粗糙集方法在瓦斯突出预测中的应用

煤矿瓦斯突出是一种多发的地质灾害,其影响因素众多,但是突出机理尚未研究清楚。将粗糙集理论和技术引入煤矿瓦斯突出区域预测,对影响瓦斯突出的关键因素进行约简,抽取出瓦斯突出相关的决策规则,建立了煤矿瓦斯突出区域预测模型,并通过数据试验和对比,表明粗糙集方法预测瓦斯突出具有较高的预测准确率,同时方法也为瓦斯突出预测提供了新的研究思路。     

煤与瓦斯突出机理和模拟试验研究现状及发展趋势

总结了煤与瓦斯突出机理的理论研究现状,分析了国内外对含瓦斯煤体相似材料和煤与瓦斯突出模拟试验装置研究的典型范例。指出了煤与瓦斯突出机理及模拟试验研究方面存在的不足之处:目前煤与瓦斯突出机理的理论研究多是定性描述,缺乏定量、统一、完整的理论体系;已有模拟试验系统和装置还无法准确地对综合考虑地质构造、地应力、煤体强度、瓦斯含量及施工过程等影响因素下的突出现象进行定量模拟,试验装置的力学加载、瓦斯充填和测试系统的精度有待进一步提高;试验仪器的试验操作与便利性不足,试验的可重复性有待提高;试验仪器的数据分析系统不完善。分析了煤与瓦斯突出机理研究与模拟试验的发展趋势,认为煤与瓦斯突出模拟试验必须符合相似理论,煤与瓦斯突出模拟试验仪器研究是机理研究突破的迫切需求。     

矿井工作面突出危险性与瓦斯涌出特征回归分析的研究

分析研究了工作面煤与瓦斯突出危险性与瓦斯涌出特征值之间的相关关系,通过提取瓦斯涌出量平均值、最大值以及落煤瓦斯浓度数据斜率作为瓦斯涌出特征值,结合煤与瓦斯突出危险性指标,提出了工作面煤与瓦斯突出危险性与瓦斯涌出特征值回归分析方法。实例应用验证了该方法的有效性。     

基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究

文章介绍了BP人工神经网络和贝叶斯正则化算法的原理,探讨了贝叶斯正则化BP人工神经网络模型的建立,通过改变隐含层神经元个数的实验建立了只含1个隐含层且隐含层仅需1个神经元的煤与瓦斯突出预测模型的最佳网络结构。对该网络采用煤与瓦斯突出的预测指标进行训练、检测的结果表明,该网络预测的煤与瓦斯突出的危险程度与实际情况完全吻合;对该网络输入层输入的煤与瓦斯突出的预测指标、对输出层输出的预测结果的权值进行分析的结果表明,煤层地质构造类型对煤与瓦斯突出的影响为最大。上述研究结果对煤与瓦斯突出的预测预防研究、提高煤与瓦斯突出预测的准确性具有一定的参考价值。     

基于瓦斯浓度变化的煤与瓦斯突出预警技术

为实现掘进工作面煤与瓦斯突出的实时、准确和超前预测,提出了一种基于瓦斯浓度变化的煤与瓦斯突出预警方法,通过掘进工作面煤体瓦斯压力反演技术,确定了煤与瓦斯突出临界条件,构建了煤与瓦斯突出预警模型,在此基础上研制了基于瓦斯浓度变化的非接触式煤与瓦斯突出预警系统。应用结果表明,该系统能够实时监测掘进工作面瓦斯浓度变化和风量信息,并提前一个工作班次对煤与瓦斯突出区域进行非接触实时灾害预警。     

产品世界

该成果采用声发射、瓦斯涌出动态和煤壁温度作为工作面煤与瓦斯突出连续预测的参数,提出了相应的指标,并且研究了相应的软件。 提出的三个参数和相应配套的硬件软件所形成的KJT型煤与瓦斯突出预测系统,为应用非接触式测量方法实现工作面煤与瓦斯突出的自动化连续预测提供了一个高科技手段。     

煤与瓦斯突出预警技术研究现状及发展趋势

从煤与瓦斯突出灾害预警理论、预警信息采集途径、预警指标与模型、预警软件系统4个方面对煤与瓦斯突出预警技术的研究成果进行了综合梳理和详细分析,指出了现有煤与瓦斯突出预警技术存在的问题:部分预警信息获取的时效性和可靠性有待进一步提高,预警模型未实现信息有效深度挖掘等;提出了煤与瓦斯突出预警技术的发展趋势:高自动化水平、高精度的突出预警信息监测采集技术及装备研发,基于大数据的突出预警指标与模型研究,基于云技术的突出预警软件系统开发。     

王行庄煤矿近距离保护层开采防突效果考察

以河南新能开发有限公司王行庄煤矿为研究背景,介绍了保护层开采理论,考察了采取保护层开采措施前后同一测试地点的瓦斯参数,主要包括瓦斯含量、瓦斯压力、煤层的透气性系数及突出预测指标。现场试验结果表明,采取保护层开采措施后,被保护层区域瓦斯压力及含量大幅降低,瓦斯涌出量及突出预测指标明显下降,煤层透气性系数大幅增加。     

