基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

煤与瓦斯突出预测的PSO-BP算法模型

基于梯度下降的BP算法简单、可塑性强,但极易陷入局部极值,并且存在收敛速度慢等无法克服的缺陷。粒子群优化算法作为一种全局优化算法,引入到神经网络的训练中很容易实现,并且能够快速收敛。结合局部搜索能力快速的BP算法和全局搜索能力极强的粒子群优化算法,提出了PSO-BP算法的煤与瓦斯突出危险性区域预测模型。实验结果证明,该预测模型相比于基于BP神经网络的预测,在泛化能力和收敛速度上均有显著增长。     

遗传算法与神经网络的结合在煤与瓦斯突出危险性预测中的应用研究

将反映煤与瓦斯突出的重要特征指标:最大钻屑量(S)、钻屑解析指标(K1)、钻孔瓦斯涌出初速度(q0)和煤的坚固性系数(f)通过神经网络与遗传算法有效结合,建立煤与瓦斯突出危险性预测模型,并通过现场实测数据进行突出危险性预测。结果表明:两种算法的结合对煤与瓦斯突出危险性预测是有效的,它与传统的预测方法相比收效速度更快,容错能力更强,预测精度更高。     

改进BP神经网络在煤与瓦斯突出预测中的应用研究

影响煤与瓦斯突出的因素较多,且呈现出复杂的非线性关系,采用传统的BP神经网络对煤与瓦斯突出进行预测,存在收敛速度慢及易陷入局部极小两个突出问题。为了克服缺陷、提高煤与瓦斯突出预测的精准性,笔者提出了一种改进的BP神经网络,并将其应用到煤与瓦斯突出预测中,建立了基于MATLAB神经网络工具箱的改进BP神经网络模型,并以此模型为基础,研发了煤与瓦斯突出预测系统。通过试验可知,该系统可使煤与瓦斯突出预测管理工作更加准确、可靠和高效。     

基于多因素耦合作用机制的煤与瓦斯突出危险等级预测

以现有的发生煤与瓦斯突出矿井资料为基础,根据煤与瓦斯突出的影响因素确定预测指标并建立交互作用矩阵,采用BP神经网络对矩阵进行编码,基于岩石工程系统理论建立煤与瓦斯突出危险等级预测模型.通过预测模型和实际突出危险等级对比,得出结论:应用BP神经网络对交互作用矩阵编码可有效地减少人为因素对结果的影响;煤与瓦斯突出危险等级预...     

基于GA-BP混合算法的煤与瓦斯突出强度预测研究

在以往对煤与瓦斯突出预测的研究中,较多地关注突出动力类型的预测,对于突出强度预测很少涉及。基于影响煤与瓦斯突出的各个因素与突出强度之间存在的复杂非线性映射关系,建立了突出强度预测的神经网络模型。根据遗传算法(GA)和BP算法的特点,将二者结合起来,利用遗传算法优化BP网络权重和阈值,形成GA-BP混合算法。该算法提高了网络性能,在煤与瓦斯突出强度预测中取得良好效果。     

煤与瓦斯突出BP神经网络预测系统研究

煤与瓦斯突出是严重危害煤矿安全生产的一种非线性瓦斯动力灾害。文章将BP神经网络运用于煤与瓦斯突出预测模型,从煤与瓦斯突出的原因、BP神经网络用于煤与瓦斯突出预测的原理、运用实例三方面,对利用BP神经网络预测煤与瓦斯突出的研究加以阐释,证明了BP神经网路预测系统的精度高于传统系统。     

基于层次分析与模糊综合评判的突出危险程度预测

针对煤与瓦斯突出预测缺乏定量评价方法,将层次分析与模糊综合评判运用到煤与瓦斯突出危险程度预测中,使用层次分析法确定了煤与瓦斯突出各影响因素权重系数,运用模糊综合评判法建立了煤与瓦斯突出危险程度预测模型。最后,对某煤矿9煤层进行了煤与瓦斯突出危险性预测。结果表明,应用层次分析与模糊综合评判进行煤与瓦斯突出危险程度预测是可行的。     

基于PCA-Fisher判别分析模型的煤与瓦斯突出危险等级预测方法研究

为了提高煤与瓦斯突出预测精度,选取瓦斯含量、瓦斯压力、瓦斯放散初速度等11个因素作为判别指标,将煤与瓦斯突出强度分为无突出、小型突出、中型突出、大型突出4个等级。利用贵州黔西北煤矿资料中的28组数据作为训练学习样本,建立了煤与瓦斯突出危险等级预测的PCA-Fisher判别分析模型,再利用资料中其余6组数据作为预测样本,对该模型进行检验和应用,并与BP神经网络模型和Fisher判别模型的判别结果进行比较。结果表明:PCA-Fisher判别模型具有更高的准确性和可靠性,可以对煤与瓦斯突出危险等级进行有效预测。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

