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LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

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。     

基于改进T-S模糊神经网络的瓦斯涌出量预测

该文针对瓦斯涌出量不容易确定的问题,提出基于改进T-S模糊神经网络的瓦斯涌出量预测方法,该方法很好的表达了瓦斯涌出量与其影响因素之间的复杂的非线性关系,解决了多输入单输出数据集的建模预测问题。预测结果与实际涌出量吻合度较高,表明了改进的T-S模糊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涌出量的预测提供了一种新的途径。     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

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。     

基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测

文章首先构建和训练以煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层距离、工作面推进距离、工作面产量等为输入变量,回采工作面绝对瓦斯涌出量为输出变量的BP神经网络模型。然后采用Monte Carlo方法通过对6组输入变量的随机抽样来预判各自的发展趋势并对输入变量随时间变化的行为进行模拟,将模拟结果作为BP神经网络输入层节点值,代入训练好的网络,输出值即为下一生产周期回采工作面绝对瓦斯涌出量的预测值。     

矿区瓦斯涌出量预测方法初探

本文利用灰色预测理论、数量化理论、数理统计和计算机技术对盘江矿区内矿井瓦斯涌出量进行了预测和分析。它对矿区内矿井的优化设计、高产高效建设、安全生产和决策有较大的指导意义。     

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。     

基于遗传算法自变量降维的神经网络煤矿瓦斯涌出量预测模型

煤矿瓦斯涌出量与其影响因素之间存在着高度的非线性关系,因输入自变量(即影响因素)较多,用神经网络建模容易出现过拟合现象,导致所建模型精度低、建模时间长。针对这些问题,提出用遗传算法对自变量进行压缩降维处理,实例仿真表明用降维后的数据建模提高了模型的预测精度,缩短了建模时间,且优于其他建模方法。     

旧街煤矿瓦斯赋存及涌出规律分析

通过实测数据确定了旧街煤矿的瓦斯赋存规律,并分析了开采8号煤层时的瓦斯涌出规律,明确了瓦斯治理的重点。结果表明:旧街煤矿瓦斯含量具有随煤层埋深增加而增大的总体趋势,增长梯度为0.916m3/t/100m;邻近层和采空区瓦斯是矿井瓦斯治理的重点。     

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。     

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明：改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。     

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。     

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。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。     

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。     

煤层瓦斯涌出量预测方法的改进

为了探讨瓦斯涌出量对于回采工作面的产量及安全方面的影响程度,对10个回采面的煤层瓦斯涌出进行了观测研究。研究结果重新确定了以总瓦斯含量作为预测瓦斯涌出量的基础,用残存瓦斯含量和残存瓦斯压力梯度描述瓦斯涌出空间。文中列举实例,给出了瓦斯涌出量的计算公式,这种新方法的预测误差,正常条件下在±20%范围内。研究还确认了原始瓦斯含量、开采煤厚及采掘速度是影响井下瓦斯涌出量最重要的参数。