基于WOA-ELM算法的矿井突水水源快速判别模型

我国是世界上煤炭生产量和消耗量最大的国家,但由于水文地质条件复杂,在煤矿生产过程中煤层顶底板突水事故频发,常常造成严重的经济损失和人员伤亡,快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据,将Na+,Ca2+,Mg2+,Cl-,SO24-,HCO3-六种离子的物质的量浓度作为输入项,突水水源类型为其输出项,应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点,采用鲸鱼算法对其权值和阈值进行迭代寻优,通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索,收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型,由于猎物(突水)位置不确定,WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置,然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|>1时随机搜索猎物;当|A|<1时,以0.5为分界点,p<0.5选择环形包围模式,p>0.5则通过螺旋运动来更新位置。依据最低适应度值得到最...     

基于KPCA-GWO-SVM的矿井突水水源识别

为提高矿井突水水源识别的精准度,提出1种基于KPCA-GWO-SVM的矿井突水水源识别模型;该算法利用核主成分分析（KPCA）进行特征降维,加快水源识别速度,通过灰狼优化算法（GWO）搜寻支持向量机（SVM）的最优参数,使水源识别精准度更高;以赵各庄矿为研究对象,分析各含水层主要水化学类型,选取6种离子指标,经KPCA提取3个主成分,随机选取总样本量70%为训练集（共47组）,30%作为预测集（共20组）,构建KPCA-GWO-SVM模型并与KPCA-PSO-SVM、KPCA-WOA-SVM和KPCA-SVM模型对比。结果表明：KPCA-GWO-SVM的水源预测结果与实际结果一致,比未经KPCA处理模型的预测准确率高10%且寻优速度更快;与其他模型相比准确率最高,具有优越性。     

基于极限学习机的矿井突水水源快速识别模型

在煤矿突水灾害防治过程中,需要快速准确地识别出突水水源类型。激光诱导荧光技术具有灵敏度高和快速监测的特点,利用该技术获取水样的荧光光谱。光谱经卷积平滑预处理和主成分分析提取特征信息后,采用极限学习机算法建立多元分类学习模型。确定隐含层激励函数为Sigmoid函数,并通过交叉验证法确定最优隐含层节点个数。从训练网络的平均时间、训练和测试的平均分类准确率和标准差方面,与BP和SVM传统分类算法进行了性能比较。结果表明:在训练集和测试集上的平均分类准确率方面,该模型与传统分类模型基本一致,但该模型分类准确率的标准差最小,说明其具有较稳定的分类性能;在训练模型学习时间方面,该模型能够大幅度降低分类学习时间,说明其具备快速识别突水水源性能。     

矿井突水水源的PCA-GRA判别模型研究

为了快速准确地识别突水水源,选取Ca2+、Na++K+、Mg2+、HCO3-、SO42-、Cl-共6个判别指标,结合主成分分析理论和灰色关联理论,建立了PCA-GRA突水水源判别模型。先采用主成分分析法对38个水样的水质指标进行降维处理,然后利用灰色关联分析法根据关联度对未知水样进行判别。将该模型应用于11组待判水样的判别,判别结果正确率为100%。而PCA-Bayes判别模型识别精度是81.8%。因此,PCA-GRA突水水源判别模型能够有效地提高识别精度,迅速准确地判断突水水源,为矿井安全生产提供保障。     

基于模糊概率法的矿井突水水源识别模型探讨

小浪底水库蓄水,使得淹没区范围内的新安煤矿矿井水文地质条件发生显著变化,矿井突水的危险性增大。及时准确地判断突水水源是矿井防治水工作中的关键环节。采用水质指标判断结合模糊概率模型识别矿井突水水源的方法,建立基于模糊概率法的矿井突水水源识别模型,通过监测校验,试验水样识别准确率达到90%以上。研究成果对于矿井突水水源的现场识别及后续针对性防治工作具有一定指导意义。     

