梁家煤矿矿井涌水量及预测

该文简要介绍了黄县煤田梁家煤矿近年来的矿井涌水量的相关情况并采用比拟法对-960m的矿井涌水量进行了计算和预测。     

基于灰色神经网络的矿井涌水量预测

针对矿井涌水系统的复杂性和随机性,提出采用神经网络修正灰色残差模型对矿井涌水量进行预测,既利用GM(1,1)模型能较好预测涌水量发展趋势的特点,又利用神经网络对于复杂非线性系统的优越性,保证了模型的精度,克服了单个模型所存在的不足。结果表明,该模型方法在矿井涌水量的预测中是可行的。     

基于深度置信网络的矿井涌水量预测研究

在矿井开采过程中，准确预测矿井涌水量对于矿井防治水及高效、安全生产具有重要意义。针对矿井涌水量影响因素复杂导致预测精度不高的问题，提出一种基于深度置信网络(DBN)间接预测矿井涌水量的方法。针对不同的盘区建立相应的DBN涌水量预测模型，对矿井各个盘区水仓提取涌水量数据，之后分别导入DBN预测模型进行预测，得到各个盘区的涌水量，进而得出矿井总体涌水量，同时将结果分别与BP、ELM神经网络以及DBN直接预测矿井涌水所得到的预测结果进行对比。试验结果表明，DBN间接预测的预测精度最高，其平均绝对百分误差仅有5.85%,运行时长也大幅缩短，说明DBN间接预测矿井涌水量模型具有更好的预测效果。研究结果为矿井涌水量的准确预测提供了一种新的方法。     

龙固煤矿矿井涌水量预测

通过对龙固煤矿水文地质条件及开采以来涌水量资料进行系统分析,利用水文地质比拟法对未开采区域的涌水量进行预测,为矿井的安全生产提供依据。     

基于随机森林算法的矿井涌水量预测

为对矿井涌水量进行准确预测,结合矿山地下水特征,分别选取采空区累积面积、降雨量、充水通道3个影响因素作为研究对象,利用20组矿井涌水量数据作为随机森林预测模型的训练数据集,进行模型的学习训练,另用3组边矿井涌水量数据作为预测模型的测试数据,通过训练好的矿井涌水量预测模型进行测试。     

新驿煤矿矿井涌水量预测

解析法利用三个抽水孔的资料,分别预测开采3煤的涌水量,取其平均值作为预测结果。水文地质比拟法利用水文地质条件和本矿相似的兴隆庄煤矿的资料,计算开采3煤的涌水量。最后分析两种计算方法的优缺点,选择较佳的结果作为目前开采中防治水设计的参考。     

矿井涌水量预测评述

矿井涌水量的大小不仅是对矿井建设进行技术经济评价、合理开发的重要指标,更是煤矿生产设计部门制定采掘方案、确定矿井排水能力和制定疏干措施的主要依据,正确地预计矿井涌水量是矿井水文地质工作的重要任务之一.就预测方法进行了讨论,并提出了相应对策.     

新安煤矿矿井涌水量预测研究

分析了1987-2008年新安煤矿的逐月涌水量,指出其矿井涌水量随着开采范围的扩大总体量增长趋势,而枯水期和丰水期矿井涌水量并没有明显的变化;并从理论上证明了小浪底水库蓄水将对本矿矿井涌水量产生重要影响.     

BP神经网络在煤矿井下涌水量预测中的应用

矿井涌水量受到多种因素的共同影响,具有非线性和高度复杂性的特点。根据黄陵一号煤矿井下涌水量影响因素及2014—2018年的涌水量数据,采用2种不同的输入神经元的方法创建神经网络预测模型,用已知数据对创建好的模型进行训练,得到拟合精度较好的模型,并用得到的神经网络模型对涌水量进行预测,最后与实际值进行比较。结果表明,2种神经网络模型的预测结果精度都较好,但预测精度有差异,用涌水量影响因素为输入神经元的模型在短期预测精度上低于涌水量组合作为输入神经元的模型;而在长期预测方面,涌水量影响因素为输入神经元的模型预测精度高于涌水量组合作为输入神经元的模型。     

