基于多元线性回归理论的煤矿瓦斯涌出量预测

为有效地预测煤矿瓦斯涌出量,降低矿井生产中的危险,分析影响煤矿瓦斯涌出量的因素,基于多元线性回归理论,构建了煤矿瓦斯涌出量预测模型.选取煤层瓦斯含量、煤层埋深、煤层厚度、邻近层瓦斯量4个因素作为自变量,不考虑其它因素的影响,运用SPSS软件处理数据,得出瓦斯涌出量与其影响诸因素之间的线性回归方程.通过瓦斯涌出量模型的建...     

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.     

优化神经网络在矿井瓦斯涌出预测中的应用

为有效预测矿井瓦斯涌出量,减少瓦斯灾害事故,通过分析得出影响瓦斯涌出量影响因素关系为原始瓦斯含量煤层厚度工作面长度推进速度煤层埋深煤层倾角,运用优化神经网络模型及MATLAB软件模拟预测矿井瓦斯涌出量。结果显示,预测结果与实测结果平均误差仅为2.3%,证明优化神经网络模型能达到较好预测效果,预测精度较高,可应用于矿井瓦斯涌出量预测中。     

采煤工作面瓦斯涌出量预测

用多元线性回归的方法对采煤工作面瓦斯涌出量关于煤层埋深、厚度、瓦斯含量、工作面推进速度和日产量的关系进行了分析,结果表明瓦斯涌出量同日产量有明显的线性关系,但同其他因素呈现非线性关系。因此,建立了瓦斯涌出量的BP网络模型,利用任楼煤矿的统计资料进行了模型的训练及预测,预测结果同原始数据较为接近,表明所建立的BP预测模型可用于瓦斯涌出量预测研究中。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。     

基于多元线性回归预测采煤工作面瓦斯涌出量

在对晋中市22座低瓦斯矿井采煤工作面的瓦斯涌出数据的研究基础上,定量分析了采煤工作面瓦斯涌出量的影响因素。利用SPSS软件的相关分析得到了影响采煤工作面的瓦斯涌出量的显著相关因素有瓦斯含量、工作面日产量、工作面埋深和地面大气压。通过多元线性回归分析,建立了采煤工作面瓦斯涌出量预测模型。根据预测结果可知,用该模型来预测矿井采煤工作面的瓦斯涌出量是可行的。     

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。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

基于改进灰色模型的矿井瓦斯涌出量预测

为了对矿井深部瓦斯涌出量进行预测,介绍了灰色线性回归组合模型的建模方法,以某煤矿相对瓦斯涌出量统计数据为实例,利用灰色线性回归组合模型对其瓦斯涌出量进行预测,通过检验得出模型的精度等级为一级。结果表明:灰色线性回归组合模型可以使传统的灰色GM(1,1)模型不含线性因素的情形得到改善,在预测矿井深部瓦斯涌出量中取得了良好的预测效果,具有一定的实用价值。     

矿井瓦斯涌出量预测优化模型

本文将多元回归和BP神经网络相结合来预测矿井瓦斯涌出量,最优多元回归剔除了相关性不大因素,结合BP神经网络提高了瓦斯预测精度,得到影响瓦斯涌出量主要因素,对煤矿瓦斯安全管理具有一定指导意义。     

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。     

煤层含气量的主控因素及定量预测

从煤层的生气潜能和储气能力两个方面分析影响煤层含气量的主控因素，认为煤层的储气能力是造成现今煤层含气量差异分布的主要因素；结合影响工区煤层含气量差异分布的主要地质因素分析，以现有的钻测资料为依据，选取相应的参数，建立适当的BP神经网络模型，对工区的煤层气含量进行预测分析.预测结果与实测资料对比分析表明：预测的煤层气含量与实测的煤层气含量之间的误差较小，且明显优于线性回归预测的结果.     

淮北许疃矿抽采后瓦斯含量损失影响因素分析及预测

抽采后残余瓦斯的存在对于矿井生产依然具有危险性,研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3_233采区地质条件,通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计,并分别赋予0.35,0,35和0.30的权重,计算得到研究区的构造指数及其分布,根据选取的42组数据,讨论了构造指数、煤层埋深、煤厚和原煤瓦斯含量等影响因素对抽采残余瓦斯赋存的影响,运用多元线性回归方法,拟合了瓦斯含量损失与构造指数、煤层埋深、煤厚等影响因素指标之间的相关关系,运用BP人工神经网络模型研究了预测抽采后瓦斯含量损失的可行性。结果表明:构造指数可以更精确地定量表征矿井构造复杂程度。瓦斯含量损失的主要影响因素为构造指数、煤层埋深、煤厚和原煤瓦斯含量。瓦斯含量损失总体上与构造指数呈负相关,而与其他因素的指标均呈正相关。经过数理统计的F检验,F=20.82F_(0.01)(3,38)=4.35,故多元线性回归的结果是显著的,表明瓦斯含量损失与各影响因素指标之间具有较密切的内在联系,其中构造指数对瓦斯含量损失的影响程度最大,煤层埋深影响程度最小,煤厚的影响程度介于构造指数与煤层埋深之间。以瓦斯含量损失为输出指标,以构造指数、埋深、煤厚和原始瓦斯含量为输入指标,建立了4×10×1结构的BP人工神经网络模型,模型经过学习训练后预测精度高,相对误差为1.19%～1.34%,表明可以运用人工神经网络模型预测未采区抽采后的瓦斯含量损失,残余瓦斯含量即为原煤瓦斯含量减去瓦斯含量损失,故可以间接预测抽采后残余瓦斯含量。     

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。     

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

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。     

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。