矿井突水水源识别的距离判别分析模型

应用距离判别分析理论,结合矿井含水层的水化学分析资料,选取 6 种离子组分的浓度作为突水水源识别的判别因子,建立矿井突水水源识别的距离判别分析模型;以 35 组采样的水源样品作为学习样本进行训练,建立相应线性判别函数对 35 组实测数据用回代估计方法逐一进行检验,正确率为 9714%。 将建立的模型对待识别的 4 个样本进行测试,并与实测结果进行比较。 此外,利用本文方法对梧桐庄煤矿的突水水源进行了识别。 研究结果表明：距离判别分析模型分类性能良好,预测精度高,回代估计的误判率为 0028 6。     

PCA与ELM模型相结合的矿井突水水源快速识别方法研究

为了快速准确判别矿井突水水源,降低矿井突水事故给煤矿生产及人类生命财产安全带来的危害,以赵各庄矿为例,提出了主成分分析法(PCA)与极限学习机(ELM)相结合矿井突水水源快速识别方法。结果表明：PCA确定了赵各庄矿中Na+、Ca2+、Mg2+对水样影响较大,为赵各庄矿水样的主控因子,排除了其它指标冗余信息的影响|在MATLAB中导入PCA确定的水样中三种主成分数据,通过ELM模型仿真训练可在10s内得出水样分类结果,分类学习时间迅速|对比ELM模型与BP神经网络对水样的分类结果,ELM仿真训练结果精确度高达100%,而BP神经网络仿真训练结果精确度仅为83.33%,远低于ELM模型精确度。     

BP神经网络在矿井突水水源识别中的应用

针对矿井突水水源的水化学特征,采用Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-6种水化离子的浓度作为识别矿井水源依据;以35组水源样品作为训练样本,运用Matlab软件对网络进行训练,建立6×6×4的网络优化模型;使用构建的BP神经网络对4组待测样本进行识别,并与实际突水水源类别进行比对。应用结果表明:BP神经网络能够准确地识别矿井突水水源,可为防治矿井水害提供有力的保障。     

感知器在矿井突水水源识别中的应用

针对使用BP和RBF等神经网络进行矿井突水水源识别时存在网络结构和训练算法复杂的问题,使用感知器进行矿井突水水源识别。以焦作矿区的突水水源识别问题为例,舍弃其中的Na~+和K~+两种离子的浓度信息,选择Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)和HCO_3~-五种离子的浓度为作为水源识别的依据,利用三十五组数据进行训练,构建了六输入四输出的感知器模型。计算结果表明,感知器是一种有效的识别工具,对于不同的学习率和初始权值矩阵,训练后的感知器均能够正确进行水源识别。     

基于同位素方法的矿井突水水源定量分析研究

在分析山西龙泉煤矿水文地质特征及工作面突水特征的的基础上,研究了矿区各类水体的水化学及环境同位素特征,确定了01工作面突水水源为太灰、奥灰混合水,利用同位素方法定量计算了太灰水占工作面突水来源的46%,而奥灰水占54%。研究结果表明：应用同位素方法能定量、准确判断出矿井突水的主要来源,可为制订有效的防治水措施提供科学依据。     

基于粗糙集理论的矿井突水水源快速识别

为了准确而快速地判别矿井突水水源,以聚类分析、灰色关联分析、多元逐步判别分析3种方法建立了矿井突水水源判别模型,提出了通过适应性来选择具体矿井或矿区的判别方法,利用粗糙集理论的属性约简来筛选水化学特征指标,使得所选判别指标更具针对性和减少指标检测时间,真正实现准确而快速地判别矿井突水水源,进而为矿井水害防治服务。实例表明,属性约简前后,识别结果一致性将近90%,证实了粗糙集理论在矿井突水水源判别中的有效性和实用性。     

矿井突水水源快速判别系统研发

在论述矿井突水危害性以及水源判别原理的基础上,介绍了矿井突水水源快速判别系统的技术构架,分析了系统的关键技术模块及其实现的技术途径,形成了"QLT+特征组分+采动涌水通道"为技术特征的水源快速判别系统。最后,应用实例说明该系统进行水质分析和水源判别的过程,并实现了快速、准确判别突水水源的目标,可以在煤炭开采活动中为矿山提供决策依据。     

