基于BP神经网络的瓦斯涌出量预测的研究

应用神经网络理论知识,结合贵州某矿的实测数据,建立了基于BP神经网络的瓦斯涌出量预测模型,通过数学软件MATLAB7.0对瓦斯涌出量进行预测,预测结果与实际涌出量吻合度较高,说明了BP神经网络在瓦斯涌出量预测上的可行性。为煤矿的安全生产中瓦斯量的预测提供了一种新的途径。     

基于RBF神经网络的煤矿瓦斯涌出量预测

煤矿瓦斯涌出量预测是矿井安全中的一个关键和热点问题。煤矿瓦斯涌出量涉及很多因素,例如日产量、日进度、煤层厚度、煤层间距、煤层深度等,瓦斯涌出量预测是一个非线性问题。径向基神经网络是目前应用非常广泛的一种局部神经网络模型,在函数回归、序列预测中具有很好的应用效果。文中提出了将径向基神经网络用于预测煤矿瓦斯涌出量的想法,并分析了可行性。     

基于虚拟仪器的瓦斯涌出量预测

准确地预测瓦斯涌出量对于指导矿井设计和安全生产有重要意义,而瓦斯涌出量是一个与自然因素及开采技术等多因素有关的非线性建模问题。文章将虚拟仪器技术引进瓦斯涌出量预测中,开发了基于LabVIEW平台的瓦斯涌出量预测系统。它利用Matlab Script节点使得用于瓦斯涌出量预测的BP神经网络理论在虚拟仪器上得以实现和应用,从而提高了虚拟仪器数据运算能力,在工程实践中有了很广泛的应用前景。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

程庄煤矿瓦斯涌出量预测分析

煤矿瓦斯涌出预测对于矿井通风设计和瓦斯管理非常重要。结合程庄矿煤层瓦斯的实际情况,对程庄煤矿9号煤层和15号煤层开采过程中的相对瓦斯涌出量和绝对瓦斯涌出量进行了预测。此外,还针对瓦斯涌出制定了防治措施。     

基于IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

基于T-S模糊神经网络的瓦斯涌出量预测

在对T-S模糊神经网络原理进行分析的基础上,采用MATLAB语言,利用赵庄二号井2314工作面所测得的数据,建立T-S模糊神经网络预测模型。该方法具有拟合性能强,预测准确度高的优点,可以作为采煤工作面瓦斯涌出量预测的方法,对于瓦斯治理有着重要意义。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

矿井瓦斯涌出量预测的模糊分形神经网络研究

将模糊控制技术、分形理论中的时间序列分析方法与神经网络技术有机地结合起来，并运用于矿井瓦斯涌出量的预测中。通过对矿井瓦斯涌出量时间序列的模糊分形处理，用BP神经网络对影响因素间的非线性关系进行拟合。检验结果表明，模型可靠，预测精度高。     

神经网络法对煤矿瓦斯涌出量预测浅析

1神经网络法瓦斯涌出量预测的可行性 近年来,瓦斯事故频发,对煤矿安全构成重大威胁,但由于瓦斯气体涌出受地质构造、煤层透气性、开采深度、开采方法、落煤方式及煤层赋存条件等多种因素影响,一直以来,很难通过建立精确的数学模型方式来预测瓦斯涌出情况,而绝大数矿井也仅仅是凭借经验来大概对工作面瓦斯涌出进行预测。     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

基于灰色神经网络预测潘一东矿瓦斯含量

运用灰色关联分析影响潘一东矿井瓦斯含量的各因素,得出煤层标高、顶板岩性、煤厚、地质构造是影响瓦斯赋存的主要因素。选取这四种因素作为神经网络的神经元进行建模预测,结果表明,基于灰色关联度的神经网络模型预测瓦斯含量,预测精度高,证明了基于灰色理论与神经网络预测模型的可靠性。     

泉水沟煤矿矿井瓦斯涌出量预测

根据<矿井瓦斯涌出量预测方法>对阜康泉水沟煤矿矿井瓦斯涌出量进行了预测和计算,根据预测结果,矿井属高瓦斯矿井.建议煤矿采用合理抽放瓦斯方法提高抽放瓦斯效果.确保煤矿生产安全.     

分源预测法在整合矿井瓦斯涌出量预测的应用

瓦斯涌出量是整合矿井设计中的一个重要参数,介绍了用于瓦斯涌出量预测的分源预测法的技术原理.结合山西某整合矿井实际和生产设计,分析了地勘时钻孔瓦斯含量,利用线性回归方法研究获得了9#、10#、11#煤层瓦斯含量与埋藏深度的关系,得出各煤层可燃质瓦斯含量增长梯度.运用分源预测法对矿井开采前期、中期和后期瓦斯涌出量进行了预测,并分析了矿井瓦斯涌出影响因素和涌出来源.研究结果对于矿井通风设计和瓦斯管理具有重要的意义.     

基于改进BP神经网络的矿井瓦斯浓度预测算法

针对传统煤矿瓦斯预警的可靠性差和误差大等问题,提出了一种基于改进BP神经网络的矿井瓦斯浓度预测算法。提出的新型算法在传统BP神经网络算法的基础上,将遗传算法与BP神经网络算法有效结合,采用优化连接权方法对BP神经算法进行优化。该方法降低了瓦斯浓度预测模型的迭代次数和绝对误差。     

大东庄煤矿瓦斯涌出量预测

采用井下钻屑解吸法对大东庄煤矿4#煤层的瓦斯含量进行了实测,根据瓦斯含量测值和组分确定了4#煤层处于瓦斯风化带中的氮气带。依据煤层瓦斯风化带下限瓦斯涌出量指标对4#煤层相对瓦斯涌出量和绝对瓦斯涌出量进行预测,得知大东庄煤矿4#煤层属于低瓦斯矿井。