基于FastICA-BA-ELM的瓦斯涌出量预测管理研究

为有效分析和准确预测工作面绝对瓦斯涌出量,基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理,建立FastICA-BA-ELM多尺度时变预测模型进行工作面瓦斯涌出量的预测。利用FastICA对瓦斯涌出量时变序列进行多层深度分解,获取相互独立的多尺度分量;对各分量运用BA-ELM模型进行预测;等权叠加各预测值重构模型预测结果。以屯兰矿12507回采工作面瓦斯涌出量监测样本为例进行分析研究,结果表明:监测数据自身携带诱使瓦斯涌出量变化的大量信息,FastICA-BA-ELM模型能有效反映出监测数据间的本质结构,进一步凸显瓦斯涌出量的非平稳特征;模型预测的平均相对误差为1. 577%,平均绝对误差为0. 1124m~3/min,均方根误差为0. 1244m~3/min,较其他模型,其预测精度和稳定性显著提高。为煤矿瓦斯完全管理工作提供了良好的理论与技术支撑。     

基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法

针对当前回采工作面瓦斯涌出量预测方法选取不合理及预测精度不佳问题,借助机器学习方法对其展开研究,以交叉验证法处理现有数据,构建了支持向量回归模型与随机森林回归预测模型,并对输入数据降维前后2种模型的预测表现进行了对比分析。测试表明：经交叉验证及数据降维后2种预测模型趋于稳定、预测精度均有大幅提高,SVR模型的整体预测性能稍优于RFR模型,SVR模型每轮测试耗时约0.015 s,远低于后者;筛选后的SVR模型平均绝对误差约为0.18 m³/min,平均相对误差约3.26%,优于RFR预测模型;建立的回采工作面瓦斯涌出量预测模型均表现良好,经随机森林筛选的SVR预测模型耗时较短、误差较小、稳定性更好,可实现对瓦斯涌出量的有效预测,对简化数据采集工作及科学制定瓦斯防治措施起到参考作用。     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测

 详细阐述了局部均值分解(Local mean decomposition,简称LMD)非平稳信号处理方法, LMD算法具有高度的自适应性,能够分解得到数据本身所具有的特征参量,也就是它能够将任意一个非常复杂的非平稳信号分解成若干个具有一定物理意义的PF(Product function,生产函数)分量之和,通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。而后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,因为通过LMD方法分解得到的PF分量更具有一定地规律性,所以能够更大幅度提高瓦斯涌出量的预测精度,实例分析也表明,其预测结果与实际监测结果极高的一致性。     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测研究

文章阐述了局部均值分解(LMD)非平稳信号处理方法,并通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。然后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,其预测结果与实际监测结果相比具有极高的一致性。     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

基于GA-ELM的瓦斯涌出量预测

为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。     

瓦斯涌出量的灰色模型预测与曲线拟合预测对比

为了研究矿井瓦斯涌出量预测的规律,分析了2种常用预测模型数据的处理方法.结合顾桥煤矿1116(1)工作面瓦斯涌出量监测数据,将灰色GM(1,1)模型与曲线拟合方法应用于该工作面瓦斯涌出量的数据处理和预测结果的分析、检验,精度满足瓦斯涌出量预测要求,并运用F检验法,对2种预测结果进行相关性分析,得出了合理选择灰色GM(1,1)预测模型预测矿井瓦斯涌出量的基本结论.     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型,对贵州某矿矿井瓦斯涌出量进行预测预报.采用残差识别方法修正GM(1,1)模型进行瓦斯涌出量预测,预测精度更高.利用灰色灾变预测理论,对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测.通过建立灰色预测模型,进行矿井瓦斯涌出量灾变性预测.     

基于灰色GM(1,1)新陈代谢模型的矿井瓦斯涌出量动态预测

矿井工作面瓦斯涌出是一个动态不确定的过程,因此最新瓦斯涌出数据的研究至关重要,本文将灰色GM(1,1)模型瓦斯涌出量预测结果加入原始数列,对原始数据序列的信息进行更新,建立了矿井瓦斯涌出量GM(1,1)新陈代谢动态预测模型,采用残差检验法对该模型精度进行检验,其平均相对误差为3.861%,预测精度明显优于GM(1,1)模型,提高了灰色GM(1,1)模型预测瓦斯涌出量的精度。     

基于WOA-LSTM的工作面瓦斯涌出量预测研究

为了提高瓦斯涌出量预测的科学性和准确性,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的瓦斯涌出量多步预测模型。该模型首先采用皮尔逊(Pearson)相关系数法进行瓦斯涌出量影响因素的特征分析,筛选了9个主要影响瓦斯涌出量变化的特征作为模型的外部输入特征;其次采用鲸鱼优化算法对LSTM神经网络的隐藏层神经元个数、时间步长、批处理数进行优化;最后,构建WOA-LSTM模型进行瓦斯涌出量预测,实验研究了不同时间步长下模型的预测精度并对比分析了LSTM、RNN、BP模型的预测效果。结果表明：基于WOA-LSTM的瓦斯涌出量多步预测模型在3个时间步长的预测模型误差值达到最小,其平均绝对误差相较于LSTM、RNN和BP神经网络模型分别降低了41.6%、46.6%、65.8%,具有较强的鲁棒性,可为矿井瓦斯的防治提供参考。     

