基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

基于因子分析与BP神经网络的煤与瓦斯突出预测

为提高煤与瓦斯突出预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。根据平顶山八矿煤与瓦斯突出相关主要影响因素的原始数据,使用因子分析法对9个煤与瓦斯突出影响因素的原始数据进行降维处理,得到3个公共因子;将3个公共因子代替原有的9个煤与瓦斯突出影响因素作为BP神经网络输入层参数,建立因子分析法与BP神经网络法相结合的煤与瓦斯突出预测模型,对平顶山八矿煤与瓦斯突出进行预测。选取平顶山八矿煤与瓦斯突出样本对改进的BP神经网络预测方法进行验证,结果表明：3个预测样本的相对误差分别为1.79%、3.54%、0.83%,均小于10.00%。采用改进的BP神经网络预测方法可有效解决传统的BP神经网络因为输入层参数过多而数据处理效率低、迭代速率慢与精确度低等问题。     

基于随机森林的煤体瓦斯渗透率预测研究

为了可以更好地指导瓦斯抽采及瓦斯灾害防治,利用随机森林方法并结合影响煤体瓦斯渗透率的4个主要影响因素——有效应力、气压、温度、抗压强度,对煤体瓦斯渗透率进行预测研究。利用22组数据作为训练样本,8组数据作为预测样本,分别从详细精度、混淆矩阵和节点错误率3个方面判断。结果表明:基于随机森林的煤体瓦斯渗透率预测模型训练效果总体水平稳定且预测准确率为100%,证明预测模型理论研究方面具有可行性;经过工程实例的应用,预测结果与实际结果相符合,随机森林的煤体瓦斯渗透率预测模型可应用于现场生产,对煤矿的高效安全生产具有重大指导意义。     

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法研究

针对BP神经网络算法对煤体瓦斯渗透率预测精度低问题,筛选出影响预测精度的5个主要因素——1个宏观因素(煤层埋深)和4个微观因素(有效应力、温度、瓦斯压力、抗压强度),提出一种基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ-CPSO-BP煤体瓦斯渗透率预测方法。从宏观上确定临界值将煤层埋深划分为2层;基于有效应力与瓦斯渗透率之间存在拐点关系,从微观上确定拐点值将有效应力划分为2段;采用LVQ将4个微观样本参数依据拐点特征进行分类识别,采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化;基于样本案例对本文构建的LVQ-CPSO-BP算法进行预测结果验证,并与BP算法、GA-BP算法及PSO-BP算法预测的结果进行对比分析。结果表明:LVQ分类正确识别率较高,CPSO-BP算法预测精度较好,且优于其他3种算法。LVQ-CPSO-BP算法总体预测值与实测值吻合度高,尤其当有效应力减小时,预测精度更高。     

基于测井资料的BP神经网络的煤体结构预测

基于柿庄南3号煤层测井和钻井岩芯数据,结合地质强度因子对煤岩煤体结构进行定量表征,通过因子分析完成对声波时差、体积密度、自然伽马、井径、补偿中子以及深层向电阻率测井曲线的优选,并将其结果作为模型输入参数,利用BP神经网络方法,建立了该地区的煤层煤体结构GSI值的预测模型。预测数值与目标数值具有高度的吻合度,并再次利用多元线性回归方法进行对比。结果表明,BP神经网络方法具有更好的适用性,为以后煤体结构预测模型的建立提供了新思路。     

基于ANFIS的煤体瓦斯渗透率预测模型研究

为有效预测煤体瓦斯渗透率,预警井下作业时瓦斯浓度变动,利用神经网络的自适应学习能力和模糊推理系统的经验知识建立自适应神经模糊推理系统(ANFIS)预测模型,并基于实验室数据将其预测结果与BP神经网络模型和支持向量机(SVM)模型的预测值作对比。研究结果表明:ANFIS模型的收敛速度快,预测值与实测值相符度高;在误差精度、训练速度和收敛性等方面,其性能优于其他两种模型,可通过有效应力、瓦斯压力、温度和抗压强度对瓦斯渗透率进行高精度的预测。     

含瓦斯煤体渗透率的探讨

文章通过实验室对煤体滲透中的测定得出以下结论:实验室测定结果还不能直接应用于现场实际,只能做定性研究阶段:在煤样应力升高时,可用负指数方程和应力降低时可用负幂函数方程来分析煤层开采前后渗透率的变化情况;突出煤的渗透率小于非突出煤层的渗透率;平行层 理煤样渗透率大于垂直层理的渗透率.因此,煤体的渗透率可作为煤层突出危险的一项指标。     

基于BP神经网络的煤与瓦斯突出预测专家系统

考虑到人工神经网络极强的非线性逼近能力以及专家系统在知识处理方面的优势,利用VB结合BP算法开发了BP网络,通过建立区域突出预测知识推理模型,将专家经验及可信度作为BP神经网络的输入单元和输出单元,利用嵌套技术把学习结果作为专家系统知识库的一部分,实现了基于BP神经网络的煤与瓦斯突出预测专家系统。结果表明,该系统预测精度比传统专家系统有明显提高。     

