基于人工神经网络的瓦斯涌出量预测

由于影响瓦斯涌出量的因素很多并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测,神经网络算法简单,学习收敛速度快,具有线性、非线性逼近精度高等特性,适合对瓦斯涌出量进行建模,针对对波动性较大的数据预测结果不理想的问题,在对监测数据分析的基础上,提出了用数据预处理的方法弱化数据波动性,然后进行神经网络建模的瓦斯涌出量预测模型,试验证明取得到了比较理想的结果。     

基于分数阶神经网络的瓦斯涌出量预测

针对现有的煤与瓦斯涌出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合BP的局部搜索能力和分数阶算法快速的全局搜索能力,提出了一种基于分数阶神经网络的新预测模型,用于非线性瓦斯涌出量的动态预测。经训练和实验结果表明:该模型较其他模型具有更好的滤波效果、更强的抗干扰能力、更快的收敛速度、更高的收敛精度等特点,能够达到准确指导实践的要求。     

厚煤层分层开采综放工作面瓦斯涌出量预测

综放工作面与单一回采工艺工作面不同,采用AQ 1018-2006《矿井瓦斯涌出量预测方法》预测综放工作面瓦斯涌出量时存在较大误差,且目前缺少厚煤层分层开采综放工作面瓦斯涌出量预测方面的研究,导致瓦斯治理技术依据性不强。针对上述问题,提出了厚煤层分层开采综放工作面瓦斯涌出量预测方法。通过分析厚煤层分层开采综放工作面瓦斯涌出特点,确定了综放工作面瓦斯涌出来源,包括割煤、放煤、采空区、邻近层涌出瓦斯;针对不同瓦斯涌出来源,得出了相应的瓦斯涌出量计算公式,由此得到厚煤层分层开采综放工作面瓦斯涌出量计算公式。采用该方法对乌东煤矿及碱沟煤矿综放工作面瓦斯涌出量进行预测,预测值与实测值的误差均小于5%,满足实际生产需求。     

基于灰色理论和人工神经网络的瓦斯涌出量预测

在对监测数据分析的基础上,提出了将灰色理论引入人工神经网络的瓦斯涌出量预测新模型,并通过实验证明该模型在瓦斯预测中得到了比较理想的结果。     

我国煤矿瓦斯涌出量预测方法综述

介绍了目前我国煤矿瓦斯安全的现状和瓦斯涌出量预测的6种方法,分析了预测方法的原理和适用条件,并对预测方法的性能进行比较。     

瓦斯涌出量的混合pi-sigma模糊神经网络预测模型

提出了一种利用混合pi-sigma模糊神经推理方法建立瓦斯涌出量的预测模型。该模型采用高斯基函数作为模糊子集的隶属度函数, 可在线动态调整隶属度函数和结论参数。与神经网络预测模型比较, 该模型具有物理意义明确、原理清晰、收敛速度快、预测精度高等特点,在对某矿瓦斯涌出量数据的仿真结果表明,该方法预测准确度高、速度快,并且结果具有可重复性,证明该方法是有效的。为便于工程实际应用, 在Matlab环境中开发了基于图形用户界面(GUI)的仿真应用界面,给出了使用方法和预测结果。实验同时表明,对所采用的数据,模型的训练精度设置为0.001时网络的泛化能力最好,网络训练精度和预测精度之间不具有正比关系。     

基于小波神经网络的煤矿瓦斯涌出量预测

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,综合利用神经网络的自学习能力和小波变换的局部化性质,采用了一种基于黄金分割原理获得隐含层节点数的寻优算法,结合MATLAB强大的运算功能,建立了基于小波神经网络的煤矿瓦斯涌出量预测模型.仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果.     

小波神经网络模型的确定性预测及应用

针对神经网络模型预测结果的随机性,构建了一种紧致性小波神经网络工具箱。该方法将小波函数移植到BP网络隐层,并采用一种随机确定状态命令获得确定的预测结果。与编程实现的小波神经网络和BP网络比较,该方法适合于大批量数据训练,对数据样本的适应能力和鲁棒性强,尤其对高频随机时间序列有更好的适应能力,具有预测结果确定及实用性强等特点,可显著提高模型的训练速度、预测精度和预测效率。基于小波包变换和小波神经网络的瓦斯涌出量预测实验证明了所提方法的有效性。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

灰色Elman神经网络的矿井瓦斯涌出量预测

为了准确预测矿井瓦斯涌出量,将灰色理论与Elman神经网络模型结合,建立矿井瓦斯涌出量预测模型。灰色系统能较好地预测变化的趋势,而Elman神经网络具有动态特性好、逼近速度快、精度高等特点。对于煤矿生产中瓦斯涌出量的预测,两者结合能够发挥各自的优势,以某煤矿矿井为例,影响瓦斯涌出量的因素为预测因子建立灰色理论与Elman神经网络融合的预测模型。结果表明,灰色Elman神经网络模型优于传统灰色预测模型,提高了预测精度,达到了很好的预测效果。     

