地勘与实测瓦斯含量对比分析法在青东煤矿的应用

瓦斯含量预测在矿井防治煤与瓦斯突出工作中极其重要,科学的预测方法将有助于井下防治工作的顺利开展。本文通过对比了青东煤矿Ⅰ5采区邻近区域地勘阶段瓦斯含量和实测瓦斯含量之间的关系,得出了8煤层中瓦斯含量的相关系数,并在81采区进行了验证,同时成功应用到了Ⅰ5采区瓦斯含量预测中。该研究将有助于青东煤矿进行区域瓦斯预测,提高煤与瓦斯突出防治工作的有效性。     

基于改进的GA-ELM煤与瓦斯突出预测模型

为准确、快速地预测煤与瓦斯突出,提出了一种基于因子分析和遗传算法(GA)优化极限学习机(ELM)的煤与瓦斯突出危险性预测模型。构建10种影响因素的煤与瓦斯突出评价指标体系,采用因子分析法对评价指标体系进行分析提取,将提取出的5个公因子作为ELM的输入参数,为避免ELM输入权值和隐含层偏差随机性的影响,应用GA对ELM模型参数进行优化,构建GA-ELM模型,选取20组实例进行仿真预测,同时与传统单一的ELM、SVM和BP模型进行对比分析。结果表明:基于改进的GA-ELM模型能有效降低数据冗余、简化网络结构和提高判别精度,提出将其运用到煤与瓦斯突出的预测与实际结果具有很好的一致性。     

煤与瓦斯突出自适应小波基神经网络辨识和预测模型

由于煤与瓦斯突出是一典型的复杂非线性动力系统,影响因素很多,如应力、煤层特征、构造等,且各影响因素相互关联,因此,采用非线性人工神经网络进行煤与瓦斯突出的模式辨识与预测是十分必要的.针对具体的不同煤层条件,建立自适应小波基神经网络激活函数模型,用于煤与瓦斯突出系统的辨识和预测,实现由网络本身自动确定神经单元的数目,避免人为因素的影响,提高辨识和预测的可靠性和智能化程度.实例分析结果表明,所建立的自适应小波基神经网络激活函数模型,辨识和预测精度高,具有重要的推广应用价值.     

煤与瓦斯突出自适应小波基神经网络辨识和预测模型

由于煤与瓦斯突出是一典型的复杂非线性动力系统,影响因素很多,如应力、煤层特征、构造等,且各影响因素相互关联,因此,采用非线性人工神经网络进行煤与瓦斯突出的模式辨识与预测是十分必要的。针对具体的不同煤层条件,建立自适应小波基神经网络激活函数模型,用于煤与瓦斯突出系统的辨识和预测,实现由网络本身自动确定神经单元的数目,避免人为因素的影响,提高辨识和预测的可靠性和智能化程度。实例分析结果表明,所建立的自适应小波基神经网络激活函数模型,辨识和预测精度高,具有重要的推广应用价值。     

基于GIS的煤与瓦斯突出预测系统研究

论述了基于GIS的煤与瓦斯突出预测系统的可行性研究,提出了基于GIS平台的煤与瓦斯突出预测的新方法,讨论了如何利用GIS技术和计算机技术实现瓦斯区域预测的科学自动化管理,提供了基于GIS的防突措施决策。     

煤与瓦斯突出危险性的模式识别和概率预测

煤与瓦斯突出危险性的多因素模式识别概率预测研究涉及到采矿工程、安全工程、地质工程、地理信息系统(GIS)、概率论、信息科学和人工智能(AI)。在理论分析和查明多个突出影响因素与突出危险性之间的内在联系的基础上,确定模式识别准则、建立识别模型,完成模式识别系统设计、模式识别算法研究、概率预测准则确定和煤与瓦斯突出预测危险性预测系统的开发。以活动构造、最大主应力、瓦斯压力和瓦斯含量等8个因素作为煤与瓦斯突出发生的主要判据,用模式识别方法实现了煤层突出危险性的分单元概率预测,可方便地划分煤与瓦斯突出的危险区、威胁区和安全区,对煤与瓦斯突出危险性做出评估和预测,提高瓦斯灾害预测的准确性。建立了一个比较科学的煤与瓦斯突出区域预测方法,使煤矿安全工作者准确判断和预防煤与瓦斯突出成为可能。     

