煤与瓦斯突出联网系统的应用研究

介绍了煤与瓦斯突出联网系统的总体结构和联网数据的形成。该系统通过分析和计算各矿井的煤质结构、地压活动范围和瓦斯倍率的密切关系,得出判断煤与瓦斯突出事故的综合分析指标,以预测与防治事故的发生。实际应用表明,该系统实现了对煤与瓦斯突出的预测功能。     

贵州矿区煤与瓦斯突出特征及其防治对策

通过收集分析贵州矿区381对矿井、695层煤的突出指标和以往120对矿井发生的214起典型煤与瓦斯突出事故,对贵州矿区煤与瓦斯突出指标分布特点及突出特征进行了研究,提出了针对性的防突措施:加大煤层突出指标的测试工作,对黔北、织纳、六枝、盘江、水城等突出强度大和突出次数多的矿区制定严格的管理制度,加大煤巷掘进工作面的防突工作,并加强放炮管理、动力现象监测和地质构造探测,以此减少贵州矿区煤与瓦斯突出事故。     

煤与瓦斯突出预测研究

煤与瓦斯突出预测是一项复杂有难度的技术,受到很多因素的影响.首先,以矿井历年来典型突出的突变强度作为灰关联分析的参考数列,其它的突出预测指标为比较数列,通过灰关联分析来确定煤与瓦斯突出的主控因素.然后,利用神经网络对煤与瓦斯突出作了预测.结果表明,该方法是可行的且比模糊聚类方法更具可靠性.     

煤与瓦斯突出电磁辐射的监测及应用

根据煤与瓦斯突出产生电磁辐射的原理和煤岩破裂电磁辐射信号的特征，设计出了电磁辐射监测仪．并将该监测仪应用于煤与瓦斯突出的预测预报，得到了大量的实验数据．从中总结出煤与瓦斯突出危险程度与电磁辐射强度和脉冲数的关系，给出了有突出危险时电磁辐射强度和脉冲数的临界值。实验证明电磁辐射监测仪在实际应用中效果良好。     

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP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PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足煤与瓦斯突出预测的要求。     

基于突变级数法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出发生的内在机理非常复杂、难以建立合适的多因素非线性预测模型的问题,提出了基于突变级数法的煤与瓦斯突出危险性预测方法。该方法选用典型突出矿井的煤与瓦斯突出实例作为学习样本,确定了不同冲击危险等级的突变级数,并应用于其他待判样本的预测。实际应用结果表明,该方法能较准确地反映煤与瓦斯突出的危险程度,预测精度较高。     

一种采用CCPSO-SVM的煤与瓦斯突出预测方法

为了有效地对矿井煤与瓦斯突出进行预测,提出了一种基于完全混沌粒子群优化(CCPSO)与支持向量机 (SVM)的矿井煤与瓦斯突出预测方法。该方法将矿井工作面前方煤体瓦斯涌出量动态变化时间序列的多重分维谱 作为特征指标,应用支持向量(SVM)构建预测模型,模型的参数向量由改进的完全混沌粒子群优化算法和测试集样 本集分类错误率最小准则选择和优化。实验结果证明,该方法是有效的,它为煤与瓦斯突出预测提供了一种新途径。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

煤与瓦斯突出协同预测技术研究及应用

针对现有煤与瓦斯突出预测技术难以实现时间和空间领域的全方位连续预测、防突预测结果利用率低、预测信息发布滞后等问题,提出了一套适用于现代化高产高效矿井的多因素、全方位、时空连续型的煤与瓦斯突出协同预测技术体系.按照煤与瓦斯突出形成的时空维度,将煤与瓦斯突出危险性预测划分为以空间维度为主的区域突出危险性预测和以时间维度为主的局部突出危险性预测.通过对地质构造、煤层埋深、煤体煤质、软煤分布、钻屑指标、瓦斯涌出初速度等区域、局部防突预测数据的深度挖掘分析,得到区域、局部突出危险性预测结果,并按照一定规则进行有效融合,实现时间和空间范围内的连续监测预警.研发了配套的防突信息综合管控平台和WTC-1型瓦斯突出数据采集仪,为煤与瓦斯突出协同预测技术的实现提供了软硬件支撑.现场应用结果表明,该技术预测准确率超过90%,防突预测结果单次审批时间缩短为原来的22.5%,防突信息综合管控平台多次超前捕捉到了煤与瓦斯突出危险,提高了矿井防突信息利用效率.     

煤与瓦斯突出危险性预测的SaS-PNN模型及应用

煤与瓦斯突出是一种复杂的非线性动力学过程,其机理复杂、影响因素众多。单一的评价指标无法准确描述煤与瓦斯突出危险性。为了探讨煤矿开采过程中煤与瓦斯突出危险性具体等级情况,综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件。选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及地质破坏程度作为煤与瓦斯突出危险性预测的评价指标。但煤与瓦斯突出评价指标之间或多或少存在一定的相关性,其评价指标中存在一些服从非高斯分布的指标。很难满足概率神经网络（PNN）样本层中采用高斯分布作径向基函数的要求。鉴于此,提出一种对称Alpha稳定分布（SaS）。SaS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布。在SaS的基础上,建立煤与瓦斯突出危险性预测的SaS-PNN模型。将SaS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测,预测结果表明：SaS-PNN模型具有良好的预测效果,其误判率为7.69%。为煤矿开采中煤与瓦斯突出危险性预测提供了一种新思路。     

煤与瓦斯突出危险性预测的SαS-PNN模型及应用

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了实现对煤与瓦斯突出危险性快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素.提出一种改进的概率神经网络(PNN)煤与瓦斯突出预测模型.首先,引进一种对称Alpha稳定分布(SαS),SαS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布.在SαS的基础上,建立煤与瓦斯突出危险性预测的SαS-PNN模型.将SαS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测.预测结果表明:在3种不同的训练和测试下SαS-PNN模型仍具有良好的预测效果,其误判率分别为7.69%、11.54%和15.38%.说明该模型可为煤矿开采中煤与瓦斯突出危险性预测提供了一种可能的思路.     

