基于IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

基于耦合算法的煤矿瓦斯涌出量预测模型研究

针对煤矿回采工作面瓦斯涌出量系统的时变性、非线性、复杂性、不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN)用于非线性动态绝对瓦斯涌出量预测。算法通过实时的对其权值、阈值寻优,建立了基于CIPSO 和ENN 的耦合算法的绝对瓦斯涌出量预测系统模型,并利用矿井监测到的各项历史数据进行试验,结果表明该模型较其他预测模型其辨识收敛速度、预测精度和鲁棒性等性能都有明显的提高。     

基于IGSA-ELM模型的回采工作面瓦斯涌出量预测

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用IGSA对ELM神经网络的网络隐含层节点数进行寻优,利用自相关系数法筛选出回采工作面瓦斯涌出量的8个主要影响因素,建立基于IGSA-ELM算法的瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经IGSA优化后的ELM神经网络瓦斯涌出量预测模型与PSO-ELM神经网络、ACC-ENN和GSA-ELM神经网络预测模型相比,预测精度分别提高310%、60%、31%,为回采工作面瓦斯涌出量的预测提供了一种新的快速预测方法。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

PSO-SVM模型在掘进工作面突出预警系统中的应用

为实现掘进工作面煤与瓦斯突出风险快速、准确预警,借助工作面瓦斯涌出特征与突出"三要素"之间变化关系建立了含地应力系数、瓦斯体积分数及瓦斯涌出系数等参数的实时预警指标体系;将SVM、PSO 2种算法结合构建了PSO-SVM突出预警模型,界定了突出预警等级标签的划分原则;在此基础上融合Spark大数据平台开发了掘进工作面突出预警系统,系统包括模型管理、风险识别及Spark配置等8个模块。以贵州某矿掘进工作面监测监控系统为数据源,筛选其中1 059组预警指标及对应预警等级标签导入数据挖掘模型进行智能化学习及训练,并将系统应用于该掘进工作面突出风险预警。运行结果表明突出预警模型测试集的预测精度为92%,系统能在工作面突出动力现象发生前22 min准确预警。     

基于GA-ELM的瓦斯涌出量预测

为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。     

基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

改进的灰色马尔柯夫模型预测采煤工作面瓦斯涌出量

以预测工作面绝对瓦斯涌出量为研究目的,通过对回采工作面瓦斯涌出量原始数据取自然对数为基础,建立改进的GM(1,1)模型,然后将其与马尔柯夫模型相结合,建立了改进的灰色马尔柯夫模型,并将该模型应用到中岭煤矿首采工作面瓦斯涌出量预测分析中.结果表明,灰色马尔柯夫模型预测工作面瓦斯涌出量拟合精度较好,结果正确可靠,有一定的普遍应用性.     

基于支持向量机的矿井瓦斯浓度预测应用研究

以高河煤矿回采工作面刮板输送机机尾瓦斯浓度变化为例,运用PSO-SVM与GA-SVM算法分别对核参数g和惩罚因子c进行寻优,建立最优组合参数瓦斯浓度预测模型,进行瓦斯浓度预测。结果表明,基于支持向量机的瓦斯浓度预测模型在井下瓦斯浓度预测中具有一定的有效性与实用性;且相对于PSO-SVM模型,GA-SVM模型的预测效果更佳。