应用灰色层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测

文章针对目前层次分析-模糊综合评判法在预测煤与瓦斯突出中的不足,提出一种集灰色关联分析、层次分析和模糊综合评判的混合预测方法。用灰色关联分析优选出与突出最为密切的主控因素,通过层次分析法确定其主控因素权重系数,运用模糊综合评判法建立了煤与瓦斯突出危险性预测模型。最后,对某矿某煤层进行了煤与瓦斯突出危险性预测。实验结果表明,此预测方法是可行的,比应用层次分析-模糊综合评判法对煤与瓦斯突出进行预测算法简单、准确。     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

基于模糊模式识别和BP神经网络的工程项目成本预测模型研究

将模糊模式识别与BP神经网络结合起来建立工程项目成本预测模型,首先利用模糊模式识别选取样本工程项目,其次运用BP神经网络进行工程项目成本预测,最后经过算例分析,得出运用模糊模式识别结合BP神经网络建立工程项目成本预测模型是切实可行的。     

煤与瓦斯延期突出机理及其预测预报的研究

利用非线性理论－－突变理论，对煤与瓦斯延期突出机理进行了研究，认为延期突出的滞后时间是由地应力、煤体中的瓦斯、煤的物理力学特性及外力作用（爆破）等的共同作用所产生的，并依此提出延期突出的预测预报方法。     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28 d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28 d强度,预测精度高。     

煤与瓦斯突出关键结构体致灾机制

 为了进一步完善煤与瓦斯突出机制,通过对已有研究成果和煤与瓦斯突出地质结构环境的总结分析,将煤与瓦斯突出机制研究与工程结构相结合,提出煤与瓦斯突出的关键结构体模型,并对煤与瓦斯突出过程进行剖析,通过理论分析建立煤与瓦斯突出启动的力学判据Cm和能量判据Ce,形成煤与瓦斯突出关键结构体致灾理论。研究结果表明：地质构造运动形成构造煤体,营造利于突出发生的高应力环境,提供利于瓦斯保存和突出启动的地质结构环境;突出煤体具备高能瓦斯和构造煤的介质属性,是煤与瓦斯突出的基本条件,也是突出过程中能量的主要来源,关键结构体是煤与瓦斯突出得以成功启动的必要条件;依据关键结构体模型,煤与瓦斯突出分为准静载作用下的延迟突出(D-QSL)和动载作用下的瞬时突出(I-DL)2种类型;煤与瓦斯突出过程经历准备、启动、发展和终止4个阶段,突出准备阶段始于地质构造运动对煤体的改造,突出激发表现为结构2的突变失稳,隶属于突出准备阶段,突出能否成功启动决定于结构1的力–能条件;利用关键结构体模型和突出启动的力–能判据能够揭示典型煤与瓦斯突出事故的启动机制,可为煤与瓦斯突出预测与防治提供指导。     

自密实混凝土工作性能和强度的BP神经网络预测

如何在进行自密实混凝土配合比设计前对其工作性能和强度进行有效预测,为配合比设计提供指导,是一大难点。本文利用BP神经网络,对自密实混凝土的工作性能(坍落度和扩展度)和28d强度进行预测。结果表明,利用大量试验数据样本训练的BP网络可以预测不同情况下的自密实混凝土的坍落度、扩展度和28d强度,预测精度高。     

基于智能算法的河港码头混凝土碳化深度预测

由于混凝土碳化所引起的河港码头构件材料性能劣化是导致其整体结构发生耐久性失效破坏的主要原因之一,混凝土碳化深度的预测以及结构物服役寿命的评估是河港码头运行维护过程中的关键。然而,基于Fick第一定律的传统碳化深度预测方法所得结果的精度与实测样本容量的大小呈正相关,当实测样本值有限时,其预测精度难以保证。为此,针对有限样本支撑下河港码头混凝土碳化深度预测难、精度低等问题,提出了一种基于人工智能的计算方法,用以更加精确地预测河港码头混凝土的碳化深度。该智能算法包括BP神经网络模块与樽海鞘群算法(SSA)模块,SSA模块负责修正BP神经网络模块的设置参数,完成BP神经网络设置参数的自适应优化;BP神经网络模块主要负责利用SSA模块得到的设置参数对样本进行训练及测试,两者交叉融合,实现对河港码头混凝土碳化深度的精确预测。对融合BP神经网络和SSA的算法流程及实施步骤进行了详细描述,并通过试验实测数据验证了智能算法预测混凝土碳化深度结果的精度及可行性。     