改进Adam优化器在瓦斯涌出量预测中的应用研究

目前对基于神经网络的瓦斯涌出量预测模型的研究主要集中在瓦斯涌出问题上的表现,对模型训练中优化器性质的关注与改进较少。基于神经网络的瓦斯涌出量预测模型的训练常采用Adam算法,但Adam算法的不收敛性易造成预测模型的最佳超参数丢失,导致预测效果不佳。针对上述问题,对Adam优化器进行改进,在Adam算法中引入一种随迭代更新的矩估计参数,在保证收敛速率的同时获得更强的收敛性。以山西焦煤西山煤电集团马兰矿某回采工作面为例,在相同的循环神经网络（RNN）预测模型下测试了改进的Adam优化器在瓦斯涌出量预测中的训练效率、模型收敛性与预测准确度。测试结果表明：(1)当隐藏层数为2和3时,改进的Adam算法较Adam算法的运行时间分别缩短了18.83,13.72 s。当隐藏层数为2时,Adam算法达到最大迭代数但仍没有收敛,而改进的Adam算法达到了收敛。(2)在不同隐藏层节点数量下,Adam算法都没有在最大迭代步长内收敛,而改进的Adam算法均达到了收敛,且CPU运行时间较Adam算法分别缩短16.17,188.83,22.15 s。改进的Adam算法预测趋势的正确性更高。(3)使用tanh函数时...     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型的研究

文章提出了一种采用灰色神经网络对煤矿瓦斯涌出量进行预测的方法,并在此基础上详细介绍了灰色神经网络瓦斯预测模型的构建过程,给出了应用实例。仿真结果表明,该模型具有预测精度高、所需样本少、计算简便等优点。     

基于采掘工作面瓦斯涌出特征的瓦斯灾害精准预警系统

乌东煤矿为近直立特厚煤层、分层放顶煤开采方式,工作面瓦斯涌出来源及特征较为复杂,当前采取的瓦斯防治措施虽有效降低了回采期间工作面瓦斯涌出异常风险,但其经济性、合理性、安全性无法统筹兼顾,在瓦斯灾害风险管控的时空衔接上缺乏瓦斯涌出异常预警机制及配套技术手段。为了填补乌东煤矿瓦斯灾害预警空白,基于对乌东煤矿井下工作面空气瓦斯来源、采掘工作面瓦斯涌出特征的分析,将综放工作面瓦斯浓度超阈值预警模块与掘进工作面瓦斯涌出特征预警模块相结合,构建了乌东煤矿采掘工作面瓦斯灾害精准预警模型。在此基础上,采用B/S架构开发模式,基于矿井工业环网设计开发了乌东煤矿瓦斯灾害精准预警系统,并在井下各主要工作面应用。考察结果表明,该系统运行稳定,预警准确率较高。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

基于模糊粗糙集与支持向量机的瓦斯涌出量预测研究

支持向量机(Support Vector Machine)具备很强的非线性建模能力,而且具有全局最优、结构简单等优点,近年来被广泛的应用于煤矿瓦斯预测方面,但其在处理样本时,不能确定数据中哪些知识是冗余的、不能将输入的信息空间维数简化,因此,会降低系统预测的精确性;将模糊粗糙集理论引入瓦斯涌出量的预测中,建立基于模糊粗糙集与支持向量机的瓦斯涌出量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.实验结果显示,该方法预测准确,具有较高的应用价值.     

回采工作面推进过程中的瓦斯涌出预测分析

针对现有回采工作面瓦斯涌出预测方法的数据大都是基于回采工作面单一传感器的瓦斯浓度序列,存在无法将工作面持续推进过程中空间位置变化的监测点位置进行记录的问题,提出了以回采工作面传感器各监测点瓦斯浓度序列数据为基础,结合工作面实际推进距离,运用BP神经网络模型综合预测工作面瓦斯涌出量的方法。该方法利用回采工作面瓦斯分源辨识方法,分别分析采空区瓦斯涌出和煤壁瓦斯涌出的变化规律;利用BP神经网络预测法,结合表征采空区瓦斯涌出和巷道煤壁瓦斯涌出规律的特征值对工作面日均瓦斯涌出进行预测。实例应用验证了该方法的正确性。     

工作面瓦斯涌出量数据处理程序设计及应用

针对瓦斯地质统计法中涌出量数据繁杂、处理困难等问题,分析了瓦斯涌出量数据来源,建立了瓦斯涌出量数据库,采用百分位数方法对涌出量数据进行筛选,找出能够反映矿井真实瓦斯涌出量规律的数据。采用C语言编程和CAD二次开发工具,建立了瓦斯涌出量数据筛选模块,并将其应用于平煤十二矿,结果表明采用瓦斯涌出量数据筛选模块可提高数据处理速度,节省了大量的人力、物力,并提高了瓦斯地质图的编制效率。     

基于相关向量机的瓦斯涌出量不确定性预测

为了分析瓦斯涌出量预测结果的不确定性,提出一种基于相关向量机的估计方法:依据稀疏贝叶斯学习模型,计算瓦斯涌出量样本空间的稀疏相关支持向量和相应的超参数,再计算预测结果的均值和方差,从而得出瓦斯涌出量预测结果的概率分布和置信区间。分析结果表明,3组检验样本的平均预测误差为1.74%,其实际值均在置信度为97%的置信区间内,与实际情况相符,这说明采用该方法可以得出瓦斯涌出量预测结果的概率分布,且具有预测精度高、所需支持向量少的优点。     

矿井瓦斯涌出量预测研究新方法

矿井瓦斯涌出预测是建立一个复杂的非线性变化系统的过程,传统的瓦斯涌出量预测方法存在一定的局限性。瓦斯涌出量的预测即是建立函数关系模型,预测模型建立的准确与否取决于各个影响因素之间的相互作用、相互耦合的特性。文中将灰色理论与遗传算法有机地结合起来,以灰色理论为基础,利用遗传算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯涌出量预测模型。预测实验结果表明,该方法对瓦斯涌出量预测适应性强、方法快捷、预测结果精度高。