基于ARIMA时间序列的瓦斯涌出量预测研究

矿井瓦斯涌出量预测对于煤矿的安全生产至关重要。为精确预测煤矿瓦斯涌出量,以ARIMA时间序列模型为基础,分析预测了煤矿瓦斯涌出量,并以乌东煤矿为例,建立乌东煤矿西区瓦斯涌出量预测指标体系,利用ARIMA模型进行瓦斯涌出量预测。结果表明:预测值与实际值对比,ARIMA瓦斯涌出量预测最大相对误差3. 62%,最小相对误差1. 84%,平均相对误差0. 13%,ARIMA预测模型可以有效预测煤矿瓦斯涌出量,为煤矿安全生产提供重要依据和参考。     

基于HPSO-GNN的煤矿井下瓦斯分布区域预测研究

为了准确预测瓦斯分布区域,给煤矿机器人提供躲避瓦斯危险区域的依据,提出了HPSO-GNN预测煤矿机器人前方10m的瓦斯分布区域的方法。结果表明,HPSO-GNN预测的平均相对误差减少到4.83%,在总体预测精度上比GNN预测方法提高了57.48%,瓦斯分布区域的预测结果与实测值具有较好的一致性。该方法能实现瓦斯浓度分布区域的准确预测,为煤矿机器人躲避瓦斯危险区域的提供必要依据。     

基于Time Series-Markov模型的煤矿瓦斯事故起数预测

本文以2001~2016年我国煤矿瓦斯事故起数为基础,利用时间序列预测模型及改进马尔科夫预测模型分别预测了2001~2010年、2001~2011年、…及2001~2015年中各年瓦斯事故起数,并计算了其相对误差。其中,TS分别计算的上述六组值的相对误差平均值在18.72%~23.4%之间,而TSM计算的对应值为5.79%~7.09%,且TSM的预测值的波动趋势更符合真实情况。将上述两种模型分别预测后计算的2011~2016各年瓦斯事故发生起数的相对误差进行线性拟合,发现TSM的预测精度更高。因此,用TSM预测煤矿瓦斯事故起数比用TS预测更可靠,这也间接反映了TSM比TS更多地考虑了因素的近期状况对预测值的影响。最后,用此法预测了2017~2020年我国煤矿瓦斯事故起数,其依次为6起、7起、6起及4起。     

那罗寨煤矿13号煤层瓦斯赋存规律研究

为准确掌握那罗寨煤矿13号煤层的瓦斯赋存规律,并建立合理的瓦斯压力数学模型,从矿区古沉积环境、沉积史及构造控制特征等瓦斯地质特征入手,分析了那罗寨煤矿的瓦斯赋存特征,并划分了瓦斯地质单元;在同时考虑了多种主要影响因素的条件下,通过合理的因子分析方法,得出了影响瓦斯赋存的关键因素,并最终建立了13号煤层瓦斯压力的多元数学模型。对比研究结果表明,多元模型预测的平均相对误差为12.74%,而单因素模型预测的平均误差为23.48%,多元模型预测效果明显好于单因素。     

基于长短时记忆神经网络的回采工作面瓦斯浓度动态预测

为提高煤矿回采工作面瓦斯浓度预测精度,考虑瓦斯浓度受历史状态制约,提出长短时记忆神经网络LSTMNN煤矿回采工作面瓦斯浓度动态预测模型。利用山西省某煤矿回采工作面瓦斯浓度实测数据构建该模型学习训练样本,并检验预测效果。研究表明,LSTMNN算法通过遗忘、记忆过程对过去一段时间瓦斯浓度信息进行筛选,克服传统预测方法将输出值独立看待的短板,提高矿井瓦斯浓度预测精确度及可靠性;将LSTMNN算法预测结果与实测值对比,预测模型平均绝对误差、平均相对误差、均方根误差、纳什模型效率指数分别为0.004 319、0.800 6%、0.005 714、0.436 3。     

