基于灰色理论的硫化铜精矿品位预测模型

针对小样本数据条件下预测硫化铜精矿品位的问题,提出了基于灰色理论的铜精矿品位预测模型。该模型通过试验所得的小样本数据,动态改变建模数据的初始值和背景值,结合灰色理论建立了硫化铜精矿品位的GM(1,1)预测模型,统计预测模型的平均相对误差。结果表明:基于灰色理论的预测模型精度较高,最小的平均相对误差为1. 88%,模型的预测效果较好,可作为预测铜精矿品位的一种新方式。     

煤炭产量预测与对比分析研究

为了预测我国的煤炭产量,分别建立了一元线性回归预测模型和灰色理论GM（1,1）模型,并对预测结果进行了比较分析。结果表明,灰色理论GM（1,1）模型较一元线性回归预测模型预测精度更高,更符合我国煤炭产量的发展趋势。灰色理论GM（1,1）模型的煤炭产量预测结果表明,未来2 a我国煤炭产量呈稳定增长趋势,产量分别为34.83亿t和37.82亿t,增长比例分别为7.5%和8.5%。     

基于组合模型的中国氢气产量动态预测

基于灰色GM(0,N)模型、BP神经网络、偏最小二乘法回归，采用方差倒数法建立产量动态预测组合模型，以2012—2021年样本期间，动态预测2022—2025年氢气产量，结果表明组合模型2012—2021年的平均相对误差0.91%,2022—2025年的平均相对误差1.84%,均低于单项模型平均相对误差，验证了组合模型的有效性和准确性，为氢气产量预测提供借鉴和参考。受工艺技术复杂和高成本的影响，我国氢气产量整体增幅较缓慢，建议从降低氢气制储运加成本、推动氢气规模化应用和加大氢能技术创新力度方面助力氢能产业高质量发展。     

基于等维新息GM(1,1)模型群的煤炭产量预测研究

以煤炭产量预测研究为目的,建立了GM(1,1)模型、GM(1,1)残差模型和等维新息GM(1,1)模型,并对我国1999年至2010年的煤炭产量进行了数据拟合和预测。应用后验差检验,3种模型均是一级合格模型;根据相对误差检验,GM(1,1)模型和GM(1,1)残差模型的数据拟合精度属于四级,是不合格模型;而等维新息GM(1,1)模型群的最大相对误差仅为0.46%,平均相对误差为0.40%,是适用于煤炭产量预测分析的高精度模型。应用等维新息GM(1,1)模型群对我国近5年煤炭产量进行预测,结果表明:煤炭产量将以平均每年超过3亿t的速度增长,到2015年将超过47亿t。     

基于灰色RBF神经网络瓦斯涌出量预测

影响瓦斯涌出量的各种因素往往存在高度非线性,神经网络适合处理高度非线性数据,但样本数据随机性往往容易影响神经网络模型的预测精度,所以将改进的灰色模型引入进来弱化样本的随机性。又考虑到瓦斯预测上,RBF神经网络比BP神经网络更有优势,通过做差值将改进的灰色GM(1,1)模型和RBF神经网络结合起来,建立灰色RBF神经网络模型。仿真实验证明,灰色RBF神经网络模型比RBF神经网络模型的预测精度更高,达到了较理想的预测效果。     

基于灰色关联分析-GA-BP模型预测煤层瓦斯含量

为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。     

矿井瓦斯涌出量的灰色小波神经网络预测模型

矿井瓦斯涌出量预测一直是煤矿生产过程中倍受关注的问题。它受众多因素的影响,而各因素之间的非线性关系错综复杂。近年来,许多的学者利用人工神经网络对非线性的对象建模预测,但是存在收敛速度慢,易陷入局部极小等缺点。本文将灰色理论引入小波神经网络模型中,其中灰色模型利用累加生成的新数据建模,突出趋势项影响,小波神经网络通过灰色模型的预测结果进行再预测,使得小波神经网络的非线性激励函数更加易于逼近,减小周期和随机成分,提高了涌出量预测精度,表明了该模型可靠性。     

基于灰色关联分析与GA-BP神经网络的拉斗铲生产能力预测

为了解决拉斗铲生产能力的测量问题,本文提出一种基于灰色关联结合GA-BP 神经网 络的预测方法。 对影响拉斗铲生产能力的12个因素进行灰色关联分析,选取实动时间、出动率、 有效抛爆量和有效抛掷率4个灰色关联度大于0.7的影响因素作为输入变量,拉斗铲月生产能 力作为输出变量,建立了GA-BP神经网络和BP 神经网络预测模型。 结果表明,GA-BP 神经网 络最大相对误差为8.786% ,平均相对误差为3.385% ,平均相对误差方差为0.0156,迭代次数 为18次,各项性能均优于常规BP神经网络。 GA-BP神经网络模型对拉斗铲生产能力预测的泛 化性能更好,精度更高,为拉斗铲生产能力的预测提供了一种较为有效的方法。     

基于灰色马尔科夫模型的煤炭产量预测

煤炭资源是我国经济建设中的重要能源,准确预测我国煤炭产量有助于国家能源政策的制定.为此,在单一的灰色GM(1,1)预测模型的基础上,与马尔科夫预测模型组合形成灰色GM(1,1)-马尔科夫组合预测模型,以相对误差、均方差比值和小概率误差3个指标对模型的精度做检验.结果表明,组合预测模型优于单一预测模型,组合预测模型不仅反映了煤炭产量短中期呈上升趋势,又突显了该模型能较优地处理波动性序列的优点,能够有效地预测2019年和2020年煤炭产量.     

