共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
3.
4.
5.
基于GIS技术的瓦斯涌出量预测 总被引:1,自引:1,他引:0
根据影响瓦斯涌出量的因素如煤层特征、煤质特征等,应用GIS技术建立了新一矿13-1煤层瓦斯涌出量预测模型,研究了瓦斯地质特征、瓦斯含量的分布,得出了13-1煤层瓦斯相对涌出量预测图,为煤矿安全生产提供保障. 相似文献
6.
7.
介绍了基于瓦斯地质图法进行矿井瓦斯涌出量预测的方法和步骤,并结合案例进行了瓦斯涌出量预测模型建立和瓦斯地质图的绘制。研究表明瓦斯地质图法进行瓦斯涌出量预测具有方法简单、易于实现计算机编程的优势。该方法以充分研究煤层瓦斯赋存规律,确定关键地质体,划分瓦斯地质单元为前提建立预测模型,同时进行瓦斯涌出量等值线绘制,最能反映预测区域地质条件和采掘工艺条件、与生产实际结合最紧密,是一种科学、有效的矿井瓦斯涌出量预测方法。 相似文献
8.
煤矿瓦斯涌出预测对于矿井通风设计和瓦斯管理非常重要。结合程庄矿煤层瓦斯的实际情况,对程庄煤矿9号煤层和15号煤层开采过程中的相对瓦斯涌出量和绝对瓦斯涌出量进行了预测。此外,还针对瓦斯涌出制定了防治措施。 相似文献
9.
结合望云矿井实际,分析了矿井瓦斯赋存规律,利用线性回归方法得出了该矿15#煤层瓦斯含量与埋藏深度的关系和瓦斯含量增长梯度。通过采用分源预测法预测矿井瓦斯涌出量,并对其构成进行了分析,为矿井抽采瓦斯提供了可靠的基础数据。 相似文献
10.
矿井瓦斯涌出量预测的任务是确定新矿井、新水平、新采区、新工作面投产前瓦斯涌出量的大小,为矿井、采区和工作面通风提供瓦斯涌出方面的基础数据,它是矿井通风设计、瓦斯抽放和瓦斯管理必不可少的基础参数。根据侯甲煤矿实际情况,选择了分源预测法预测3#煤层开采时的矿井瓦斯涌出量,得出矿井在开采3#煤层前期、中期和后期的瓦斯涌出量,确定侯甲煤矿在3#煤层开采时属于高瓦斯矿井,为矿井通风设计和瓦斯治理提供依据。 相似文献
11.
为确定阜康地区煤层瓦斯压力影响因素的影响程度,结合朗格缪尔方程,选用阜康矿区矿井现场实测瓦斯基础参数为对象,分析了影响瓦斯压力的7项因素。采用主成分分析法,对煤层瓦斯压力影响因素进行了主成分提取,选取了3个主成分代替原来的7项影响因素,并进行了定量分析,进而确定了各因素的影响程度。结果表明:在阜康矿区煤的灰分对煤层瓦斯压力的大小影响最大,占总影响程度的27.9%;瓦斯含量、水分、孔隙体积、视密度、吸附常数a值次之,分别为23.6%、20.8%、11%、10.6%、3.9%;吸附常数b最小,影响比例为2.2%。 相似文献
12.
13.
为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。 相似文献
14.
为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明:改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。 相似文献
15.
16.
17.
18.
基于RBF神经网络的瓦斯涌出量预测 总被引:1,自引:0,他引:1
传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。 相似文献