究.研究表明,钻屑瓦斯解吸指标K1可以更准确地反映工作面前方煤体的突出危险程度,可作为白羊岭煤矿煤巷掘进突出预测的敏感指标,突出临界值为0.30 mL/（g.min0.5）.     

Combined ANN prediction model for failure depth of coal seam floors

Failure depth of coal seam floors is one of the important considerations that must be kept in mind when mining is carried out above a confined aquifer. In order to study the factors that affect the failure depth of coal seam floors such as mining depth, coal seam pitch, mining thickness, workface length and faults, we propose a combined artificial neural networks (ANN) prediction model for failure depth of coal seam floors on the basis of existing engineering data by using genetic algorithms to train the ANN. A practical engineering application at the Taoyuan Coal Mine indicates that this method can effectively determine the network struc-ture and training parameters, with the predicted results agreeing with practical measurements. Therefore, this method can be applied to relevant engineering projects with satisfactory results.     

基于PSO—SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法（PSO—SVM）的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络（BP—NN）和支持向量机方法（SVM）对该实例进行了预测,进而对这3种方法的预测精度进行了比较。分析结果表明3种方法的预测准确率PSO—SVM为87．5％、BP—NN为50％、SVM为62．5％。可见,PSO—SVM方法的预测效果要好于BP—NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义。     

基于粗糙集与神经网络的煤与瓦斯突出预测方法

煤与瓦斯突出是受诸多因素影响的复杂问题,且影响因素相互关联,为了提高其预测的准确性,文中提出了一种基于粗糙集与神经网络的煤与瓦斯突出预测方法。通过煤与瓦斯突出预测实证分析,并与一般预测方法进行对比,进一步验证了文中预测方法的正确性和可行性。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型。结合某矿1242（1）工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与分源法相比较,在综采工作面瓦斯涌出量预测中方便简洁而且具有很高可信度,其应用前景更广泛。