工作面煤与瓦斯突出电磁辐射的神经网络预测方法研究

以自适应神经网络的基本原理为基础，系统研究了煤与瓦斯突出电磁辐射自适应神经网络预测的原理，将电磁辐射自适应神经网络模型应用于煤与瓦斯突出危险性预测，实现了煤与瓦斯突出危险性的电磁辐射动态趋势预测．应用结果表明，煤与瓦斯突出电磁辐射神经网络预测法具有预测方法简单、准确性高等特点，可应用于工作面煤与瓦斯突出危险性的预测．     

基于因子分析与BP神经网络的煤与瓦斯突出预测

为提高煤与瓦斯突出预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。根据平顶山八矿煤与瓦斯突出相关主要影响因素的原始数据,使用因子分析法对9个煤与瓦斯突出影响因素的原始数据进行降维处理,得到3个公共因子;将3个公共因子代替原有的9个煤与瓦斯突出影响因素作为BP神经网络输入层参数,建立因子分析法与BP神经网络法相结合的煤与瓦斯突出预测模型,对平顶山八矿煤与瓦斯突出进行预测。选取平顶山八矿煤与瓦斯突出样本对改进的BP神经网络预测方法进行验证,结果表明:3个预测样本的相对误差分别为1. 79%、3. 54%、0. 83%,均小于10. 00%。采用改进的BP神经网络预测方法可有效解决传统的BP神经网络因为输入层参数过多而数据处理效率低、迭代速率慢与精确度低等问题。     

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.     

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-神经网络模型能够满足煤与瓦斯突出预测的要求．     

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-神经网络模型能够满足煤与瓦斯突出预测的要求．     

基于GIS的煤与瓦斯突出预测系统研究

本煤与瓦斯突出预测系统以GIS为平台,运用VB编程技术,以神经网络算法为基础,根据对煤与瓦斯突出有重大影响的四个参数的分析,建立了对矿井工作面的煤与瓦斯突出预测,为以后在煤与瓦斯突出预测工作中的实际应用奠定了理论基础。     

煤与瓦斯突出预测的SOFM模型及应用

煤与瓦斯突出是煤矿生产活动中常见的一种动力灾害之一,其危险性等级评价是煤矿安全生产的必要前提和保证。文章综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件,选取地质破坏程度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及开采深度作为煤与瓦斯突出危险性预测的评价指标。基于此,文章借签一种自组织特征映射(SOFM)神经网络,建立煤与瓦斯突出危险性预测的SOFM神经网络模型,将SOFM神经网络模型应用于国内26个典型矿井的煤与瓦斯突出危险性预测。研究表明,SOFM神经网络模型预测效果较好,其正判率为92.31%。说明该模型可为小样本、多指标的煤与瓦斯突出预测提供一种新的思路。     

基于神经网络的煤与瓦斯突出强度预测专家系统

针对煤与瓦斯突出影响因素多、难以建立数学模型进行预测的难题,选取平煤集团煤与瓦斯突出案例作为学习样本,利用神经网络自学习能力强的特点构建专家知识库,开发煤与瓦斯突出强度预测专家系统;以采集到的实时数据作为预测样本进行预测验证。结果表明:该系统有较好的预测能力,提高了煤与瓦斯突出强度预测的准确性和及时性。     

何庄矿二1煤层区域突出危险性预测

为了有效预防煤与瓦斯突出,通过对何庄矿煤层瓦斯压力及瓦斯含量、瓦斯放散初速度、煤的坚固性系数、构造煤发育情况及瓦斯动力现象等参数的分析,提出采用瓦斯参数结合瓦斯地质分析法对矿井二1煤层进行煤与瓦斯区域突出危险性预测。预测结果表明:二1煤层在埋深388 m以深的区域划为突出危险区域,构造煤是控制何庄矿煤与瓦斯突出的主要因素。     

基于广义回归神经网络的煤与瓦斯突出区域预测

针对煤与瓦斯突出存在诸多不确定影响因素的特点,在研究煤与瓦斯突出机理和广义回归神经网络的基础上,建立了煤与瓦斯突出的广义回归神经网络预测模型,提出了广义回归神经网络中的光滑因子优化选择算法,以提高模型预测精度.通过应用实例验证,预测结果精度高,与实际情况相吻合.研究结果证明了该方法的合理性和可行性,对煤矿提高煤与瓦斯突出区域的预测能力具有较大的参考意义.