煤与瓦斯突出试验的微震动态响应与特征分析

煤与瓦斯突出前兆信息的挖掘与定量描述是准确预测、预报该类灾害的前提和基础。为了研究煤与瓦斯突出的发生机制,挖掘煤与瓦斯突出灾害的前兆特征及其描述方法,开展基于微震监测的煤与瓦斯突出模拟试验研究。利用大型煤与瓦斯突出模拟试验系统和高灵敏微震监测系统,开展瓦斯突出全过程监测试验,有效收集了从突出孕育到发生完成全过程的微震动响应事件。微震信号的时、频域特征存在差异性和阶段性,并与瓦斯突出过程的孕育、准备、发生以及延续和终止4个阶段相对应。为了定量描述四阶段的特征,建立微震事件数N、事件发生率R、能量和Et以及当量能量E0等微震指标,这些指标表现出明显的阶段差异性。室内试验和现场监测研究表明,煤与瓦斯突出过程存在明显的阶段性微震特征差异,利用该差异性可以描述煤岩体内微震活动演化规律进而推断其稳定性状况,为灾害的提前预测提供依据。     

基于BP神经网络的偏压隧道拱顶沉降预测

采用BP神经网络,以香山隧道拱顶沉降监测数据为样本进行训练,得到了相应的学习曲线,并采用所建立的神经网络预测模型,对隧道拱顶沉降进行了预测,结果表明:建立的BP神经网络模型能够很好的描述既有训练样本曲线变化特征,且预测精度与既有监测数据相关,亦与预测长度有关,预测长度较长时预测结果可信度降低。     

基于改进R/S分析方法的深基坑变形预报预测研究

基于BP神经网络和改进的R/S分析方法,对基坑的变形趋势进行研究。首先,利用三次样条差值对监测数据进行预处理;其次,利用BP神经网络对监测样本进行预测;最后,利用R/S分析法对所有基坑变形样本进行变化趋势判断,并对比BP神经网络和R/S分析的结果。结果表明:BP神经网络和速率-序列的R/S分析的结果基本一致,得出基坑变形具有继续增加的趋势,但增加的幅度具有减小的趋势,证明了R/S分析在基坑变形趋势判断中的适用性。     

BP神经网络在煤相预测分析中的应用

应用煤相分析完成煤层气潜力评价和生气有利带预测已成为煤层气勘探开发中十分重要的方法 ,然而复杂多样的成煤环境导致不同的层位(纵向上)和不同地区(平面上)的煤相特征存在明显差异,使用传统方法很难实现快速准确的煤相描述,本文采用BP神经网络的方法,利用其较强的自适应非线性学习能力,建立了煤相神经网络模型,并进行了网络训练及预测。结果表明,BP神经网络预测值与实际值非常吻合,从而为煤相研究提供了一种高效准确的方法。     

基于粗糙集理论BP网络的地铁深基坑监控预测分析与优化

以25个深基坑工程地表沉降实测资料为训练样本,综合考虑多个主要影响因素,应用粗糙集对次要影响因素进行约简,然后建立地表沉降的7-15-1粗糙集BP(RS-BP)神经网络预测模型对5个检验样本进行预测及预测精度分析,并将该模型与传统BP神经网络预测模型进行对比。结果表明:传统BP神经网络预测其平均相对误差达到15.04%;而RS-BP神经网络预测平均相对误差较小,为5.55%,满足精度要求。因此,基于粗糙集BP神经网络预测模型在预测精度上优于传统BP神经网络预测模型。     

地下工程围岩稳定性的MBP神经网络识别

围岩稳定性分类是地下工程支护设计的基础参数,利用改进的MBP神经网络进行围岩稳定性的识别,有利于真实地刻画所求问题与其影响因素之间的非线性关系。本文研究BP神经网络的工作原理和改进技术,建立了围岩稳定性的神经网络识别模型,对学习的样本预测结果与实际结果拟合很好,并在尖林山矿得到了应用。