基于PCA-Bayes综合判别的矿井突水水源判别研究

根据矿井各含水层水化学成分的差异性,选取多种水化学成分指标作为突水水源识别的样本变量,综合利用多元统计分析技术、Bayes逐步判别法和PCA-Bayes综合判别法作比较,采用SPSS软件建立Bayes逐步判别模型、PCA-Bayes综合判别模型,以煤矿不同含水层的水化学资料中的多组样本为依据,利用该模型进行工程应用。结果表明：PCA-Bayes综合判别模型提高了突水水源判别的准确率和判别速度,实现了对矿井突水水源快速有效判别,为防治突水事故提供了有力的依据和判别方法。     

矿井突水水源辨识的改进SVM和GA-BP神经网络模型

及时辨识突水水源是有效预防和控制矿井突水灾害的重要工作之一。基于河南焦作某矿区不同水层的测试样本,利用嵌入梯度的支持向量机(SVM)对常用的[SO4]2-、K+、Mg2+、Na+、Ca2+、Cl-、[HCO3]-、F-8种水化学成分进行因子约简,确定以K+、Mg2+、Ca2+、Cl-、[HCO3]-、F-作为矿井突水水源辨识的主要判别因子。运用遗传算法优化BP神经网络(GA-BP)对新体系下的30组学习样本进行训练拟合,用所建立的分析模型对10组待检验水源类别进行辨识,预测平均正确率达到了94.27%。研究结果表明,该指标体系在矿井突水水源辨识中具有可行性,且GA-BP模型分类性能好,误判率低,可以用于矿井突水水源的辨识。     

基于GA-BP网络模型的煤矿底板突水非线性预测评价

以非线性预测评价为基础,采用BP神经网络模型,利用遗传算法优化网络初始权值和阈值,建立一个新的煤矿底板突水危险性预测的网络模型,通过收集不同突水矿井的资料,综合考虑多种影响底板突水的因素。运用Matlab编程对网络原始数据进行训练,并对不同工作面底板是否突水及突水量进行预测分析,结果表明,该模型收敛速度快、预测精确度高,且具有较强的泛化能力。     

煤矿矿井突水水源的Fisher判别模型

为了正确识别矿井突水水源,利用主成分分析选取了主要的水化学判别指标,再通过层次聚类构造了水源判别的决策树,各决策结点采用Fisher判别函数,试验结果表明该模型具有较好的判别效果.     

等效数值法在矿井突水水源判别中的应用

介绍了等效数值法判别矿井突水水源的原理和应用情况。     

灰色关联度在矿井突水水源判别中的应用

以灰色理论为基础,利用灰色关联度方法对矿井潜在突水水源的水质情况与突水水样进行多变量关联分析与计算,并通过工程实例进行取样验证,计算结果表明,该矿大青灰岩含水层的3个取样点关联度最高,说明大青灰岩水与矿井突水水样的关系密切,由此可以判定突水水源是大青灰岩含水层,通过进一步的分析与验证,突水水样为大青水的判断是可靠的。     

矿井突水水源快速判别系统研发

在论述矿井突水危害性以及水源判别原理的基础上,介绍了矿井突水水源快速判别系统的技术构架,分析了系统的关键技术模块及其实现的技术途径,形成了"QLT+特征组分+采动涌水通道"为技术特征的水源快速判别系统。最后,应用实例说明该系统进行水质分析和水源判别的过程,并实现了快速、准确判别突水水源的目标,可以在煤炭开采活动中为矿山提供决策依据。     

神经网络在矿井水源判别中的应用

矿井突水是威胁煤矿安全生产的最大隐患之一,准确判别矿井水源是矿井防治水的前提。介绍了BP神经网络模型及其具体算法,并将其运用到矿井水源判别中。利用BP算法对训练样本进行学习,确定判别模型,根据已训练好的神经网络对样本进行判别。结果表明,采用人工神经网络对矿井水源进行判别,能得到较好的结果。因此,BP神经网络是判别矿井水源的一种有效方法,从而为矿井水源判别开辟了一条新途径,具有广泛的应用前景。     

BP神经网络在矿井突水水源识别中的应用

针对矿井突水水源的水化学特征,采用Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-6种水化离子的浓度作为识别矿井水源依据;以35组水源样品作为训练样本,运用Matlab软件对网络进行训练,建立6×6×4的网络优化模型;使用构建的BP神经网络对4组待测样本进行识别,并与实际突水水源类别进行比对。应用结果表明:BP神经网络能够准确地识别矿井突水水源,可为防治矿井水害提供有力的保障。     

