量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

成矿有利度的支持向量回归预测

应用基于量子粒子群算法（QPSO）寻优的支持向量回归（SVR）方法,对成矿有利度进行建模和预测研究,并与BP神经网络模型的预测结果进行了比较。结果表明：基于量子粒子群算法优化的支持向量机成矿预测模型能较好地拟合成矿有利度与其影响因素之间的高度非线性关系,且比BP神经网络模型具有更高的精度,说明支持向量回归方法用于成矿有利度预测是可行有效的。     

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。     

基于混沌粒子群的AWLSSVM瓦斯预测研究

为了提高矿井瓦斯浓度预测的准确性,提出1种改进混沌粒子群算法的多变量自适应加权最小二乘支持向量机(AWLSSVM)瓦斯预测模型,且实现了瓦斯浓度的多步预测。首先,对粒子群算法进行分析,提出1种收敛速度更快、全局搜索能力更强的改进混沌粒子群算法;针对加权最小二乘支持向量机(WLSSVM)权值线性分布的缺点,根据离散点的分布特征,提出了AWLSSVM;其次,采用混沌理论构建模型的样本集;最后,对建立的模型进行了实例分析。结果表明:AWLSSVM单变量预测精度相对于最小二乘支持向量机、WLSSVM分别提高了5.3%和6.7%;多变量AWLSSVM相对于单变量AWLSSVM五步预测精度分别提高了39.3%、49.6%、55.9%、59.7%、62.5%。     

基于主成分分析和支持向量机的深部煤层含气量预测

为了探讨深部煤层含气量的有效预测方法,以晋城矿区3号煤层为对象,将支持向量机方法用于建立煤层含气量预测模型。选取煤厚、镜质组反射率,储层温度、储层压力、灰分含量、直接顶板厚度、埋深7个主要影响因素,用主成分分析法提取的影响因素的4个主成分因子以浅部数据为基础,建立深部含气量预测模型,并用检验样本对预测模型进行检验。检验样本的预测值与实测值相对误差分别为0.46%、0.47%、0.44%、0.44%,说明主成分分析法与支持向量机方法结合的预测方法适合小样本、多因素、非线性数据建模,为深部含气量精确预测提供了新思路。     

基于测井参数的煤层含气量预测研究

基于临兴区块8+9#煤层测井资料和实验样品解吸数据,通过煤层含气量与测井参数之间相关性分析,采用多元回归分析方法建立煤层含气量预测模型,并对预测模型进行验证及误差分析。结果表明该模型能较好地对煤层含气量进行预测,可信度较高。     

基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

基于改进支持向量机的深基坑变形预测

深基坑变形监测与预测是深基坑设计施工中的一个重要的环节,准确地预测深基坑未来的变形,是深基坑变形监测的最终目的。针对传统常用预测方法存在一定的局限性这个问题,结合支持向量机的研究现状,提出将能够有效地解决小样本、非线性、高维数、局部极小等问题的支持向量机模型应用于深基坑变形预测的方法。具体方法是:采用粒子群算法对支持向量机的相关参数进行寻优,得到改进支持向量机预测模型,然后将其预测结果与传统的支持向量机模型、Elman动态神经网络模型预测结果进行比较,最后采用均方误差、平方和误差、平均相对误差对预测效果进行评价。实验结果表明,基于改进支持向量机预测模型用于变形预测是可行的,且能更好地反映深基坑系统的动态非线性特点,具有一定的优越性与工程应用推广价值。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价

为解决煤层底板突水预测难题,提出了基于主成分分析、模糊数学、粒子群算法以及支持向量机分类的底板突水危险性评价模型,模型以支持向量机分类为基础,通过主成分分析将多种影响底板突水的因子归纳为构造主成分、水文地质主成分、煤层信息主成分及开采条件主成分,其中构造主成分及水文地质主成分为影响底板是否突水的最主要控制因素,模糊化主成分因子,利用粒子群算法优化支持向量机分类参数,根据已有数据资料建立了评价模型,并将该模型应用于实际中,得到了准确的预测结果,为底板突水危险性评价提供了一种新的方法。     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