矿井瓦斯涌出量的GM(1,1)新陈代谢模型预测

运用灰色系统理论,根据矿井相对瓦斯涌出量的历史统计数据建立GM(1,1)模型和GM(1,1)新陈代谢模型,使用残差进行精度检验。对比表明,新陈代谢模型精度高于常规的GM(1,1)模型,应用GM(1,1)新陈代谢模型对矿井未来3 a的瓦斯涌出量进行了预测,为矿山可持续发展提供参考。     

分源预测法在大型矿井瓦斯涌出量预测中的应用

为准确掌握矿井瓦斯涌出量,实测了赵庄煤矿3#煤层的含量、吸附常数等瓦斯赋存参数,分析了瓦斯赋存规律,得到3#煤层瓦斯含量与埋藏深度的关系模型;同时,采用分源预测法分别计算出回采工作面、掘进工作面及采空区瓦斯的涌出量,最终得到矿井产量8.00 Mt/a时矿井的相对瓦斯涌出量为19.87 m~3/t、绝对瓦斯涌出量为334.47 m~3/min,为矿井通风和瓦斯治理提供了可靠依据。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。     

基于分源预测法的瓦斯涌出量预测共享平台的构建

为了能方便快捷、实时准确地对矿井瓦斯涌出量进行预测,以分源预测法为基础,利用数据库技术将瓦斯涌出量预测所涉及的数据划分为瓦斯基础参数实体、瓦斯源实体、瓦斯涌出量实体,将测点信息、影响瓦斯涌出量的工艺参数、瓦斯涌出量等分别抽象为实体的属性,并利用MYSQL Workbench数据库建模工具构建瓦斯涌出量预测相关实体的EER(强化的实体关系)图;以采区为矿井瓦斯涌出量预测算法的基本单元,将矿井瓦斯涌出量预测算法过程划分为采区、回采工作面、掘进工作面、邻近层等4个循环体,将每一个瓦斯源瓦斯涌出量预测设计为函数,从而构建基于B/S(浏览器/服务器)模式的预测准确和易于扩展的瓦斯涌出量预测共享平台。     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型，对贵州某矿矿井瓦斯涌出量进行预测预报．采用残差识别方法修正GM（1，1）模型进行瓦斯涌出量预测，预测精度更高。利用灰色灾变预测理论，对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型，并对矿井瓦斯涌出量变化趋势进行预测。通过建立灰色预测模型，进行矿井瓦斯涌出量灾变性预测。     

矿井延深瓦斯涌出量的灰色预测

简要分析了矿山统计法预测瓦斯涌出量的弊端,采用灰色系统预测方法,根据不同采深瓦斯涌出量的原始数据建立了矿井瓦斯涌出量的动态GM(1,1)模型,通过建立残差GM(1,1)模型的方法对误差进行检验,实例表明预测精度较高,对做好矿井延深瓦斯涌出量预测并进行矿井安全生产具有较好的指导意义。     

基于ARIMA时间序列的瓦斯涌出量预测研究

矿井瓦斯涌出量预测对于煤矿的安全生产至关重要。为精确预测煤矿瓦斯涌出量,以ARIMA时间序列模型为基础,分析预测了煤矿瓦斯涌出量,并以乌东煤矿为例,建立乌东煤矿西区瓦斯涌出量预测指标体系,利用ARIMA模型进行瓦斯涌出量预测。结果表明:预测值与实际值对比,ARIMA瓦斯涌出量预测最大相对误差3. 62%,最小相对误差1. 84%,平均相对误差0. 13%,ARIMA预测模型可以有效预测煤矿瓦斯涌出量,为煤矿安全生产提供重要依据和参考。     

改进的灰色马尔柯夫模型预测采煤工作面瓦斯涌出量

以预测工作面绝对瓦斯涌出量为研究目的,通过对回采工作面瓦斯涌出量原始数据取自然对数为基础,建立改进的GM(1,1)模型,然后将其与马尔柯夫模型相结合,建立了改进的灰色马尔柯夫模型,并将该模型应用到中岭煤矿首采工作面瓦斯涌出量预测分析中.结果表明,灰色马尔柯夫模型预测工作面瓦斯涌出量拟合精度较好,结果正确可靠,有一定的普遍应用性.     

基于EMD-ARMA的矿井瓦斯涌出量预测

以矿井瓦斯涌出量预测方法为主要研究目的,针对瓦斯涌出量影响因素多,各因素间耦合机理及瓦斯涌出量变化规律复杂等诸多预测难点,提出了一种基于经验模态分解(EMD)和ARMA时间序列的综合分析方法,采用经过处理的时间序列对矿井瓦斯涌出量进行具体预测。根据各样本数据的不同特点选取合适的模型,建立EMD-ARMA预测模型,对矿井瓦斯涌出量及其变化趋势进行预测。