矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

基于BP神经网络的燃煤着火温度的预测

针对燃煤特性研究过程受多种非线性因素制约,不能得到精确结果这一现象,利用BP神经网络理论从非线性角度对燃煤着火温度及影响因素进行了理论分析,并通过实例对智能网络进行训练、学习和预测。结果符合试验要求,成功地实现了利用BP神经网络对燃煤着火温度的预测。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

高温空气煤粉点火的试验研究

分析了当今国内外电站煤粉锅炉的无油点火技术，提出了利用高温空气点燃煤粉气流的设想．通过大量的空气加热试验和煤粉气流着火试验，验证了高温空气煤粉点火技术的可行性，并取得了大量的试验数据，为高温空气点火燃烧器的开发和应用提供了依据．试验发现：大多数煤种普遍存在一个对应于最小着火温度的最佳煤粉浓度；一次风粉速度的提高对着火不利；高温空气速度的提高对着火有利．     

基于构造复杂程度定量评价的瓦斯含量预测BP模型

首先分析总结了构造复杂程度的3个定量评价指标--K_d（断层复杂程度系数）、K_z（褶皱复杂程度系数）和K_q（倾角复杂程度系数）;然后,在分析潘三煤矿瓦斯地质特征的基础上,把K_d,K_z,K_q,煤层埋深和基岩厚度作为影响该矿煤层瓦斯含量的因素,建立了潘三煤矿的瓦斯含量预测BP神经网络模型;对建立的模型进行学习训练,经5 470次迭代,模型收敛,其精度高于多元回归模型,说明利用构造复杂程度定量评价系数来预测瓦斯瓦斯含量是可行的.     

煤粉自然发火临界参数的影响因素与预测

煤粉广泛应用于火电、化工及冶金领域,在制备及输送过程中,由于氧化活性增强极易自然发火并诱发燃爆事故,严重威胁作业人员生命安全。为预防煤粉灾害事故发生,研究最低着火温度对应着火延迟时间等关键临界参数的影响因素及预测具有重要义。通过搭建煤粉自然发火演化试验系统,采集硫磺沟矿和红柳矿的2种变质程度煤粉,并放置于反应池进行恒温氧化试验,分析了煤粉自然发火临界参数影响因素;同时建立了煤粉自然发火临界参数数学预测模型,对煤粉自然发火临界参数进行预测。结果表明:氧浓度和堆积厚度是影响煤粉自然发火临界参数的重要因素。煤粉的最低着火温度和对应着火延迟时间随氧浓度的降低显著增加,氧浓度降低抑制煤粉活性结构与氧气反应,减缓煤粉的升温速率,进而增加煤粉的最低着火温度和着火延迟时间。随着煤粉堆积厚度的增加,煤粉氧化释放的热量更容易蓄积,煤粉的最低着火温度逐渐降低,最大降幅可达34℃。而煤粉堆积厚度的增加可减缓氧气进入煤粉内部的扩散率,对应着火延迟时间表现出增加趋势。利用线性回归方法建立了数学预测模型,可用于计算煤粉自然发火临界参数,为煤粉自然发火引发爆燃事故防控提供了依据。     

瓦斯煤粉耦合体系着火实验研究

为研究煤矿井下瓦斯、煤粉、空气3成分体系的着火特性,在改进的粉尘云最低着火温度测试装置(G-G furnace)内,选取4种煤样进行瓦斯与煤粉耦合条件下的引燃实验研究。 实验结果表明：当有煤粉存在时,瓦斯-煤粉-空气3成分耦合体系的最低着火温度（MIT）均低于瓦斯、煤粉的最低着火温度,且煤粉粒径越小、煤粉挥发分越大,耦合体系的最低着火温度下降的越多。D50≈25 μm的1号煤样使得耦合体系的着火温度比瓦斯低340 ℃,比煤粉低110 ℃。说明煤矿井下电气设备按纯的甲烷气体进行防爆温度设计和选型,若不考虑煤粉的影响,具有引燃瓦斯-煤粉-空气3成分耦合体系的风险,需加以完善和改进。     

