基于机器学习算法的井漏预测与诊断理论模型研究

在钻井作业中发生的井漏事故具有突发性、难治理等特点,导致现场堵漏工程难度大、成功率低、成本高等。为了“快、准、狠”地解决该类难题,必须准确预测漏失并提出堵漏措施。本文利用梯度提升决策树算法(GBDT)进行了井漏预测模型研究,通过分析若干机器学习算法,论证了GBDT作为井漏钻前预测模型的可行性;利用案例推理技术建立井漏案例诊断库,使用欧几里得算法和LB_Keogh算法进行井漏案例的检索,提出相应的井漏处理措施,通过实例验证了相似性计算的可靠性。     

基于融合特征选择算法的钻速预测模型研究

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。     

基于布谷鸟算法优化SV M的尾矿库坝体变形预测

为解决SVM模型在尾矿库坝体位移预测中,参数寻优时间较长、模型稳定性较差的问题,引入布谷鸟算法(CS)进行优化,构建的CS-SVM模型用于辽宁省风水沟尾矿库2#副坝的位移预测实例中,将该模型预测值与SVM模型和PSO-SVM模型的预测值进行对比分析.结果表明,CS-SVM模型有较高的预测精度,预测值趋近于真实值,模型构...     

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。     

基于GM(1,1)灰色系统理论模型的矿井涌水量预测

对矿井涌水量进行准确的预测是煤矿生产设计部门制定采掘方案、确定矿井排水能力、制定疏干措施、防止矿井突水、淹井等严重事故和利用地下水资源的重要依据,而矿井涌水量受水文、地质、气象、开采情况等多种因素影响,常常表现出较大的随机性和波动性。用灰色理论对原始数据进行处理,弱化其随机性,并建立GM(1,l)动态预测模型进行预测,避开了各种复杂的影响因素,将各种影响因素进行"灰处理",模型的计算灵活简单,其精度满足要求。     

基于机器学习算法的区域地质环境承载力评价方法研究

随着国家对生态文明建设重视程度不断提高,人们对所住区域的地质环境承载能力越来越关心,也对地质环境承载力评价的方法提出了新的要求。本文引入机器学习方法 ,以地质环境承载力的评价理论为基础,提出了基于机器学习算法的地质环境承载力评价方法。通过梳理国内外地质环境评价相关成果,分析地质环境的各种评价要素,提炼出影响地质环境承载力的主控因素,在此基础上建立适合于机器学习的地质环境承载力评价指标体系,再结合机器学习方法,构建基于机器学习算法的地质环境承载力评价模型,对区域地质环境承载力进行评价,并以眉山市彭山区为例,进行承载力评价,为其他区域的地质环境承载力评价提供应用示范和评价方法。     

基于集成算法和普通机器学习算法的岩爆分级预测及选择

岩爆是国内外深部地下工程面临的巨大灾害,岩爆预测具有显著的现实意义。现阶段单一的机器学习算法准确率较低、泛化性不足,难以发挥各个算法优点。为满足岩爆预测与工程实际需要,提出基于集成算法和普通机器学习算法相互结合预测岩爆各个等级,充分发挥不同算法在某一岩爆等级预测的优势并形成互补。提出改进的Boosting、Bagging集成预测算法,与stacking、random forest、random subspace集成算法和普通学习算法诸如BP、贝叶斯算法（bayes）、k最近邻（KNN）、支持向量机（SVM）等在内的14种预测算法进行相互结合验证。基于国内外地下工程165组岩爆实例,选取围岩最大切向应力(MTS),岩石单轴抗压强度(UCS),岩石单轴抗拉强度(UTS),岩石弹性能量指数(Wet) 构建岩爆预测体系,引入T–分布邻域嵌入(T-SNE),对数据进行降维可视化。为避免算法预测岩爆过程中预测结果的偶然性,即出现预测准确率过高或过低的现象,采用在各个岩爆等级按照比例随机筛选训练集和测试集,确保数据集分类的严谨性;每次机器学习过程的数据都具有随机性,再采用10次运行结果后取各项预测平均值,评价算法在各个等级的准确率和算法整体的预测稳定性。结果表明：LDA 对 Ⅱ 级岩爆有更高的准确率,Bayes分类 Ⅳ 级岩爆效果最好,Adaboost.M1对 Ⅰ 级和 Ⅲ 级有最高的准确率。整体预测效果基于决策树的Bagging预测稳定性更好,预测精确率高。最后引入终南山隧道竖井工程案例,预测结果与现场实际工况较为一致,表明本文所建立算法的可靠性。     