一种改进的极限学习机煤与瓦斯突出预测模型

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了提高煤与瓦斯突出预测模型的预测精度,提出了一种改进的极限学习机煤与瓦斯突出预测模型.首先利用核主成分分析法对煤与瓦斯突出的影响指标进行降维简化处理,提取指标数据的主成分序列;把主成分序列分为训练样本和验证样本,然后在训练阶段,使用训练样本通过结合了全局搜索和局部搜索的文化基因算法对极限学习机的输入权值和隐含层偏差进行优化,得到最佳预测模型;最后,在最佳预测模型中,用验证样本对煤与瓦斯突出强度进行预测.通过实例验证,该模型能够有效预测煤与瓦斯突出强度.与BP、SVM、ELM、KPCA-ELM等预测模型相比,该模型具有更高的预测精度.     

基于PCA与权重贝叶斯的工作面煤与瓦斯突出预测

为实现对工作面煤与瓦斯突出快速、准确和动态的预测,提出一种基于主成分分析和权重贝叶斯的工作面煤与瓦斯突出预测方法,通过建立工作面煤与瓦斯突出预测的权重贝叶斯模型进行突出危险性等级预测。利用主成分分析确定预测模型中分类变量权重以提高预测准确性。在此基础上,设计基于相似度的训练样本数据更新方式实现对突出预测模型的有效重构。实验结果表明,与朴素贝叶斯模型和权重贝叶斯模型相比,基于主成分分析和权重贝叶斯工作面煤与瓦斯突出预测方法能快速获得高准确度的突出预测结果,为现场指导矿井工作面安全生产提供参考。     

瓦斯地质动态分析及瓦斯涌出实时预警系统

为了防止煤与瓦斯突出事故,提高矿井的安全保障能力,结合新元公司实际情况,建立了瓦斯地质动态分析及瓦斯涌出实时预警系统。在统计和分析该公司矿井瓦斯地质相关资料的基础上,创建了瓦斯地质空间数据库,采用动态分析技术筛选出了影响瓦斯赋存的主控因素,自动绘制了瓦斯参数等值线并划分出突出危险区。对突出危险区内的工作面进行重点关注,考察其瓦斯涌出特征及预警指标,并与瓦斯监测系统无缝连接,实现了非接触式连续预警。     

煤与瓦斯突出机理和模拟试验研究现状及发展趋势

总结了煤与瓦斯突出机理的理论研究现状,分析了国内外对含瓦斯煤体相似材料和煤与瓦斯突出模拟试验装置研究的典型范例。指出了煤与瓦斯突出机理及模拟试验研究方面存在的不足之处:目前煤与瓦斯突出机理的理论研究多是定性描述,缺乏定量、统一、完整的理论体系;已有模拟试验系统和装置还无法准确地对综合考虑地质构造、地应力、煤体强度、瓦斯含量及施工过程等影响因素下的突出现象进行定量模拟,试验装置的力学加载、瓦斯充填和测试系统的精度有待进一步提高;试验仪器的试验操作与便利性不足,试验的可重复性有待提高;试验仪器的数据分析系统不完善。分析了煤与瓦斯突出机理研究与模拟试验的发展趋势,认为煤与瓦斯突出模拟试验必须符合相似理论,煤与瓦斯突出模拟试验仪器研究是机理研究突破的迫切需求。     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

煤与瓦斯突出预测多元数据可视化系统构建与应用

针对现有煤与突出预测方法存在可视化程度低、突出预测准确性和实时性不高等问题,以新元煤矿为试验矿井,构建了煤与瓦斯突出预测多元数据可视化系统。该系统通过物探、钻探等方式及WTC瓦斯突出参数仪、安全监控系统、专用数据采集仪获取突出预测所涉及的基础数据,通过井下工业环网和地面办公网实现突出预测数据的传输;采用涵盖突出危险性时空演化关系的区域总体把控、局部在线辨识两级预测方法,通过深度挖掘煤与瓦斯突出预测多元数据,使杂乱的原始数据变得有序,为数据可视化奠定基础;通过基于WebGIS的突出预测综合可视化平台对区域预测和局部预测子系统的数据进行有效融合,实现对预测结果及多元数据的直观展示,使突出预测过程可控、结果可查。应用结果表明,该系统改变了新元煤矿突出预测指标单一、不连续的现状,显著提高了矿井煤与瓦斯突出预测准确性与实时性。     

采用RS与CSA-SVM集成的煤与瓦斯突出预测方法

为提高矿井煤与瓦斯突出的预测性能,提出了粗糙集(RS)与克隆选择算法(CSA)―支持向量机(SVM)集成的预测方法。首先应用粗糙集理论对数据集进行约简提取出关键特征指标和数据样本,然后应用支持向量机构建煤与瓦斯突出预测模型,最后应用克隆选择算法和训练样本集预测错误率最小原则智能选择和优化预测模型的参数向量;煤与瓦斯突出预测实验结果验证了该方法的有效性,性能明显优于传统的神经网络预测方法。