RVM在煤自燃预测中的应用研究

在对煤自然发火程度预测的方法中,采用径向基(RBF)神经网络预测煤自燃的方法容易发生局部最优、结构冗杂现象,采用支持向量机(SVM)预测会由于Mercer条件的限制导致其核函数对参数反应敏感,常规的机器学习方法存在较大误差,因此引入以相关向量机(RVM)为基础进行预测.结合晋能控股集团四老沟煤矿实际生产情况,对煤自燃升...     

基于粗集-支持向量机的采空区自然发火预测

将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。     

采空区煤自燃极限参数灰色关联分析及预测

采空区动态变化特征决定了煤自燃极限参数与其影响因素之间的复杂性。为了实现煤自燃极限参数精准预测,引入灰色综合关联度分析方法,定量分析了上限漏风强度与其影响因素之间的关联程度,并基于此建立了改进粒子群优化算法（IPSO）优化支持向量回归（SVR）参数的煤自燃极限参数预测模型;以上限漏风强度为例,分别建立了标准PSO-SVR模型和多元线性回归模型（MLR）,进行上限漏风强度预测并与已有的变步长网格搜索优化SVR参数方法和神经网络对比。结果表明：浮煤厚度与上限漏风强度的灰色综合关联度最大,氧体积分数与煤温次之,放热强度与采空区距工作面距离最小;煤自燃极限参数与其影响因素之间非线性关系较线性关系更显著;SVR相比于神经网络方法具有更强的非线性处理能力;IPSO-SVR模型预测值与真实值之间的相对误差在2.6%以内,其预测精度明显优于其他4种模型,IPSO参数优化对提高SVR模型的预测精度有很大帮助,IPSO-SVR方法应用于煤自燃极限参数预测是有效的。     

基于PCA-PSOSVM的煤自燃程度预测研究

针对煤自燃程度指标多且与气体产物之间存在复杂非线性关系的特点,将主成分分析理论(PCA)和支持向量机算法(SVM)相结合,建立了煤自燃程度的预测模型。对表征煤自燃程度的10个指标进行主成分分析,提取其中3个主要成分作为支持向量机的输入,利用MATLAB实现回归预测,运用粒子群算法(PSO)对支持向量机的参数寻优,并与遗传算法(GA)参数寻优进行了对比。预测结果显示,PCA-PSOSVM模型的预测精度相对较高,其相对误差绝对值的平均值为4.26%,而PSOSVM、GASVM和PCA-GASVM的相对误差绝对值的平均值分别为8.16%、10.62%和7.81%,表明经PCA降维处理后的SVM预测准确率高于未经PCA降维处理的SVM预测结果,PSOSVM比GASVM具有更好的预测效果。     

采空区煤自燃预测的随机森林方法

煤自然发火温度的准确预测是矿井煤自燃防控的关键。为了准确可靠地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展了长期的采空区温度和气体观测实验,提出了一种基于随机森林(RF)方法的采空区煤自燃预测模型,并将预测结果与支持向量机(SVM)和BP神经网络(BPNN)方法对比。采用粒子群优化算法(PSO)对RF和SVM超参数进行优化,建立了参数优化的PSO-RF和PSO-SVM预测模型。结果表明,RF,PSO-RF,SVM和PSO-SVM模型均具有较强的泛化性和鲁棒性; RF在建模过程中拥有宽广的参数适应范围,当树的数量(ntree)超过100后,其训练误差趋于稳定,ntree的改变对预测性能没有实质的影响;虽然PSO算法可以找到RF最优超参数,但默认参数的RF模型就能获得满意的预测性能; SVM预测结果则对超参数十分敏感,PSO优化可以显著提高其预测精度,其预测性能依赖于超参数的最优选择; BPNN模型在训练阶段拥有极佳的预测结果,但易出现"过拟合",导致泛化性弱,测试阶段误差较大。通过在其他矿井煤自燃预测中应用,验证了RF方法的稳定性和普适性,且无需复杂参数设置和优化就能获得良好的预测性能,可进一步应用于其他能源燃料领域。     

MFOA-SVM在采煤工作面瓦斯涌出量预测中的应用

针对新安煤矿采煤工作面瓦斯涌出量系统时变非线性特点,建立改进果蝇算法(MFOA)支持向量机(SVM)预测模型。利用FOA具有运算简单、收敛速度快、寻优精度高等优势来优化SVM核函数参数g、惩罚因子c和不敏感损失函数ε,但FOA也存在可能陷入局部最优的不稳定缺陷,则嵌入三维搜索、混沌优化、自适应变步长和最优保留策略进行改进,并利用Rosenbrock测试函数和采煤工作面瓦斯涌出量历史数据进行试验分析,结果表明:该模型预测平均相对误差为2.16%,比其他预测模型具有更高的预测精度、更快的收敛速度、更强的泛化能力,具有一定的实际应用价值。     

支持向量机回归分析法在地铁车站基坑沉降监测中的应用

各大城市地铁项目日益增多,地铁车站基坑沉降预测的重要性日益突出.具有学习机制的支持向量机可以通过一定数据序列学习数据特点,预测未来数据变化趋势,适合用于相关沉降预测.通过调整核函数与相关参数,建立支持向量机预测模型,用于基坑沉降预测,结果表明,支持向量机均方根误差为0.5697 mm,可以用于相关沉降预测.     