基于决策树ID3改进算法的煤与瓦斯突出预测

为提高工作面突出预测指标预测的准确率,根据灰色相关理论和决策树ID3算法,提出了基于决策树ID3改进算法的煤层工作面煤与瓦斯突出预测方法。该方法以工作面的钻屑解吸指标作为主要决策属性,以地质构造、瓦斯浓度变化等现场较为直观的突出征兆作为辅助决策属性,同时根据矿井实际工作面煤与瓦斯突出数据建立预测样本数据集,把决策属性的相对灰色关联度作为决策树ID3改进算法的最大信息增益计算权重,建立了煤层工作面煤与瓦斯突出决策树预测模型,并采用该预测模型对10组煤与瓦斯突出数据进行了预测,结果表明,该模型预测的准确率显著高于采用单一钻屑指标预测的准确率。     

基于RS-SCA-PPR的充填管道失效风险预测精度研究

为提高充填管道失效风险的预测精度,建立了基于粗糙集(RS)和正余弦(SCA)算法优化投影寻踪回归(PPR)的充填管道失效风险预测模型。以某矿山为例,选取10项影响因素构建充填管道失效风险预测指标体系,通过RS属性约简原理提取5项核心因素,再利用PPR对充填管道失效风险进行预测,并采用SCA对模型参数进行优化。结果表明:RS可有效消除冗余信息,简化运算过程,SCA-PPR预测精度高、模型性能好,拓宽了矿山充填管道失效风险预测研究的思路。     

基于神经网络的采煤机系统故障预测与诊断研究

通过监测采煤机的实时工作状态参数,并利用神经网络在数据处理方面具有高度的并行性的特点,对采煤机系统的故障属性进行预测与诊断。结果表明,除在极少数时间节点外,采用该方法得到的预测值与实际值的误差都较小。因此,基于神经网络的方法,建立采煤机系统的故障预测与诊断模型,有利于提高故障的诊断效率,对现场施工具有一定的理论指导意义。     

LS-SVM-GA算法在油田产量预测中的应用研究

油田产量预测是油田开发动态分析最重要的内容之一,也是油田开发优化决策的基础。在介绍最小二乘支持向量机(LS-SVM)及遗传算法(GA)的原理基础上,建立LS-SVM-GA模型,并用该模型对某气田天然气产量进行预测。通过二个性能指标将其与LS-SVM和BP神经网络模型进行对比,结果表明,在样本有限保证一定精度的情况下,LS-SVM-GA模型的预测精度较高,范化能力较强,能够利用该模型对气田天然气产量进行预测。     

基于自适应神经网络模糊推理系统的竖井井斜预测

井斜是评价成井质量的重要指标之一,钻井工艺参数是影响竖井并斜的重要因素.基于自适应神经网络模糊推理(ANFIS,adaptive neural-network-based fuzzy inference system)建立了竖井井斜预测模型,将钻压和转速两个主要钻井工艺参数作为输入变量,并选用某竖井部分录井数据作为基础...     

基于GRA-GASA-SVM的煤层瓦斯含量预测方法研究

为提升煤层瓦斯含量预测精度，提出一种采用遗传模拟退火算法混合优化支持向量机（SVM）参数的瓦斯含量预测模型（GRA-GASA-SVM模型）。该模型将GA和SA整合为遗传模拟退火算法协同优化SVM的参数，以解决传统网格寻优算法取值范围无法确定和单一智能算法优化程度有限等问题。利用灰色关联分析（GRA）压缩数据集维度，建立瓦斯含量预测参数体系并作为GASA-SVM的输入数据集。结果表明：SVM模型、GA-SVM模型和GASA-SVM模型10折交叉验证瓦斯含量预测总平均相对误差分别为15.98%、13.55%和10.58%。相比SVM模型和GA-SVM模型，GASA-SVM模型预测稳定性更优、预测精准度更高且对新样本泛化能力更强。     