基于PCA-SAPSO-BP神经网络的瓦斯涌出量预测研究

为提高煤矿井下瓦斯涌出量预测效率和准确性,针对瓦斯涌出量影响因素的多重相关性、复杂性问题,提出使用主成分分析法对影响因素进行降维处理,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,引入退火粒子群算法优化BP神经网络的权值和阈值;利用Matlab软件编写并构建了PCA-SAPSO-BP神经网络耦合算法对瓦斯涌出量进行预测;选取开滦钱家营煤矿瓦斯涌出量及其影响因子数据作为样本,使用BP神经网络模型、PSO-BP模型和SAPSO-BP模型对样本进行预测。结果表明：PCA-SAPSO-BP神经网络模型的预测平均相对误差为1.06%,PCA-PSO-BP模型为2.20%,PCA-BP模型为3.00%,SAPSO-BP模型为1.61%,PSO-BP模型为2.81%,BP模型为3.98%;预测模型的归一化均方误差为0.002 5,希尔不等系数为0.005 5,平均绝对误差为0.07 m3/min,判定系数为0.997 5,证明PCA-SAPSO-BP神经网络模型提高了BP模型瓦斯涌出量的预测精度。     

基于灰色理论的回采工作面瓦斯涌出量动态预测研究

瓦斯涌出量的准确预测直接关系到煤矿企业的宏观决策及系统布局。为了提高回采工作面瓦斯涌出量的预测精度,提出了采用灰色预测法对瓦斯涌出量动态预测进行研究,以车集矿2316回采工作面为例,通过重组瓦斯监测数据构建了灰色GM（1,3）动态预测模型,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。研究结果表明,数据重组后的GM（1,3）模型的动态预测值平均相对误差为5.65%,后验差检验比值c<0.35,小误差概率p>0.95,预测精度达到了1级,在对2316工作面后期的瓦斯涌出量动态预测结果与实测值十分接近,平均相对误差仅有2.26%,变化趋势也高度吻合,灰色GM（1,N）预测模型能够实现对工作面瓦斯涌出量的实时、动态、准确预测。     

曲线拟合与分段函数组合法在瓦斯抽采量预测中的研究与应用

为减少矿井煤与瓦斯突出、瓦斯爆炸等事故的发生，将井下瓦斯及时抽出是必要的，因此对瓦斯抽采量进行准确地预测愈发重要。在神经网络法、多元线性回归法等预测方法的基础上，根据瓦斯抽采量在时间效应下变化波动大的特性，提出了曲线拟合与分段函数组合法。此方法以瓦斯抽采量衰减为界将瓦斯抽采分为前、后2个阶段，根据实测数据作抽采纯量随时间变化曲线并对变化曲线进行拟合，根据拟合曲线列出预测瓦斯抽采量的计算公式，用于对抽采量进行预测。分别对九里山矿、古汉山矿进行后段抽采量预测与实际的比较，其中九里山矿得到后段预测值的最小相对误差为0.63%，最大相对误差为2.34%，古汉山矿得到后段预测值的最小相对误差为0.09%，最大相对误差为3.23%。表明曲线拟合与分段函数组合法对井下瓦斯抽采量预测是可行的，对井下瓦斯治理具有重要的意义。     

瓦斯抽采管路摩擦阻力计算方法及应用

瓦斯抽采是从根本上治理煤矿瓦斯灾害的主要手段,准确的管路阻力计算是进行抽采设计和参数优化的前提条件,而目前理论计算和现场测试结果存在一定误差。为深入分析瓦斯抽采管路摩擦阻力特性和优化计算方法,依据流体力学达西定律和量纲理论,探讨了摩擦阻力的本质内涵和主要影响因素,指出了目前计算公式存在的不足,建立了工况条件下抽采管路摩擦阻力计算的优化方法,给出了对比新旧方法的现场应用实例。结果表明,优化方法计算结果的相对误差仅为0.6%,与现场实测阻力非常吻合。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。     

