回采工作面瓦斯涌出量耦合预测模型研究

为准确、快速地预测回采工作面瓦斯涌出量,提出一种基于主成分分析法（PCA）和改进的果蝇算法（MFOA）优化支持向量机（SVM）的回采工作面绝对瓦斯涌出量预测模型。模型首先运用PCA方法对原始数据进行降维处理,消除数据冗余,而后采用改进的果蝇算法对SVM参数进行全局寻优,避免SVM参数的选取对模型预测结果的不利影响,最终建立基于PCA-MFOA-SVM的耦合预测模型,并以实际监测数据为例进行仿真预测。结果表明：该模型预测的平均绝对误差为0.077 5 m3/t,平均相对误差为1.323 7%,与其他模型相比,预测精度高,综合性能好,能够实现回采工作面瓦斯涌出量的动态预测。     

神经网络在采煤工作面瓦斯涌出量预测中的应用

应用神经网络理论,对自变量的选取和确定进行改进,并选择了合适的初始数据处理方法和网络结构,建立了采煤工作面瓦斯涌出量的预测模型.结果显示,预测精度满足要求,表明该方法是可行的、合理的.     

厚煤层分层开采综放工作面瓦斯涌出量预测

综放工作面与单一回采工艺工作面不同,采用AQ 1018-2006《矿井瓦斯涌出量预测方法》预测综放工作面瓦斯涌出量时存在较大误差,且目前缺少厚煤层分层开采综放工作面瓦斯涌出量预测方面的研究,导致瓦斯治理技术依据性不强。针对上述问题,提出了厚煤层分层开采综放工作面瓦斯涌出量预测方法。通过分析厚煤层分层开采综放工作面瓦斯涌出特点,确定了综放工作面瓦斯涌出来源,包括割煤、放煤、采空区、邻近层涌出瓦斯;针对不同瓦斯涌出来源,得出了相应的瓦斯涌出量计算公式,由此得到厚煤层分层开采综放工作面瓦斯涌出量计算公式。采用该方法对乌东煤矿及碱沟煤矿综放工作面瓦斯涌出量进行预测,预测值与实测值的误差均小于5%,满足实际生产需求。     

工作面瓦斯涌出量数据处理程序设计及应用

针对瓦斯地质统计法中涌出量数据繁杂、处理困难等问题,分析了瓦斯涌出量数据来源,建立了瓦斯涌出量数据库,采用百分位数方法对涌出量数据进行筛选,找出能够反映矿井真实瓦斯涌出量规律的数据。采用C语言编程和CAD二次开发工具,建立了瓦斯涌出量数据筛选模块,并将其应用于平煤十二矿,结果表明采用瓦斯涌出量数据筛选模块可提高数据处理速度,节省了大量的人力、物力,并提高了瓦斯地质图的编制效率。     

基于小波分析的煤矿瓦斯涌出量灰色预测模型

瓦斯涌出量的预测在煤矿安全问题中具有重要意义,利用小波分析将原始数据进行分解并重构,并利用AFT加快计算速度,重构后得到的数据通过灰色模型进行预测,将利用小波-灰色模型预测后的结果与单独用灰色模型预测的结果进行比较,结果表明,前者的预测精度明显高于后者.     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

基于CEEMDAN-DA-GRU的瓦斯涌出量预测模型

针对瓦斯涌出量数据具有非线性、周期性的特点和实际场景下不同特征因素与瓦斯涌出量关联程度不同导致预测精度低的问题,提出一种基于完备经验模态分解和双重注意力机制的瓦斯涌出量预测模型。通过CEEMDAN方法将瓦斯涌出量数据分解为频率不同的分量,以降低非线性数据的预测难度;再计算特征注意力机制中计算各特征因素的权重,挖掘当前分量与各个特征之间的关联关系;基于门控循环单元的时序注意力机制量化历史隐藏状态对当前状态的影响,提高长时间序列预测的准确度。通过相加重构得到最终预测结果。基于陕西某矿瓦斯涌出量数据进行预测实验,所提出模型的平均绝对百分比误差为1.65%,均小于DA-GRU、GRU和SVM等对比模型,验证了该模型的有效性。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

基于人工神经网络的瓦斯涌出量预测

由于影响瓦斯涌出量的因素很多并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测,神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性,适合对瓦斯涌出量进行建模,针对对波动性较大的数据预测结果不理想的问题,在对监测数据分析的基础上,提出了用数据预处理的方法弱化数据波动性,然后进行神经网络建模的瓦斯涌出量预测模型,试验证明取得到了比较理想的结果。     

基于IABC-LSSVM的瓦斯涌出量预测模型研究

为了更好地对矿井回采工作面瓦斯的涌出量做出准确的预测,提出了将改进的人工蜂群与最小二乘支持向量机(IABC-LSSVM)相耦合的瓦斯涌出量预测方法.首先,在人工蜂群(ABC)算法中引入混沌序列来确定更优的初始蜜源,并结合自适应因子更新搜索步长,从而避免陷入局部最优的情况;然后,利用改进后的人工蜂群算法对最小二乘机的核宽...     