基于多方法耦合的矿井突水水源识别模型研究

为快速准确地判别矿井突水水源,减少矿井突水事故带来的危害,以保德矿为例,选取Ca²⁺、Mg²⁺、Na⁺+K⁺、SO₄^2-、Cl^-、HCO₃^-共6种水化学指标作为判别指标,通过分析各含水层水化学特征,确定了各含水层代表水样,以此为基础建立了耦合主成分分析-离群值检验-回归填补法-贝叶斯判别法的矿井突水水源判别模型,并将模型判别结果与PCA-Bayes模型判别结果做出对比。结果表明:保德矿采空区、二叠系砂岩含水层、石炭系砂岩含水层、奥灰含水层的水质类型分别为HCO₃-Ca·Na·Mg型、HCO₃-Na型、HCO₃-Na型和HCO₃·SO₄-Ca·Na·Mg型;保德矿水样主成分为Ca²⁺、Mg²⁺、Na⁺+K⁺     

基于Piper-PCA-Fisher模型的矿井突水水源识别

矿井水害的发生时刻威胁着煤炭的安全生产,同时也造成了严重的经济损失。为了迅速和准确地识别突水水源,选用Piper三线图对采自矿区突水含水层的41个水样进行筛选,得到32个典型水样作为训练样本,采用主成分分析法提炼出3个主成分作为判别指标,建立了水源判别模型;采用留一交叉验证法对模型的预判分类稳定性进行评价,模型对样本总体分类的准确率达到81.3%。并对焦作矿区11个未知水样进行水源判别,错误1个。并将预测结果与Fisher模型进行对比。结果表明,基于Piper-PCA-Fisher的判别模型能有效提高判别精度,为矿井安全生产提供保障,为矿井开展防治水工作及地下水资源合理开发利用提供理论依据。     

模糊概率法在识别矿井突水水源中的应用

鹤壁矿区主要充水层地下水水化学特征存在明显的差异,基于突水后水质分析资料,采用模糊概率法和特征指标法对矿井突水水源进行识别,识别正确率达到91．7％。这一方法为矿井突水后及时确定突水来源开辟了新的途径。     

基于主成分分析与距离判别分析法的突水水源识别方法

矿井突水是采矿生产过程中威胁最大的自然灾害之一,快速有效地判别矿井突水水源是采矿工程安全生产的重要保障。选取7种水化学成分指标作为突水水源识别的样本变量,采用主成分分析与距离判别分析相结合的方法建立了突水水源判别模型。以淮南老矿区谢一煤矿不同水层的水化学特征资料中的33个为学习样本,11个为预测样本,对该方法进行了检验和应用,并与现有的灰色关联度判别模型、Bayes判别模型的判别结果进行分析比较。研究结果表明:基于主成分分析与距离判别方法的突水水源判别模型其回判准确率为95%,预测正确率为91%,为矿山突水水源的识别提供了一种新方法。     

矿井突水水源识别的GA-SVM方法研究

针对目前支持向量机(SVM)参数选择不准确导致突水水源识别率不高的问题,提出经过遗传算法(GA)优化的支持向量机应用于突水水源的识别,研究结果表明,该模型的预测结果与实际情况相符合,更加适用于矿井突水的水源识别。     

矿井突水水源辨识的改进SVM和GA-BP神经网络模型

及时辨识突水水源是有效预防和控制矿井突水灾害的重要工作之一。基于河南焦作某矿区不同水层的测试样本,利用嵌入梯度的支持向量机(SVM)对常用的[SO4]2-、K+、Mg2+、Na+、Ca2+、Cl-、[HCO3]-、F-8种水化学成分进行因子约简,确定以K+、Mg2+、Ca2+、Cl-、[HCO3]-、F-作为矿井突水水源辨识的主要判别因子。运用遗传算法优化BP神经网络(GA-BP)对新体系下的30组学习样本进行训练拟合,用所建立的分析模型对10组待检验水源类别进行辨识,预测平均正确率达到了94.27%。研究结果表明,该指标体系在矿井突水水源辨识中具有可行性,且GA-BP模型分类性能好,误判率低,可以用于矿井突水水源的辨识。