基于改进灰色马尔柯夫模型对我国煤炭生产总量的预测

准确预测未来煤炭产量是合理确定产能目标和发展规划的重要依据.将灰色系统理论与离散状态的马尔柯夫链理论相结合,通过对1998～2008年度我国历年来煤炭产量的原始数据取其自然对数进行光滑处理,建立改进的GM(1,1)模型和灰色马尔柯夫模型,实证计算表明:改进的马尔柯夫模型预测精度明显高于改进的GM(1,1)模型,预测结果可靠,具有一定的普遍应用性.     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

基于灰色神经网络预测青东矿10煤层底板破坏深度

传统的预测底板破坏深度方法主要有力学及数理统计、定性比较分析等,然而这些方法的预测值往往达不到预期的效果或与实际值差距较大。通过对比检验样本的预测误差可得出基于灰色理论的神经网络预测模型的精度高于BP神经网络的预测结果。故此次选用灰色理论与神经网络相结合的方法建立模型预测青东矿104采区10煤底板破坏深度,预测结果为16.86m。     

煤炭易自燃煤层采空区温度预测方法研究

常用温度预测方法建立的温度预测模型，多采用正向传播的方式，导致温度预测结果与实际测量结果存在较大的误差。针对该问题，提出煤炭易自燃煤层采空区温度预测方法。根据采空区中存在的易燃气体，选择气体浓度传感器采集样本数据，并针对数据采集过程中存在的缺失、重复、多单位等问题进行删除、填充和归一化处理；引入神经网络，建立温度预测模型，采用正向传播和反向传播2种方式训练模型误差；从平均绝对误差、平均绝对百分比误差、均方根误差和判定系数4个方面检验温度预测模型，输出温度预测结果。实验结果表明:设计煤炭易自燃煤层采空区场景，研究方法的预测温度结果与测量温度结果之间的绝对误差小于1，相对误差小于0.01，可认为所述温度预测方法具有较好的精度，能够为煤炭开采提供一定的参考价值。     

基于测井参数的煤系烃源岩总有机碳含量预测模型

复杂沉积环境下,烃源岩物性差异较大。经相关性分析揭示了煤系烃源岩TOC含量与各测井参数间存在相关性差异较大、各测井参数间含有互相关关系的特点。采用平均影响值(MIV)方法对测井参数进行筛选,筛选后的测井参数进入最终的BP神经网络建模,从而有效地规避了测井信息间的非相互独立性导致的模型预测误差增大及建模时间增加。依据研究区实验分析的TOC含量数据,分别建立适用于煤系烃源岩的Δlog R,BP神经网络和遗传算法(GA)优化的BP神经网络TOC含量预测模型。对模型试算分析,结果表明:GA改进后的BP神经网络模型预测效果最好,稳定性强,受烃源岩非均质性影响程度小,可以精细地反映煤系烃源岩TOC含量的细微变化。     

灰色神经网络组合模型在变形监测数据分析中的应用

针对基坑变形预测中数据的灰色性和非线性的特点,提出用灰色神经网络组合模型预测基坑变形的新方法.该文将灰色模型与神经网络模型并联构成组合预测模型,融合二者的优点,并结合实例,将灰色模型、神经网络模型和灰色神经网络组合模型的预测结果进行对比分析.结果表明:灰色神经网络组合模型的预测结果更精确,对变形监测的生产实践具有一定的参考意义.     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

融合机器学习算法的煤矿井下信道建模研究

由于矿井复杂多变的环境特征,传统射线跟踪法的井下无线信道建模误差较大,本文通过对机器学习算法及其搭配使用的特征进行分析评估,从而选择最优的信道建模方法。引入机器学习算法对场景特征进行学习进而实现较为精确的建模,研究了BP神经网络、遗传算法、支持向量机在井下信道建模方向上的应用。构建了射线跟踪法与GA_BP相结合的场强预测模型,同时使用最小二乘支持向量机方法建立预测模型。以地下巷道的实测数据作为算法的训练样本,对场强进行预测,试验本文各类算法的特征以及算法中参数对预测结果的影响。得到场强预测结果与实测数据的误差为-1.206 dbm,本文混合模型提升了井下场强预测精度。     

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。     

灰色理论在分析露天矿设备能力中的应用

为了分析露天矿设备生产能力,以灰色系统的建模、关联度分析及残差辨识为基础,建立了灰色系统理论模型,并将该模型应用到某矿设备的生产能力分析预测中。由后验差检验结果,精度检验等级可知,基于灰色理论预测矿山设备的能力拟合精度好,预测结果正确可靠。为矿山设计、矿山生产计划编制及矿山采剥工程模拟时对各设备的生产能力进行动态的随机计算提供了重要的方法,以别于传统的静态参量方法。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。