城郊煤矿矿井涌水量预测研究

矿井水害是我国很多煤矿在安全生产中亟待解决的问题。河南永夏矿区以水大、水文地质条件复杂而闻名,在生产过程中,突水频繁,突水原因及类型的多变,已多次造成淹井、淹采区的事故。本文根据城郊煤矿水文地质条件及矿井投产以来历年涌水量数据,分别采用时间序列回归分析法和水文地质比拟法,对未来两年矿井涌水量及预开采的二水平涌水量进行了预测。该方法适当,结果可靠,可为矿井安全经济开采提供依据。     

解析法预测文家坡煤矿工作面涌水量

以彬长矿区文家坡煤矿为工程背景,在掌握研究区水文地质及开采条件的基础上,采用基于2种不同地质模型的“大井法”,以及“垂向入渗—侧向径流法”和“集水廊道法”等不同的解析方法,对文家坡煤矿4101工作面涌水量进行了预测。将不同方法得到的涌水量预测计算结果与工作面实测涌水量进行对比分析,得出“垂向入渗—侧向径流”模型计算结果与实测值更加吻合,能较为准确地反映研究区矿井涌水特征。该方法的应用对类似水文地质条件下矿井涌水量的计算具有重要参考意义。     

基于灰色理论的矿井涌水量预测

针对顾桥矿南二采区区域水文地质条件,利用灰色理论,建立GM(1,1)模型,并结合最小二乘法对其进行求解,得出研究区域内2013年各时期的矿井涌水量值,从而对矿井涌水量进行动态观测,为矿井开拓方案、开采方法、制定防治水措施等提供可靠依据。     

陈家岭煤矿涌水量特征及影响因素研究

在系统整理分析陈家岭煤矿2007~2012年全矿涌水量资料的基础上,计算出全矿涌水量的平均值和置信区间,判别出陈家岭煤矿全矿涌水量多年趋势动态和年动态类型均为起伏型,影响总涌水量动态类型的因素有大气降水、地震、水平延伸和观测操作记录不当等。降水量与全矿涌水量的相关系数为0.514,属于正相关、中等相关。汶川地震后总涌水量增加部分来自周边含水层静储量,主要通道为新形成的裂隙、老裂隙的开启和延伸。     

基于小波预处理的动态灰色模型在矿井涌水量预测中的应用

针对含噪声的矿井涌水量时间序列,传统静态灰色GM(1,1)预测模型容易受到随机干扰影响致使预测精度不高的问题,建立了基于小波消噪技术的动态等维灰色理论预测模型,并以新信息优先设置模型初始值,克服了传统静态灰色理论模型在预测过程中不考虑未来因素对系统影响的缺陷。实例分析表明,文章建立的消噪动态灰色模型预测效果远优于传统静态灰色模型,有借鉴价值。     

基于优化GM(1,1)模型的矿井涌水量预测及算法实现

针对矿井涌水量预测过程中受各种因素的影响,预测精度较低的问题,基于GM(1,1)模型提出优化GM(1,1)模型。分别建立GM(1,1)模型及优化GM(1,1)模型,并对某矿2002—2010年矿井平均涌水量进行模拟计算,结果显示优化GM(1,1)模型模拟精度较高。利用MATLAB设计优化GM(1,1)模型的计算程序,解决了计算过程复杂、计算量大的问题。     

基于神经网络的矿井安全预测方法

矿井生产系统是一个涉及很多因素的复杂系统,各种自然因素、机器因素与人工因素并存,又受到气体、煤尘等环境因素的影响,不同因素之间还存在相互关联。因此,煤矿安全预测是一个典型的非线性问题。神经网络是一个典型的非线性动力学系统,能够利用历史的训练样例对未来趋势进行准确的预测,非常适于解决矿井安全预测问题。文章提出了将神经网络用于该问题的想法,并分析了可行性。     

基于BP神经网络的矿井摩擦阻力系数预测

为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素：巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。     

地下水灰模的交叉取向解法在矿井涌水量预测中的应用研究

为了使灰色理论在地下水数值计算中的应用更加完善,对地下水灰色数值模型的求解方法作了进一步研究并建立了交叉取向解法。采用该方法对白涧铁矿区进行了地下水位动态的灰色数值模拟,并预测得出该矿区的矿井涌水量。本次模拟可为地下水计算方面的研究提供新的方法,同时也进一步推动了灰色理论的发展。