共查询到20条相似文献,搜索用时 31 毫秒
1.
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。 相似文献
2.
3.
4.
5.
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... 相似文献
6.
7.
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。 相似文献
8.
基于层次分析与模糊综合评判的突出危险程度预测 总被引:3,自引:0,他引:3
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。 相似文献
9.
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。 相似文献
10.
11.
12.
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。 相似文献
13.
煤与瓦斯突出灰色-神经网络预测模型的建立及应用 总被引:4,自引:0,他引:4
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. 相似文献
14.
煤与瓦斯突出灰色-神经网络预测模型的建立及应用 总被引:1,自引:0,他引:1
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. 相似文献
15.
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. 相似文献
16.
17.
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。 相似文献
18.
19.
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。 相似文献