基于多元非线性回归理论的煤层瓦斯含量预测

以黄陵矿煤层瓦斯含量与相关因素的数据为例,采用基于多元非线性回归理论的数学方法,建立了一种适合矿井实际的预测模型:多元非线性瓦斯含量预测模型,通过该模型进行了煤层瓦斯含量预测,预测精度较高,适用性较强。     

煤与瓦斯突出预测的SOFM模型及应用

煤与瓦斯突出是煤矿生产活动中常见的一种动力灾害之一,其危险性等级评价是煤矿安全生产的必要前提和保证。文章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,选取地质破坏程度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及开采深度作为煤与瓦斯突出危险性预测的评价指标。基于此,文章借签一种自组织特征映射(SOFM)神经网络,建立煤与瓦斯突出危险性预测的SOFM神经网络模型,将SOFM神经网络模型应用于国内26个典型矿井的煤与瓦斯突出危险性预测。研究表明,SOFM神经网络模型预测效果较好,其正判率为92.31%。说明该模型可为小样本、多指标的煤与瓦斯突出预测提供一种新的思路。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.     

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

基于多元线性回归理论的煤矿瓦斯涌出量预测

为有效地预测煤矿瓦斯涌出量,降低矿井生产中的危险,分析影响煤矿瓦斯涌出量的因素,基于多元线性回归理论,构建了煤矿瓦斯涌出量预测模型.选取煤层瓦斯含量、煤层埋深、煤层厚度、邻近层瓦斯量4个因素作为自变量,不考虑其它因素的影响,运用SPSS软件处理数据,得出瓦斯涌出量与其影响诸因素之间的线性回归方程.通过瓦斯涌出量模型的建...     

突出矿井工作面接续预警模式研究

 采用联系数和动态网络计划以及工业过程控制理论,建立突出矿井工作面接续预警理论模式。模型通过基于联系数的动态网络计划对突出矿井采面准备和回采的各项工程的工期进行动态预测,采用工业过程控制理论方法对其进行动态控制和预警。并以芦岭煤矿三水平工作面接续为例,建立基于联系数、动态网络计划及过程控制论的突出矿井工作面接续预警模式。     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

基于BP神经网络的未采区瓦斯含量预测

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋存的主要因素,并将其作为BP神经网络模型的输入端神经元,初步构建出瓦斯含量预测模型;结合地勘时期瓦斯钻孔的实际数据,进行网络训练,再对预测模型的可靠性进行检验。结果表明:该预测模型预测瓦斯含量,精度较高,效果较好,能满足工程要求。采用多元线性回归-BP神经网络可以对未开采区域煤层瓦斯含量进行准确预测,为矿井瓦斯灾害防治提供一定的参考依据。     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

综采工作面瓦斯涌出量数学预测模型建立及实测应用

为了实现综采工作面瓦斯涌出量精准化预测的目的,以煤体瓦斯涌出规律本构方程为理论研究基础,综合综采工作面各瓦斯涌出源自身特征因子,建立了煤壁瓦斯涌出量数学预测模型、落煤瓦斯涌出量数学预测模型、采空区遗煤瓦斯涌出量数学预测模型以及邻近层瓦斯涌出量数学预测模型。运用该数学预测模型对煤层群条件下的上社煤矿9209和沙曲煤矿14205综采工作面瓦斯涌出量进行了计算,计算结果与实测统计值之间的误差仅为2.60%和4.92%,均小于5.00%,验证了该数学预测模型的准确性。在此基础上,运用该数学预测模型对9209和14205综采工作面不同产煤量条件下的瓦斯涌出量进行计算,结果表明：9209和14205综采工作面瓦斯涌出量随工作面产煤量增加近似呈线性增大,其中邻近层瓦斯涌出量最为显著,该数学预测模型在综采工作面瓦斯涌出量预测工作中具有一定的实际应用价值。