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。     

支持向量机在煤与瓦斯突出预测中的应用

为了准确预测煤与瓦斯突出危险,首先利用灰色关联分析的方法寻找出影响煤与瓦斯突出的关键性因素,然后利用MATLAB的SVM工具箱建立煤与瓦斯突出的预测模型,并应用此模型识别瓦斯突出的类型。该模型基于MATLAB的SVM工具箱加以实现。实验结果表明,基于灰色关联分析的SVM煤与瓦斯突出预测模型结果可靠,效果良好,应用性强。     

基于支持向量分类机的煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出预测的准确性,提出了基于支持向量分类机的煤与瓦斯突出危险性分类的预测方法。该方法以地应力、瓦斯压力、煤的厚度和煤样筛分模数作为特征值,建立了煤与瓦斯突出危险性预测模型,分别选用单项式、多项式、RBF以及Sigmoid核函数对所选样本训练学习,确定了RBF做为预测突出危险性模型的核函数。     

灰色关联分析在煤与瓦斯突出预测中的应用

通过大量的统计分析,运用灰色关联分析各个煤与瓦斯突出因素在突出过程中所起作用的重要性,按照关联度大小的顺序排序,寻求出与突出关系最为密切的主控因素,确定出最可能的灵敏指标,以提高突出预测的准确性。     

基于灰色关联理论的煤与瓦斯突出预测指标的优选

为实现煤与瓦斯突出的准确预测,减少突出预测的工作量,依据灰色关联理论,对试验矿煤与瓦斯突出预测的3个指标S、Δh2和K1进行灰色关联分析,确定各指标对煤与瓦斯突出的灰色关联度和敏感性。结果表明突出预测指标K1对该矿煤与瓦斯突出的灰色关联度最大,敏感性最高,可作为该矿突出预测的最优指标。     

灰色理论在煤与瓦斯突出的主控因素分析中的应用

首先分析了现有的煤与瓦斯突出的控制因素与评价方法，然后利用灰色理论创立了煤与瓦斯突出综合评价的加权灰色关联分析方法。并以某矿为例．应用该方法分析了煤与瓦斯突出控制因素，找出了主控因素并对影响因素进行了排序，分析计算结果符合实际情况综合灰色关联分析方法为煤与瓦斯突出预测准确性的提高提供了新的方法。     

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。     

煤与瓦斯突出问题研究

煤与瓦斯突出,是一种突发性的、破坏性相当严重的自然现象,往往会导致伤亡惨重的恶性事故,严重威胁煤矿的安全生产及工作人员的生命安全。本文就煤与瓦斯突出的机理、规律和预测方法做了简要的论述,并对突出的防治提出了若干解决方案。     

基于灰色关联分析的煤与瓦斯突出预测指标优选

煤与瓦斯突出是煤矿地下开采过程中的一种动力现象,猛烈的动力效应可导致火灾和爆炸事故的发生。因此,对煤与瓦斯突出的相关因素合理地预测与评价,对煤炭工业的健康持续发展具有重要意义。利用灰色理论中灰色关联分析数学模型,定量分析了6种预测煤与瓦斯突出的指标,并确定了最佳预测指标,为煤与瓦斯突出预测指标的选择提供了定量化依据。     

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．     

基于突变理论的煤与瓦斯突出危险性预测的研究

将突变理论引入到煤与瓦斯突出危险性预测的研究中,进行了将突变理论和模糊数学结合的突变级数法进行突出预测的研究,从而构建了煤与瓦斯突出危险性预测的评价模型.基于突变理论的煤与瓦斯突出危险性的预测研究,综合考虑了不同指标对突出危险性的影响程度,通过实例分析计算表明,该方法预测结果能较好地与实际相吻合.     

Matter-elements model and application for prediction of coal and gas outburst

The theory and method of extenics were applied to establish classical field matter elements and segment field matter elements for coal and gas outburst. A matter-element model for prediction was established based on five matter-elements, which included gas pressure, types of coal damage, coal rigidity, initial speed of methane diffusion and in-situ stress. Each index weight was given fairly and quickly through the improved analytic hierarchy process, which need not carry on consistency checks, so accuracy of assessment can be improved. Supported by the National Natural Science Foundation of China (50534080); the Science and Technology Research Project of Chongqing (CSCT, 2006AA7002)     

声发射连续预测煤与瓦斯突出技术研究

评述了我国煤与瓦斯突出预测技术现状及发展趋势,指出动态连续预测技术是有前途的。介绍了新开发的AEF-1型声发射监测新装备的功能和技术特点,采用嵌入式PC结构,可进行全波形数据采集。探讨了AE声发射预测煤与瓦斯突出的滤噪工艺和预测工艺技术。     

煤与瓦斯突出预测新指标及其装备的研究

以煤与瓦斯突出机理的综合假说为基础,通过对煤层发生突出最小瓦斯压力值及瓦斯解吸指标与瓦斯压力间关系的实验研究,提出了将瓦斯解吸指标和煤体强度相结合的新的突出预测指标;并研制了利用钻屑快速测定煤体普氏系数f值的装置,契现了该指标在井下的直接测定。     

基于层次分析法的煤与瓦斯突出预测研究

为了对煤与瓦斯突出进行预测,采用层次分析法研究了煤与瓦斯突出预测方法,分析了煤与瓦斯突出因素,对煤与瓦斯突出瓦斯压力和瓦斯含量临界值进行了确定。建立了煤与瓦斯突出的相关指标的层次分析模型。研究得出,某矿5号煤层的煤层瓦斯压力指标临界值为0.68 MPa,5号煤层瓦斯含量指标临界值为10.8 m³/t;影响煤与瓦斯突出的指标依次为煤的破坏类型和坚固性系数、顶板强度和厚度、煤层厚度、瓦斯压力、地质构造、瓦斯含量和埋深。研究为类似条件下煤与瓦斯突出预测提供了技术支持。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.     

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。     

煤与瓦斯突出工作面预测系统的设计

随着计算机与网络技术的发展,需要对现有的一些煤矿安全预测管理系统进一步更新和完善.由此采用B/S体系结构,利用ASP.NET和ADO.NET技术构建了煤与瓦斯突出工作面预测系统,并对系统的主要功能、系统的设计、实现技术和实现过程进行了阐述.     

煤与瓦斯突出预测的Bayes-逐步判别分析模型及应用

为提高煤与瓦斯突出预测的准确性,基于判别分析理论,通过逐步判别法筛选出瓦斯放散初速度、瓦斯压力、软分层厚度3个煤与瓦斯突出敏感指标作为突出判别因子,将煤与瓦斯突出危险性分为4个等级作为Bayes判别分析的4个正态总体,建立了煤与瓦斯突出预测的Bayes-逐步判别分析模型。利用该判别模型对20个煤与瓦斯突出实例进行训练学习得出相应的判别函数,用回代估计的方法进行逐一验证,其误判率为0。将建立的判别模型应用于8个突出实例进行判别预测,其结果与实际情况完全吻合。