基于模糊-支持向量机的煤层底板突水危险性评价

提出将模糊理论中的隶属度与支持向量机相结合的模糊-支持向量机模型,用于对煤层底板突水危险性的评价。在对肥城煤层底板突水危险性评价指标体系分析的基础上,通过对肥城矿区10个地段的样本数据训练确定最优的模型参数,并对4个测试样本进行了突水危险性评价。实验表明：该模型能够减少样本数据处理的复杂性,较好地解决小样本、非线性问题,为煤层底板突水危险性的评价提供了一种新方法。     

基于最小二乘支持向量机的煤层底板突水量预测

针对底板突水受到多种复杂因素的影响和突水量预测可看成是非线性、高维数、有限样本的模式识别问题,提出煤层底板突水量预测的最小二乘支持向量机方法,给出预测步骤,建立了符合期望风险最小化原则的预测模型,表达了最大突水量等级与其影响因素之间的非线性关系.     

基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价

为解决煤层底板突水预测难题,提出了基于主成分分析、模糊数学、粒子群算法以及支持向量机分类的底板突水危险性评价模型,模型以支持向量机分类为基础,通过主成分分析将多种影响底板突水的因子归纳为构造主成分、水文地质主成分、煤层信息主成分及开采条件主成分,其中构造主成分及水文地质主成分为影响底板是否突水的最主要控制因素,模糊化主成分因子,利用粒子群算法优化支持向量机分类参数,根据已有数据资料建立了评价模型,并将该模型应用于实际中,得到了准确的预测结果,为底板突水危险性评价提供了一种新的方法。     

立井井筒非采动破裂的遗传-支持向量机预测模型

选取表土层厚度、底板含水层厚度、底板含水层水位速降、井筒外径、井壁厚度、井筒投入使用时间6个立井井筒非采动破裂的特征属性作为判别因子,以工程实测数据作为学习样本,利用遗传算法优化支持向量机参数,建立了煤矿立井井筒非采动破裂的遗传-支持向量机预测模型,并对工程实例进行测试。研究结果表明,该模型预测精度高,回判估计的错误率低,为快速准确地预测立井井筒非采动破裂提供了一种新的方法和途径。     

基于向量机的煤层顶底板围岩稳定性分类研究

煤层顶底板围岩是一种高度非线性的复杂动态系统,机理复杂、其影响因素众多。单一的评价指标已不能准确描述煤层顶底板围岩稳定性分类情况。结合云贵高原某煤矿的实际情况,选用岩石质量指标、完整性系数、埋藏深度、地下水渗水量、结构面强度系数和单轴饱和抗压强度6个关联程度不同的影响因素作为支持向量机模型的输入。建立支持向量机煤层顶底板围岩稳定性分类模型。将此模型应用于云贵高原某煤矿煤层顶底板围岩的稳定性分类预测。结果表明:向量机模型的煤层顶底板围岩稳定性分类是可行的。     

基于遗传算法优化在线支持向量机的风电场风速预测

提出利用遗传算法优化在线支持向量机的风电场风速预测方法,应用遗传算法选择在线支持向量机的参数,将选择的参数代入在线支持向量模型,对前7 d的风速进行预测,实验结果证明了该方法的可行性。     

基于PCA-GA-LSSVR的工作面涌水量预测

联合采用主成分分析法、遗传算法、最小二乘支持向量回归算法对工作面涌水量进行定量预测,建立基于主成分分析-遗传-最小二乘支持向量回归(PCA-GA-LSSVR)模型进行工作面涌水量预测,避免了变量间相互干扰,简化变量个数,提高了计算速度和精度。     

矿井突水水源识别的GA-SVM方法研究

针对目前支持向量机(SVM)参数选择不准确导致突水水源识别率不高的问题,提出经过遗传算法(GA)优化的支持向量机应用于突水水源的识别,研究结果表明,该模型的预测结果与实际情况相符合,更加适用于矿井突水的水源识别。     

高水压突水危险工作面防治水关键技术

为实现赵固二矿11011工作面在高水压突水条件下安全回采,对高水压底板进行加固,对断层进行预注浆治理;利用相似模拟实验对底板突水及加固效果进行研究;并应用经验公式、力学理论分析、神经网络和基于支持向量机等多种方法预测底板破坏深度为20.12～23.63 m;利用直流电勘探法测得底板破坏深度为23.48 m。结果表明:底板加固后富水区明显减小,部分区域富水区消失,断层水量明显减小,开采未发生突水危险,实现了工作面的安全回采。     