改进GWO-BP算法的概率积分法预计参数求取

针对BP神经网络模型在求取概率积分法预计参数时的缺陷,提出了一种基于改进灰狼优化算法(GWO)的BP神经网络参数预测模型。主要通过对灰狼算法的收敛因子a进行非线性收敛的改进,再利用粒子群算法(PSO)的速度更新公式更新搜索灰狼搜索位置。用改进的灰狼优化算法对BP神经网络的初始权值和阈值进行优化,然后利用最优的初始权值和阈值对模型进行训练和预测,从而得到概率积分法参数的预测结果。结果显示经过改进的灰狼算法优化BP神经网络的参数预测结果明显优于单一的BP神经网络模型和不改进的灰狼算法优化BP神经网络模型的预测结果,可以在矿区开采沉陷预计方面得到应用。     

颗粒间距对煤粉颗粒着火和燃烧行为影响的理论研究

为了探究复杂燃烧组织形式下煤粉颗粒间距变化所带来的颗粒着火和燃烧行为的差异，以典型烟煤为研究对象，开展了不同颗粒间距下煤粉颗粒着火与燃烧特性的理论模拟研究，主要考察着火延迟时间、着火模式及关键流场、组分场特性随颗粒间距D的演变规律。结果表明，当颗粒间距较大，煤粉颗粒群的燃烧行为与单颗粒燃烧行为相似；对于粒径为70μm的烟煤颗粒，在1 500 K-0.2O₂的条件下，均相着火滞后于非均相着火发生，且该现象对于气相反应机理的选取不敏感。当颗粒间距缩小（≤8d）,煤粉颗粒的气相燃烧行为与单个煤粉颗粒有较大的差异。由于颗粒之间的相互作用，挥发分在下游颗粒边界处发生富集，气相着火点在下游颗粒边界产生，并逐步发展至上游颗粒，促使气相连续火焰的形成。由于上述颗粒间的相互作用，上游和下游颗粒的挥发分着火均有所提前，使得颗粒的着火模式向均相着火倾斜，且下游颗粒着火模式倾斜程度较上游颗粒更为明显。当颗粒间距缩小，多颗粒燃烧形成火焰包络面，导致颗粒边界层富燃贫氧区域的扩大，这对燃烧过程中氮氧化物等的生成具有重要影响。     

基于最小二乘支持向量机的动力配煤着火特性预测模型

将最小二乘支持向量机建模方法引入到动力配煤着火特性的分析建模中,针对配煤指标中计算困难的着火温度指标建立了最小二乘支持向量机模型,一方面克服了神经网络算法的过拟合、泛化能力弱等缺点;另一方面提高了求解过程的计算速度。采用微粒群算法(PSO)对模型参数进行优化,模型留一验证得到预测均方误差为8.60,相关系数为0.93,对65个样本进行预测分析,得到较高的预测精度。因此采用最小二乘支持向量机方法可以实现较精确的配煤着火温度预测。     

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。     

煤灰软化温度建模与预测

基于Elman网络建立了煤灰软化温度预测模型,该模型以煤灰成分为输入向量,以煤灰的软化温度为输出向量。为了选取最优预测模型,分别讨论了输入向量维数、隐含层单元数以及激励函数对模型预测结果的影响。使用获得的最优网络模型对测试样本进行测试,结果表明该模型的预测精度高于常规BP网络。由所建最优预测模型可知,存在一个最优的煤灰成分分析数量。     

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。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

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BP神经网络的煤自燃温度预测研究

为了研究煤在氧化升温过程中CO、CO2、CH4、C2H6、C2H4等气体对温度的反馈作用,并通过各气体的数据准确预测煤自燃的温度。以赵楼煤矿为背景,采集部分煤样,放入煤自然发火实验炉中,通过数控程序系统,模拟煤自然发火时的漏风强度和供氧量,收集指标气体和温度等相关数据。采用气体成分分析法和神经网络算法建立BP神经网络预测模型,选取CO、CO2、CH4、C2H6、C2H4气体浓度作为神经网络的输入层,煤温作为输出层,设置8个隐含层神经元对煤自燃情况进行预测。结果表明：经过训练后,预测温度与实际温度基本吻合,误差控制在0～0.00065,该预测模型的建立对于矿井煤自燃早期预报有着极其重要的指导意义。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

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。