基于灰色关联分析的矿井突水水源定量化判别方法

阐述了矿井突水水源的判别方法,针对水化学背景值特征相近的水源,提出了通过量化计算实现精确判别水源层的方法。以灰色关联分析方法为例,对袁店二矿F14断层突水水源进行了量化判别,并采用水化学玫瑰花图和水样柱状图的图形化分析方法对突水水源量化判别的准确性进行了辅助判别,综合分析认为煤层顶板砂岩裂隙水通过断层带进入了采掘空间。定量化地学方法和图形化分析方法有效解决了矿井突水水源判别的准确性。     

基于遗传算法-BP神经网络的煤矿透水事故涌水量预测模型研究

从煤炭涌水量预测模型的研究出发,利用软件进行预测并得出结论。结果表明,建立遗传算法优化的BP神经网络模型,不仅能得到涌水量的预测值,同时也能得到各输入指标的权重,用来评估输入指标对输出指标的影响程度;提供了事故管控对象的优先级,为透水事故的预防和预测提供参考。     

基于BP神经网络矿井突水点注浆量的预测

阐述了在突水水压、突水量、封堵过水通道长度、注浆压力4个影响因素下,运用MATLAB并基于BP神经网络构建矿井突水点注浆量预测模型的方法。运用MATLAB软件绘制了相对误差散点图以及预测注浆量值和实际注浆量值前后对比图,平均相对误差值4.4%。将建立的BP神经网络模型应用于煤矿的实际工作面,预测出的结果与实际结果很接近,为煤矿矿井水的防治以及深部区域的采煤安全提供理论指导。     

基于分形理论的煤矿突水量预测研究

断裂构造是煤层底板发生突水的控制因素,通过分析断裂构造与其他影响煤层底板突水因素之间的相互关系,利用分形理论研究断裂构造的发育程度,通过分维值的大小体现断裂构造的发育程度。以新安煤矿为例将分维值的大小与矿井最终突水量进行曲线拟合,研究分析二者之间的关系;通过分维值的大小划分研究区的断裂构造发育等级,为矿井的安全开采奠定理论基础。     

基于灰色马尔柯夫和BP模型的矿井涌水量预测

矿井涌水量的预测是煤矿水害防治的前提条件。鉴于灰色系统GM(1,1)模型在原始数据变化幅度较大且趋势不明显时存在预测精度偏低的缺陷,根据刘桥二矿的矿井涌水量数据,分别建立了灰色马尔柯夫组合模型和灰色BP网络组合模型,并分别对该矿井2007年1月至3月的涌水量进行了预测。结果表明,二者的预测精度都较高,且灰色BP网络模型预测精度优于灰色马尔柯夫模型。     

ESN神经网络在矿井突水水源判别中的应用

针对传统神经网络水源判别模型仍存在判别精度低、稳定性差和效率不高的问题,提出了基于回声状态网络(ESN)的水源判别模型,将其应用于不同矿山,并与BP、Elman和改进的GA-BP神经网络的判别结果进行对比。结果表明:ESN水源判别模型的稳定性是BP和Elman模型的6~10倍且准确率提高到90%~96%;判别精度是BP神经网络的2~5倍,略高于Elman神经网络;在时效性和精度方面远远优于改进的GA-BP神经网络。因此,ESN神经网络具备高精度、高准确率、高时效性和稳定性的特点,可作为一种快速有效判别矿井突水来源的辅助决策手段。     

基于GA优化BP神经网络变压器故障诊断的研究

BP算法基于梯度下降原理是一种局部寻优算法,在变压器故障诊断应用中网络学习过程收敛速度慢,且易陷入局部极小值。而遗传算法(GA)具有并行计算的特点,可以有效防止搜索过程收敛于局部最优解。将二者结合起来,由GA寻找最优的BP神经网络权值与相应节点的阈值。仿真结果表明:此方法既能快速收敛,又能大大提高避免陷入局部极小的能力,改善了故障诊断的精度和速度。     

基于Hopfield神经网络的煤矿变压器励磁涌流识别

为更好地解决煤矿变压器励磁涌流使差动保护错误动作的问题,从变压器励磁涌流和内部故障时的电流信号着手,应用快速傅立叶变换算法得到各次谐波电流含量,构成特征向量作为Hopfield神经网络的输入样本,从而对变压器励磁涌流进行识别。Hopfield神经网络可以对其进行正确地区分,有效地保证变压器差动保护的正确动作。     

基于LIF技术的煤矿突水预警研究

为了构建一个有效的矿井突水预警系统,提出以DSP芯片TMS320F2812为处理器,以CCD(电荷耦合元件)作为光电探测器,利用LIF(激光诱导荧光光谱)理论,建立矿井突水水源判别的理论模型,得出光谱数据,研究突水水源中溶质浓度与激光荧光强度的关系,通过不同突水水样的特征光谱进行水源类型识别,为矿井突水灾害的预警提供决策依据。     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。