支持向量机在矿井底板突水评价方面的研究

随着矿井开采深度的日益增加,底板突水成为威胁矿井安全的一大难题。底板突水是一个受地质构造、矿山压力、隔水层、底板承压水等多因素影响的非线性问题。笔者通过介绍支持向量机这一理论,为解决底板突水分析提供了有力的数学方法,使得煤矿底板突水预测更加的完善,为矿井底板的突水提供指导作用。     

基于FOA-SVR的矿井底板突水量预测模型应用研究

矿井突水是常见的突发性强烈的矿井灾害。为了更好地预防矿井水灾,降低灾害造成的物质损失以及减少人员伤亡,建立了一种基于FOA-SVR的矿井底板突水量预测模型,利用果蝇算法优化支持向量回归机算法(FOA-SVR)选出最优的模型参数。针对底板突水这种非线性、小样本问题,从突水因素中选取水压、含水层厚度、隔水层厚度、底板采动裂隙带深度以及断层落差这5个作为特征因素。然后利用FOA对SVR参数进行优化之后建立FOA-SVR底板突水量预测模型,输出即为需要预测的突水量。结合实例并将该模型的预测结果与SVR模型的预测结果进行对比,结果表明：该模型在预测突水量的精度上比SVR模型更高,具有一定的应用价值。     

基于模糊证据理论的煤层底板突水量预测

从信息融合的角度,将煤层底板突水量预测过程看成是一个多源信息融合处理与状态估计过程,提出基于贴近度的模糊证据理论,建立基于模糊证据理论的煤层底板突水状态估计与评价模型。利用15个有代表性的采煤工作面底板突水资料作为训练样本,基于广义三角模糊数生成各焦元基本概率赋值。用所建立的突水预测模型对4个待检验的突水样本进行分析,并与人工神经网络、最小二乘支持向量机、距离判别分析等方法进行比较,所得结果一致或更好,说明基于模糊证据理论的煤层底板突水量估计方法具有良好的实用性和有效性。     

一种新型煤矿底板破坏深度预测模型

为有效预防煤矿底板突水风险,在传统的粒子群优化算法中增加自适应权重,结合遗传算法的交叉、变异步骤改进传统的粒子群优化算法,并用其优化SVM模型,建立改进的GA-PSO-SVM煤矿底板破坏深度预测模型,选取采深、煤层倾角、采高、工作面长度、煤层底板承压水水压和煤层底板损伤变量作为影响底板破坏深度的主控因素,通过15组煤炭生产单位采集底板破坏带深度相关数据,测试改进的GA-PSO-SVM模型的性能,并与FOA-SVM模型、BP模型的预测结果进行对比,研究表明:改进的GA-PSO-SVM模型预测结果与实测结果的误差范围为0.36%~5.22%,FOA-SVM模型预测结果的误差范围为1.60%~12.49%,BP模型预测结果的误差范围为1.01%~20%,改进的GA-PSO-SVM模型预测结果的误差范围更小,更适合煤矿现场的应用要求。     

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。     

基于GAPSO-RFR的矿井底板突水预测模型与应用

为了更精准地预测矿井突水灾害,对突水预测和救援提供帮助,减少水灾造成的损失,提出基于GAPSO-RFR的矿井突水预测模型。利用遗传-粒子群算法对随机森林回归模型(RFR)进行优化,选取34例样本对GAPSO-RFR模型进行迭代和训练。测试结果表明,GAPSO-RFR模型提高了预测精度,减少了泛化误差。同时利用模型对王家岭矿区部分盘区的10号煤层与2号煤层的突水风险进行预测分析,得出了突水风险较高的区域分布情况。     

露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。     

基于万有引力的煤层底板突水预测算法

传统的基于机器学习的煤层突水预测方法需要大量的训练样本进行预测模型的训练。而在矿井突水问题中,大量训练样本的获得基本上是不可能的。主要研究在突水样本数据有限的情况下提高煤层突水预测结果的准确性。结合山西省某煤矿的实际情况,提出了一种新颖的基于万有引力的煤层底板突水预测方法（Gravitational force based algorithm,GFA）。该算法采用半监督的学习方式,将万有引力公式引入到预测模型中,利用少量的突水训练样本作为引力的源点吸引测试样本进行突水安全状态的传递,进而实现突水测试样本安全性的预测。将提出的算法用于历史突水数据以及实际的煤层底板突水数据进行实验,实验结果表明,在突水训练数据有限的情况下,提出的基于万有引力的煤层底板突水预测算法可获得良好的预测效果。