贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型，对贵州某矿矿井瓦斯涌出量进行预测预报．采用残差识别方法修正GM（1，1）模型进行瓦斯涌出量预测，预测精度更高。利用灰色灾变预测理论，对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型，并对矿井瓦斯涌出量变化趋势进行预测。通过建立灰色预测模型，进行矿井瓦斯涌出量灾变性预测。     

瓦斯涌出量灰色预测

基于灰色系统原理和现场调研，针对矿井瓦斯防治现状，实例分析瓦斯涌出量在一个周期的变化规律，对现场预测瓦斯爆炸有一定的参考价值和实际意义。     

矿井瓦斯涌出量的灰色预测

应用灰色系统理论 ,论述了矿井瓦斯预测的方法 ,结合实例评价了预测精度 ,对矿井防范瓦斯具有实际意义。     

矿井瓦斯涌出量的灰色预测

利用灰色系统理论建立矿井瓦斯预测的数学模型 ,并利用此模型对矿井的瓦斯涌出量进行了预测。其结果对煤矿安全生产具有指导意义     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型,对贵州某矿矿井瓦斯涌出量进行预测预报.采用残差识别方法修正GM(1,1)模型进行瓦斯涌出量预测,预测精度更高.利用灰色灾变预测理论,对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测.通过建立灰色预测模型,进行矿井瓦斯涌出量灾变性预测.     

基于灰色模型的瓦斯涌出量预测

运用灰色模型得出了回采工作面和掘进工作面的瓦斯涌出量预测值;统计分析了7601综采工作面日产量(日进度)与相对瓦斯涌出量之间的关系;运用MATLAB曲线拟合工具,通过对原始数据的等间隔序列化等处理,得到了灰色预测模型。实测检验表明该方法预测结果与实际基本吻合。     

灰色线性回归组合模型在瓦斯涌出量预测中的应用

矿井瓦斯涌出量预测是新建矿井、新水平和新采区设计的主要依据。针对目前灰色理论预测模型和线性回归预测模型的缺点和不足,系统地推导了灰色线性回归组合预测模型。结合现场实测数据,并对比线性回归模型和灰色理论模型预测结果,发现该模型的预测精度分别提高了2.46%和1.35%,数据拟合的相关系数也有一定程度的提高。实证结果表明,灰色线性回归组合模型可以更好地预测矿井瓦斯涌出量。     

矿井延深瓦斯涌出量的灰色预测

简要分析了矿山统计法预测瓦斯涌出量的弊端,采用灰色系统预测方法,根据不同采深瓦斯涌出量的原始数据建立了矿井瓦斯涌出量的动态GM(1,1)模型,通过建立残差GM(1,1)模型的方法对误差进行检验,实例表明预测精度较高,对做好矿井延深瓦斯涌出量预测并进行矿井安全生产具有较好的指导意义。     

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。     

矿井瓦斯涌出量灰色预测法

以矿井瓦斯涌出量的预测为主要研究目的,讨论了应用灰色模型预测瓦斯涌出量的可行性,简要介绍了灰色预测建模方法及模型精度检验方法,最后将上述理论应用于一个实例,并编制了用于灰色预测的MATLAB程序。研究表明,灰色模型预测瓦斯涌出量方法简单、预测精度高。     

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。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

矿井瓦斯是煤矿生产过程中存在的主要的不安全因素,煤矿瓦斯涌出量在很大程度上影响着矿井的设计及开采。文章提出利用灰色神经网络预测矿井瓦斯涌出量的思路,并对灰色神经网络模型进行了全面阐述,之后对模型进行了仿真分析。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

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.     

灰关联分析与BP神经网络方法在矿井瓦斯涌出量预测中的应用

将灰关联理论运用到影响矿井瓦斯涌出量预测指标的选取中,确定了影响矿井瓦斯涌出量预测的主要指标。根据这些指标建立了矿井瓦斯涌出量的BP神经网络模型,结合某矿的实际数据,对预测模型进行训练和验证,得到了很高的预测精度和较快的收敛速度,取得了较好的实际应用效果。     

数控切削加工表面粗糙度RBF神经网络预测模型

针对数控切削加工表面粗糙度存在预测精度不高的问题,采用径向基(RBF)神经网络技术,以多组实际加工试验数据作为样本,建立了以转速n、进给速度vf、背吃力量ap为自变量的切削表面粗糙度预测模型。试验及预测结果表明:切削表面粗糙度RBF神经网络预测模型的预测相对误差小于2.7%,而回归分析预测值的相对误差在7.1%～14.0%变动。充分说明数控切削加工表面粗糙度RBF神经网络预测模型的预测精度高,可满足数控切削加工表面粗糙度实时在线预测的要求。