基于支持向量机的静压管桩单桩极限承载力预测

静压管桩单桩极限承载力受到来自桩体自身参数、桩周土体参数以及施工条件参数等多方面的控制和影响,结合支持向量机自身优点,建立静压管桩单桩极限承载力预测模型。经计算表明,提出的基于支持向量机的静压管桩极限承载力预测模型具有较好的预测精度和良好的适用性,从而为静压管桩竖向承载性状的理论分析开辟了一个新的研究途径。     

岩石巷道爆破效果预测及应用效果实践研究

为更准确地预测岩石巷道的爆破效果,以提高爆破效率和降低生产成本,基于随机森林方法确定了影响爆破效果的6个关键因素：总装药量、断面面积、炮眼深度、掏槽眼装药量、辅助眼装药量、周边眼装药量,构建基于网格搜索法-支持向量机回归预测模型,以平均绝对误差和相关系数为评价指标,预测炸药单耗。建立了径向基核函数、多项式核函数和线性核函数三种核函数的支持向量机模型,并采用随机森林回归算法作为对照组。结果表明,SVR-Rbf组表现最好,在数据库和顾北煤矿实际案例的预测中相关系数均达到0.95左右,平均绝对误差也至少比其他组小一倍左右,并将最优模型应用于顾北矿岩石巷道爆破炸药单耗预测,效果良好,表明建立的Grid Search CV-SVM预测模型是预测岩石巷道爆破效果有效方法。     

影响煤层气含量的地质因素分析与定量预测

从煤层气的生、储及盖的条件出发,分析影响煤层气含量的主控地质因素,根据实际测试数据分析,认为煤变质程度、煤层厚度及区域地质构造是造成煤层气含量差异的主要因素;以现有的岩芯测试资料为依据,选取相应的参数,采用基于小样本理论的支持向量机回归方法建立地质参数与煤层气含量的关系模型,对煤层气含量进行预测.彬长矿区的实际应用效果表明,利用支持向量机回归方法建立的煤层气含量预测模型,其预测结果准确程度较高,满足精度要求.     

基于数据挖掘的天然气市场收益率预测

以2000—2018年美国天然气价格为研究对象，基于动态时间规整算法（DTW）、模拟退火算法（SA）、支持向量机模型（SVM）构建DTW\|SVM\|SA天然气价格预测组合模型，并在不同预测步长下将其与对照模型的预测结果进行对比，分别从预测精度和预测误差两方面对模型的预测性能进行评估。结果表明：利用模拟退火算法可以优化SVM模型的自由参数和混合模型的权重参数；DTW-SVM-SA组合预测模型在天然气价格收益率预测方面表现出良好的泛化能力，对比其他模型，其在不同步长上的预测精度均有显著提升，预测误差均有降低，是一种有效的天然气价格预测模型。DTW-SVM-SA组合预测模型不仅能够为政府进行宏观调控提供参考，而且可以帮助企业尤其是能源相关企业更好地预测和管理价格变动的风险。     

基于支持向量机的采空区遗煤自燃预测分析

在分析回采工作面煤层自燃基础上,用支持向量机(SVM)预测技术对采空区遗煤自燃进行预测分析。并以忻州窑矿8914综放工作面采空区遗煤自燃为实例,对其不同时期采空区危险性进行预测分析,验证了该方法的可行性。打破传统经验分析法,实现了煤矿安全分析的智能化,对建立本质安全型矿井具有利用价值。     

基于混合核函数支持向量机的顶板砂岩富水性研究

为了寻求一种能够较好地预测煤层顶板砂岩富水性等级的方法,以桑树坪煤矿为例,分别采用BP神经网络、K最近邻分类法、决策树和支持向量机算法对其顶板砂岩富水性进行预测。比较发现,基于支持向量机的预测模型准确率最高为87.5%,节点错误率最低,优于其他3种模型。为了进一步提高模型预测准确率,建立了煤层顶板砂岩富水性的混合核函数支持向量机预测模型,当λ_1=0.05与λ_2=0.95时预测准确率达到100%。研究结果表明,以条件属性作为输入、决策属性作为输出的混合核函数支持向量机预测模型能较好地预测煤层顶板砂岩富水性等级,效果较好。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

刮板输送机故障诊断方法研究

为了提高刮板输送机故障诊断准确度,降低事故发生率,分析了刮板输送机常见的故障,研究了基于支持向量机的刮板输送机故障分类,介绍了刮板输送机故障数据处理方法以及基于SVM的故障诊断流程,并对支持向量机参数进行了选择,采用网格搜索交叉法得到模型的最佳参数模型,使用该模型对刮板输送机故障数据进行预测。研究表明,采用支持向量机和网格搜索交叉法相结合的方法,可以对刮板输送机故障进行有效诊断。     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于支持向量机理论的地下水水源地动态预测模型

盘锦市盘东地下水水源地是辽河油田工业和生活用水主要水源,长期观测资料分析表明开采量是影响水源地水位动态的主要因素,二者之间存在着显著的相关性。该文在介绍支持向量机基本原理和实现算法的基础上,探讨了如何合理选择核函数,建立支持向量机回归方法水源地水位动态预测模型。通过对比多项式核函数和径向基函数(RBF)核函数的训练和模拟结果,发现后者预测精度高。研究成果表明,相对于传统的回归分析方法,基于支持向量机回归方法的动态模型的模拟预测能力明显提高。该文中的动态模型方法在地下水位动态预测中具有广泛的应用前景。     

巷道围岩稳定性分类的GSM-SVM预测模型

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。     

基于支持向量分类机的煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出预测的准确性,提出了基于支持向量分类机的煤与瓦斯突出危险性分类的预测方法。该方法以地应力、瓦斯压力、煤的厚度和煤样筛分模数作为特征值,建立了煤与瓦斯突出危险性预测模型,分别选用单项式、多项式、RBF以及Sigmoid核函数对所选样本训练学习,确定了RBF做为预测突出危险性模型的核函数。     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.