基于RBF网络的浮选过程技术指标智能预测系统的研究

利用ZJWNNC标准函数建立了浮选过程技术指标与矿浆性质、药剂用量之间的关系模型 ,并对该模型进行了仿真试验。仿真结果表明 ,模型输出能以较高精度逼近样本数据。基于上述模型开发了西林铅锌矿浮选过程技术指标智能预测系统 ,并进行了工业试验。工业试验的结果表明 ,该系统能够以较高的精度预测浮选过程作业回收率和精矿品位。该系统的成功开发为浮选过程的优化控制奠定了基础。     

基于极限学习机的采煤机功率预测算法研究

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。     

基于ANN的煤岩破坏电磁辐射预测研究

以自适应神经网络的基本原理和实现步骤为基础,研究了煤岩变形破裂过程电磁辐射自适应神经网络预测的原理及特点,将电磁辐射自适应神经网络模型应用于煤岩变形破裂过程声发射和电磁辐射序列的预测。研究结果表明,采用神经网络可以有效预测电磁辐射和声发射信号,为判定煤岩变形破裂状态提供依据。     

基于电力负荷历史数据挖掘的负荷预测算法研究

针对电力负荷历史数据中异常数据点影响电力负荷预测精度的缺陷,研究基于电力负荷历史数据挖掘的负荷预测算法。选取K means聚类算法挖掘电力负荷历史数据的属性特征量,检测其中所包含的异常数据点,选取灰色系统理论中的GM（1,1）模型修正电力负荷历史数据中的异常数据,利用完成修正的电力负荷历史数据建立训练集以及预测集,将训练集样本输入支持向量机中,利用支持向量机所具有的非线性映射能力映射样本至高维空间内,获取支持向量机最优阈值,将预测集输入具有最优阈值的支持向量机中,获取精准的电力负荷预测结果。所研究算法可实现长期、短期、超短期电力负荷的预测,且预测的精准性及速度较为优越。     

基于改进型BP算法的煤矿瓦斯预测与仿真研究

有效控制煤矿井下瓦斯体积分数是保证财产和人员安全的重要前提。现阶段各大煤矿企业采用的瓦斯体积分数测量方法存在一定缺陷,未能实现动态性和实时性,导致瓦斯爆炸事故时有发生。为了科学、准确地控制煤层瓦斯含量,深入分析了影响瓦斯体积分数的因素,提出了基于BP神经网络结构的预测模型方案。为了优化预测模型,从引入陡度因子、自适应调整学习速率、改进误差函数等方面入手,不断提高预测精度,继而采取网络训练和仿真的模型来验证其准确度,为煤矿安全生产提供有效借鉴。     

基于Apriori算法下的矿井火灾事故预测研究

应用Apriori算法完成数据挖掘模型建构,对矿井相关数据实施采集、预处理及数据挖掘,进而实现对矿井火灾事故的预测分析,获得矿井火灾事故发生率。研究结果表明,通过关联规则分析某矿井的相关数据,发现高瓦斯浓度-低流量置信度在70%左右,高瓦斯浓度-低负压置信度在61%左右,由此得出在矿井火灾事故防治中,要加强对日产量以及瓦斯浓度的控制。     

基于梯度提升决策树的露天矿边坡多源信息融合与稳定性预测

准确预测边坡稳定性对于减少滑坡次数和降低边坡维护成本至关重要。岩质边坡作为一种典型的岩体工程,在灾害的孕育和发展过程中,工程岩体内部会产生新的裂隙,或旧裂隙发展。随着岩体内部裂隙的发展,岩体物理参数不断发生变化,因此通过监测边坡岩体的物理参数变化对岩质边坡稳定性进行预判已成为一种重要的预测手段。而传统的单一监测信息虽然能够直观地反映滑坡趋势,但其存在局部性和滞后性,并不能完整反映边坡所处的状态。基于涵盖了边坡内部和表面的微震、应力和位移等3种异构信息,提出一种利用多源监测信息融合技术对边坡进行稳定性预测分析的方法:针对大孤山露天矿边坡的实际地质条件,通过有限元强度折减法得到边坡不同状态下监测信息的变化规律,并利用梯度提升决策树(GBDT)模型对监测信息进行融合,建立了边坡稳定性预测的非线性模型,并与不同融合算法进行对比,得到如下结论:(1)将梯度提升决策树和有限元强度折减法相结合,可以实现边坡的位移、应力和微震等异构信息的融合,并以大孤山铁矿西北帮边坡实际监测数据验证了所提方法的有效性;(2)与其他融合算法进行比较表明,GBDT模型在预测精度和模型解释能力方面具有优越的性能,可以很好地...