基于BP神经网络的未采区瓦斯含量预测

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋存的主要因素,并将其作为BP神经网络模型的输入端神经元,初步构建出瓦斯含量预测模型;结合地勘时期瓦斯钻孔的实际数据,进行网络训练,再对预测模型的可靠性进行检验。结果表明:该预测模型预测瓦斯含量,精度较高,效果较好,能满足工程要求。采用多元线性回归-BP神经网络可以对未开采区域煤层瓦斯含量进行准确预测,为矿井瓦斯灾害防治提供一定的参考依据。     

基于人工智能蚁群算法的煤体瓦斯渗透率预测模型

利用经典人工智能生物蚁群算法,引入单体混沌理论对一般的人工蚁群算法进行优化,构建了以煤体有效应力、瓦斯气体内外压力、温度、气体吸附力为输入的人工智能蚁群算法瓦斯渗透率预测模型。利用三轴伺服渗流装置取15组数据对模型进行训练,迭代2 000次后观察实验结果。测试结果最大相对误差在3.5%以内,测试曲线拟合很好。     

基于灰色关联度BP神经网络预测煤层瓦斯含量

以淮南矿区潘三矿13-1煤层为例,在分析潘三矿瓦斯地质资料的基础上,结合灰色关联度分析,确定煤层埋深、地质构造、煤层倾角、煤层厚度以及顶板岩性为影响煤层瓦斯含量的主要因素,建立瓦斯含量预测BP神经网络模型。对已建立的模型进行训练和检验,并预测煤层未开采区域瓦斯含量。结果表明:建立的预测模型能满足煤矿实际安全生产的要求,为矿井瓦斯灾害防治提供一定的参考依据。     

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。     

瓦斯预测中的BP神经网络融合技术

针对瓦斯预测领域大量用到的BP神经网络技术,分析了BP神经网络的优缺点。通过对近年来的方法进行比较,总结了该领域与BP神经网络进行融合的7大技术及其融合思路和效果,提出了融合技术的选择原则。     

基于BP神经网络的采煤工作面瓦斯涌出量预测

在建立基于BP网络采煤工作面瓦斯涌出量预测模型的基础上,结合样本数据,采用经验公式与MATLAB程序相结合的方法,自动选取了预测模型隐含层的最佳节点数;分别采用3种改进的BP算法对网络模型进行了训练,结果表明Levenberg-Marquardt算法的训练误差最小,收敛速度最快;通过对预测模型的训练及仿真,证明了该模型精度高,完全能够满足工程实际应用的要求。     

基于煤体渗透率各向异性的瓦斯抽采特性研究

为了确定合理的有效抽采区域,首先建立了含瓦斯煤岩体的流-固耦合模型,然后建立几何模型,利用COMSOL Multiphysics软件进行数值解算,在考虑渗透率各向异性的基础上,研究钻孔周围不同位置的瓦斯压力变化规律。结果表明:考虑渗透率各向异性之后,瓦斯压力等值线图呈现出椭圆形状;渗透率各向异性会影响瓦斯在煤体中的运移,渗透率越低,瓦斯在煤层中运移越慢;达西速度与渗透率成正比,即渗透率增大,达西速度随之增大,渗透率各向异性使钻孔周围达西速度等值线呈椭圆分布,越靠近钻孔中心,达西速度越大,且随着时间的增加,达西速度最大值在减小;当钻孔周围瓦斯压力达到0.74 MPa时,受渗透率各向异性的影响其有效抽采区域呈现左右大、上下小的分布,瓦斯在渗透率小的地方难被抽采。     

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。     

基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

煤与瓦斯突出BP神经网络预测系统研究

煤与瓦斯突出是严重危害煤矿安全生产的一种非线性瓦斯动力灾害。文章将BP神经网络运用于煤与瓦斯突出预测模型,从煤与瓦斯突出的原因、BP神经网络用于煤与瓦斯突出预测的原理、运用实例三方面,对利用BP神经网络预测煤与瓦斯突出的研究加以阐释,证明了BP神经网路预测系统的精度高于传统系统。     

基于灰色理论与BP神经网络的煤层瓦斯含量预测方法

运用瓦斯地质理论分析了影响煤层瓦斯赋存的主要因素,并采用灰色关联分析法对影响煤层瓦斯含量的主要因素进行了关联度分析,选取CH4(%)、围岩岩性、煤层埋深3个主要因素作为BP神经网络的输入端神经元,构建出了预测瓦斯含量的预测模型,并进行网络训练,最后对预测模型的可靠性进行检验。结果表明:采用BP神经网络模型预测瓦斯含量比多元线性回归法的精度更高,能满足工程要求,对于煤层瓦斯含量的准确预测具有一定指导意义。