改进BP神经网络的煤与瓦斯突出预测

研究煤与瓦斯突出预测问题,煤与瓦斯突出是一种非常复杂的地质灾害,受到瓦斯、地应力、煤物理力学性质等多种因素影响,存在复杂的非线性系统问题,引起预测准确性差。传统BP神经网络存在收敛速度慢、易陷入局极小等缺陷。为了有效提高煤与瓦斯突出的预测精度,提出一种改进BP神经网络的煤与瓦斯突出预测算法。首先采用附加动量调整网络的权值,加快网络收敛速度,然后自适应调整网络学习速度,减少迭代次数,最后对煤矿的煤与瓦斯突出进行仿真,相对于传统BP神经网络,不仅有效地减少了迭代次数,加快了学习速度,而且提高了预测精度,为煤矿灾害的准确预测提供了依据。     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

基于贝叶斯网络的煤与瓦斯突出预测研究

贝叶斯网络是目前不确定知识和推理领域最有效的理论模型之一。为了正确预测煤与瓦斯突出的危险性,提出了一种基于贝叶斯网络的煤与瓦斯突出预测方法。在综合影响煤与瓦斯突出的因素和领域专家知识的基础上建立了网络结构,通过对先验知识和样本数据的学习,实现了煤与瓦斯突出的预测,取得了较好的效果。实验表明,该模型网络学习速度快,准确性高,是一种有效的煤与瓦斯突出危险性预测方法。     

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法（LWCA）优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明：煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

煤与瓦斯突出危险性预测的SαS-PNN模型及应用

较高精度的煤与瓦斯突出预测是煤矿安全生产的必要前提和保证.为了实现对煤与瓦斯突出危险性快速、准确和动态预测,考虑煤与瓦斯突出多种影响因素.提出一种改进的概率神经网络(PNN)煤与瓦斯突出预测模型.首先,引进一种对称Alpha稳定分布(SαS),SαS有更广泛的数学表达,其径向对称特性可充当PNN样本层中的高斯分布.在SαS的基础上,建立煤与瓦斯突出危险性预测的SαS-PNN模型.将SαS-PNN模型应用于国内26个典型矿井的煤与瓦斯突出危险性等级预测.预测结果表明:在3种不同的训练和测试下SαS-PNN模型仍具有良好的预测效果,其误判率分别为7.69%、11.54%和15.38%.说明该模型可为煤矿开采中煤与瓦斯突出危险性预测提供了一种可能的思路.     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法.通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果.研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测.     

瓦斯突出模型预测控制的应用研究

煤体瓦斯涌出量的动态变化是一个复杂的非线性系统,传统的瓦斯监测方法准确率较低。针对该问题,文章提出了一种基于BP人工神经网络模型的瓦斯突出危险性预测控制方法。该方法运用BP人工神经网络预测模型对输入的多组样本进行训练学习、建立预测准则,并以此辨识瓦斯突出危险性类型。仿真结果表明,该方法有效解决了传统的瓦斯突出预测模型在事故预测中误差大、稳定性差的缺陷,提高了预测精度。     

基于优化的量子门节点神经网络的煤与瓦斯突出预测

为了精准地预测煤与瓦斯突出风险等级,提出了一种基于子维进化的粒子群优化算法(sdPSO)和量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型sdPSO-QGNN.利用灰色关联分析(GRA)对突出影响因素进行降维处理,将筛选出的主控因素作为QGNN的输入,利用sdPSO对量子门节点神经网络参数进行优化,以提高量子门节点神经网络的全局与局部搜索能力,建立sdPSO-QGNN的瓦斯突出风险等级预测模型,实现对瓦斯突出风险的预测.实验结果表明,与BP(back propagation)神经网络、对称Alpha稳定分布的概率神经网络(SαS-PNN)、免疫粒子群算法优化的支持向量机(IPSO-SVM)、Memetic算法优化的极限学习机(Memetic-ELM)等预测模型相比,所提方法在提升模型泛化能力、提高预测精度方面效果显著.     

基于FRS与GA-ELM的煤与瓦斯突出预测研究

针对煤与瓦斯突出发生内在机理复杂性、致突因素与突出事件之间模糊性导致预测精度不高这一问题,提出将模糊粗糙集理论（FRS）结合改进的极端学习机（ELM）进行煤与瓦斯突出预测。通过FRS信息约简理论降低致突因素原始数据属性维度,提取出致突辅助因素,与主要因素共同作为ELM网络神经元输入,利用遗传算法（GA）对极端学习机网络输入权值、隐含层阈值进行优化,建立GA-ELM预测模型,模型输出为煤与瓦斯突出强度预测结果。经过模型训练和试验验证,该模型泛化能力强、预测精度高、收敛速度明显加快。