基于SPSS的可重构统计过程控制系统

为满足制造企业多样、敏捷的统计过程控制（SPC)需求,实现单元应用以及与其他制造信息系统的集成应用,通过分析和构建SPC领域模型,提出并实现了基于社会科学统计软件包(SPSS)的可重构统计过程控制系统。通过引入SPSS组件,执行SPSS Syntax命令,基于SPSS强大的统计分析功能实现对SPC的可视化统计分析,并以具有扩展点的组件化可重构架构满足企业应用模式和配置模式的可重构需求。最后以实例说明系统具有良好的可用性,为制造企业全面质量控制提供了一种数字化手段和应用平台。     

综放高瓦斯矿井煤层瓦斯涌出量综合预测

为了成功预测竹林山煤矿综放高瓦斯矿井大采高工作面煤层瓦斯涌出量,以主采3号煤层为主要研究对象,针对3号煤层以往开采情况,通过布设测点测量其煤层瓦斯含量和了解相邻矿井瓦斯含量,采用分源预测法、回归法及统计法等预测方法得到了3号煤层瓦斯含量的分布规律,并绘制了3号煤层的瓦斯含量等值线图。对矿井不同生产时期的瓦斯含量进行预测,得到了生产前期、中期及后期采区的最大绝对瓦斯涌出量和最大相对瓦斯涌出量,说明了竹林山煤矿各个时期均属于高瓦斯矿井。     

基于时空关联分析的采煤工作面顶板压力预测方法

顶板压力一般通过液压支架工作阻力进行度量,基于深度学习的顶板压力预测方法效果受训练样本集影响极大,而训练样本集的构建依赖于时间窗口的选择和紧密关联液压支架群的识别,但现有方法依靠人工经验来确定时间窗口,且忽略了不同液压支架之间的关联性,严重阻碍了顶板压力预测精度的提高。针对上述问题,提出了一种基于时空关联分析的采煤工作面顶板压力预测方法。首先,通过计算同一液压支架工作阻力序列在时间维度上的灰色关联度,选择最优时间窗口。然后,通过计算不同液压支架工作阻力序列在空间维度上的灰色关联度,获得最优辅助矩阵,识别出紧密关联液压支架群。最后,基于最优时间窗口和最优辅助矩阵,确定每个训练样本的标签和对应特征,完成训练样本集构建,以对长短时记忆(LSTM)模型进行训练来预测顶板压力。实验结果表明,与依赖人工经验构建训练样本集完成LSTM模型训练的方法相比,本文方法有效降低了顶板压力预测误差。     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于PCA和案例推理的煤与瓦斯突出动态预测

为了实现对煤与瓦斯突出快速、准确和动态预测,提出了一种基于主成分分析(PCA)和案例推理(CBR)的煤与瓦斯突出预测方法。考虑煤与瓦斯突出多种影响因素,利用案例推理技术对煤与瓦斯突出危险性进行预测。同时采用一种基于PCA的案例描述特征权值确定方法,以提高案例检索效率以及煤与瓦斯突出预测准确率。利用实测数据对所提方法进行验证,实例验证结果表明,所提方法预测结果的准确性和稳定性更高,预测平均误差和最大误差分别仅为0.154%和0.77%,远小于模糊神经网络方法和专家给定权值的案例推理方法。     

基于幂次变换预处理的PCA人脸识别算法

为了抑制主成分分析(PCA)对图像中光照等变化的较高敏感性、进一步提高人脸识别率,提出了一种对图像灰度进行幂次变换预处理的策略。首先采用随机序列来选取人脸库中的训练样本和测试样本,然后对随机人脸样本进行幂次变换和Butterworth低通滤波处理,最后应用PCA处理的人脸识别算法。基于ORL数据库的实验表明,在适当选择幂次变换参数的情况下,基于幂次变换预处理的PCA人脸识别算法平均人脸识别率达到96.70%。因此,基于幂次变换预处理的PCA人脸识别算法比传统的PCA算法具有更高的识别精度。     

近距离煤层群综采工作面瓦斯治理优选措施

相对于单一煤层或其他煤层群开采,近距离煤层群在开采过程中邻近层受到开采层应力影响更为剧烈,瓦斯更容易通过发育的裂隙涌入开采层,造成开采层工作面瓦斯积聚。现有的针对近距离煤层群的瓦斯治理研究主要侧重于单一措施参数的确定及效果分析,没有深入研究瓦斯治理措施在时间、空间层面之间的联系,对综合瓦斯治理措施的优选组合、具体参数的确定依据及措施采取后的效果分析不够深入。针对上述问题,以阳煤一矿81403综采工作面为研究对象,通过数值模拟方式分析了近距离煤层群条件下开采应力分布及演化过程,研究了上覆岩层破坏及裂隙发育变化规律,得到了81403综采工作面瓦斯主要来源为煤层解吸瓦斯、上邻近层卸压瓦斯、采空区瓦斯等,针对不同瓦斯涌出源头和特点,优先采取顺层预抽+高抽巷+高位钻孔+采空区埋管的瓦斯抽采措施,即在开采前充分预抽减少煤层解析瓦斯量,通过高位钻孔、高抽巷处理邻近层瓦斯涌入,采用埋管治理上隅角瓦斯局部聚集,在时间和空间上形成综合的治理体系,从而达到瓦斯治理目的。实际应用结果表明,工作面回采期间瓦斯抽采率达到了89.9%,回风巷及上隅角瓦斯体积分数保持在1%以下,保证了工作面的安全回采。