鄂尔多斯盆地临兴区块测井含气量解释方法

煤层含气量不仅是煤层气储层综合评价的一个重要参数,同时,准确预测煤层含气量也是预防瓦斯爆炸事故的重要手段,因此准确确定煤层含气量是至关重要的。针对这一问题,以鄂尔多斯盆地东缘临兴区块为研究对象,结合前人研究成果,同时引入了基于决策树模型的集成算法模型,依据研究区实测数据,分别建立了煤层含气量的SVM模型、神经网络模型、随机森林模型、梯度提升树模型4种预测模型,分析并对比了各模型的性能。结果表明,基于决策树模型的集成算法模型预测效果更好,稳定更强,在样本量较少、维度较低的样本集上比SVM模型和ANN模型更有优势。     

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。     

基于GS-PSO-SVM模型的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型(GS-PSO-SVM model)。为了解决支持向量机参数选取问题,首先利用网格搜索法粗略寻优,确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题,先利用网格搜索法粗略寻优确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,剩下9个作为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更好地预测精度和更高的预测效率,该模型能有效的对边坡稳定性状态预测。     

基于测井参数的煤层含气量预测模型与应用

煤层含气量是决定煤层气开发效果的重要参数,准确确定煤层含气量是煤层气勘探开发研究的一个关键问题。以沁水盆地东南部沁南东区块为依托,通过煤层含气量解吸试验和煤层气钻孔测井资料统计,分析了煤层含气量与测井参数之间的关系,选择了有效埋深的对数、体积密度、自然电位、深侧向电阻率与浅侧向电阻率比值、微球形聚焦电阻率的对数、声波时差与自然伽马和补偿中子乘积的比值等6个参数作为BP人工神经网络预测模型的基本特征量,建立了基于测井参数的煤层含气量BP人工神经网络预测模型,并对模型进行误差分析和应用结果对比分析。结果表明:基于测井参数的BP人工神经网络预测模型具有极强的非线性逼近能力,能真实反映煤层含气量与测井参数之间的非线性关系,预测结果与实测结果之间误差小,相对误差一般小于10%,采用测井参数预测煤层含气量具有较好的应用前景。     

基于改进粒子群优化SVM的通风机故障诊断

针对支持向量机在故障诊断中参数的选取问题,提出一种改进的粒子群优化算法,对支持向量机的惩罚因子与核参数进行优化。为了克服传统粒子群算法前期收敛快、后期易陷入局部最优的缺陷,提出一种惯性权重自适应调整的粒子群优化算法,建立基于粒子群和支持向量的通风机故障诊断模型,通过样本数据对模型进行训练与测试,实现了通风机故障的识别,结果表明该模型对通风机故障的诊断是可靠的。     

一种新型煤矿底板破坏深度预测模型

为有效预防煤矿底板突水风险,在传统的粒子群优化算法中增加自适应权重,结合遗传算法的交叉、变异步骤改进传统的粒子群优化算法,并用其优化SVM模型,建立改进的GA-PSO-SVM煤矿底板破坏深度预测模型,选取采深、煤层倾角、采高、工作面长度、煤层底板承压水水压和煤层底板损伤变量作为影响底板破坏深度的主控因素,通过15组煤炭生产单位采集底板破坏带深度相关数据,测试改进的GA-PSO-SVM模型的性能,并与FOA-SVM模型、BP模型的预测结果进行对比,研究表明:改进的GA-PSO-SVM模型预测结果与实测结果的误差范围为0.36%~5.22%,FOA-SVM模型预测结果的误差范围为1.60%~12.49%,BP模型预测结果的误差范围为1.01%~20%,改进的GA-PSO-SVM模型预测结果的误差范围更小,更适合煤矿现场的应用要求。