基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-ENN和GSA-ELM神经网络预测模型相比,预测精度分别提高310%、60%、31%,为回采工作面瓦斯涌出量的预测提供了一种新的快速预测方法。     

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。     

基于WOA-LSTM的工作面瓦斯涌出量预测研究

为了提高瓦斯涌出量预测的科学性和准确性,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的瓦斯涌出量多步预测模型。该模型首先采用皮尔逊(Pearson)相关系数法进行瓦斯涌出量影响因素的特征分析,筛选了9个主要影响瓦斯涌出量变化的特征作为模型的外部输入特征;其次采用鲸鱼优化算法对LSTM神经网络的隐藏层神经元个数、时间步长、批处理数进行优化;最后,构建WOA-LSTM模型进行瓦斯涌出量预测,实验研究了不同时间步长下模型的预测精度并对比分析了LSTM、RNN、BP模型的预测效果。结果表明：基于WOA-LSTM的瓦斯涌出量多步预测模型在3个时间步长的预测模型误差值达到最小,其平均绝对误差相较于LSTM、RNN和BP神经网络模型分别降低了41.6%、46.6%、65.8%,具有较强的鲁棒性,可为矿井瓦斯的防治提供参考。     

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。     

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。     

基于神经网络的矿井瓦斯涌出预测系统及应用研究

正确预测瓦斯涌出量,对于指导矿井设计和安全生产具有重要的现实意义。针对现有的矿井瓦斯涌出量预测方法的不足,开发了基于神经网络的矿井瓦斯涌出量GGP预测系统,改进神经网络模型的学习算法,并在工程上进行验证,能够实现矿井瓦斯涌出量预测的数字化、信息化与自动化。     

基于灰色马尔可夫模型预测煤矿瓦斯涌出量

在煤矿瓦斯涌出量灰色预测的基础上引入马尔可夫链预测理论,建立了煤矿瓦斯涌出量灰色马尔可夫预测模型,并将该模型应用到采煤工作面瓦斯涌出量预测分析中。结果表明,用该模型预测瓦斯涌出量比单一灰色模型预测的精度有较大提高,从而说明灰色马尔可夫预测模型预测煤矿瓦斯涌出量的潜在规律是可行有效的。     

基于GA-ELM的瓦斯涌出量预测

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。     

改进的EMD-Elman采煤工作面瓦斯涌出预测

采煤工作面时间序列的瓦斯涌出量对于煤矿安全生产具有重要意义。针对瓦斯涌出量的非线性和不稳定性的特点,基于EMD和Elman神经网络基本原理,建立改进的EMD-Elman时间序列的瓦斯涌出量预测方法,首先EMD分解提取瓦斯涌出量时间序列不同尺度信息,Elman对子模型进行预测,然后,通过加权融合,对加权结果进行PSO算法寻优处理,得出瓦斯涌出量预测结果,并对预测方法进行了应用研究,研究结果表明:工作面瓦斯涌出量预测结果吻合度为95.3%,均方误差为0.0025;改进的EMD-Elman瓦斯涌出预测方法,能够有效显示瓦斯涌出的不稳定性非线性特点,降低不稳定性对预测结果的影响,预测吻合度高达95.2%。     

Hybrid optimization model and its application in prediction of gas emission

According to the complex nonlinear relationship between gas emission and its effect factors, and the shortcomings that basic colony algorithm is slow, prone to early maturity and stagnation during the search, we introduced a hybrid optimization strategy into a max-min ant colony algorithm, then use this improved ant colony algorithm to estimate the scope of RBF network parameters. According to the amount of pheromone of discrete points, the authors obtained from the interval of network parameters, ants optimize network parameters. Finally, local spatial expansion is introduced to get further optimization of the network. Therefore, we obtain a better time efficiency and solution efficiency optimization model called hybrid improved max-min ant system (HI-MMAS). Simulation experiments, using these theory to predict the gas emission from the working face, show that the proposed method have high prediction feasibility and it is an effective method to predict gas emission.     

基于能源网络系统中燃煤锅炉NOx排放的深度学习模型研究

为了建立高精度的燃煤锅炉NOx排放量预测模型,提出了一种考虑时延特征的基于深度学习的燃煤锅炉NOx排放量建模算法。结合机理分析和lasso算法分析特征变量重要性,选取与NOx排放量最相关的变量,进一步分析所选取变量与NOx排放量之间的时延相关性;确定模型输入变量后,采用经验模态分解方法对输入变量时间序列进行分解,提取其中的频域信息与时域信息,构造建模数据库;设计深度神经网络结构并优化网络参数,建立NOx排放量预测模型。基于火电厂实际运行数据的实验结果表明,在多种工况下,所提出的算法预测误差均小于2%,能够满足实际生产对预测精度的要求。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

采煤工作面瓦斯涌出量LMD-BP神经网络建模预测

 详细阐述了局部均值分解(Local mean decomposition,简称LMD)非平稳信号处理方法, LMD算法具有高度的自适应性,能够分解得到数据本身所具有的特征参量,也就是它能够将任意一个非常复杂的非平稳信号分解成若干个具有一定物理意义的PF(Product function,生产函数)分量之和,通过对收集得到采煤工作面瓦斯涌出量数据进行LMD分解,得到多个PF分量。而后再用改进的神经网络方法对其分别进行预测,再把不同预测结果进行叠加重构合成,进而获得瓦斯涌出量预测值。通过对瓦斯实际监测数据进行分析,可以得出,此方法预测效果比常规的神经网络方法预测精度更高,因为通过LMD方法分解得到的PF分量更具有一定地规律性,所以能够更大幅度提高瓦斯涌出量的预测精度,实例分析也表明,其预测结果与实际监测结果极高的一致性。     

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。     

基于免疫神经网络模型的瓦斯浓度智能预测

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出样本施加到网络预测模型,可以获得浓度时段变幅的信息,这对于提高网络对瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报实例,经过与现场实测值相比较,最大预测误差为6.86%,最小预测误差为2.36%,平均误差为4.61%,所建模型精度的拟合值与预测值都与实际数据吻合得较好,各测点的误差值均在许可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型,能够较好地识别采煤工作面瓦斯扩散的演进规律,对瓦斯浓度能进行合理预报,且该方法具有预报时间快、节省费用的特点.     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析，建立了基于瓦斯涌出量预测的BP网络应用模型，采用Delphi编程语言，预测了瓦斯的涌出量，并结合实例进行了验证。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。