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。     

兴安煤矿矿井瓦斯涌出量预测研究

本文以山西榆次北山兴安煤矿为工程实例,通过分源预测模型对该矿井的回采工作面、掘进工作面、生产采区以及矿井瓦斯涌出量进行预测。通过理论计算及预测结果分析表明：15_下号煤层回采时,回采工作面瓦斯涌出量组分中,以开近层为主、邻近层为辅。第一时期、第二时期、第三时期开采时和第四时期开采时,开采层瓦斯涌出量平均占比93.77%,邻近层瓦斯涌出量平均占比6.23%。采区瓦斯涌出量组分中,第一至四时期开采时,采区瓦回采面、掘进面以及采空区斯涌出量平均占比分布为56.88%、19.99%和23.13%;矿井瓦斯涌出量组分中,第一至四时期开采时,生产采区瓦斯涌出量占比83.38%,已采采区瓦斯涌出量占比16.62%。预测结果可为兴安煤矿瓦斯抽采技术的应用与工程实践提供理论指导。     

基于瓦斯地质理论的矿井瓦斯含量与涌出量预测

介绍瓦斯含量与涌出量的主要影响因素,提出基于瓦斯地质理论的瓦斯分布预测,解释预测模型的基本原理、预测方程的建立等。将预测模型应用到实际矿井瓦斯分布预测中,结果显示该预测模型能够较好地反映矿井瓦斯真实分布,能给煤矿开采提供参考。     

大东庄煤矿瓦斯涌出量预测

采用井下钻屑解吸法对大东庄煤矿4#煤层的瓦斯含量进行了实测,根据瓦斯含量测值和组分确定了4#煤层处于瓦斯风化带中的氮气带。依据煤层瓦斯风化带下限瓦斯涌出量指标对4#煤层相对瓦斯涌出量和绝对瓦斯涌出量进行预测,得知大东庄煤矿4#煤层属于低瓦斯矿井。     

基于HHT-CS-ELM的瓦斯涌出量时序预测

为有效挖掘瓦斯涌出量监测数据隐含特征,预防瓦斯动力灾害,基于希尔伯特-黄变换(HHT)方法、布谷鸟搜索算法(CS)和极限学习机(ELM)基本理论,构建了瓦斯涌出量的HHT-CSELM动态预测模型。通过EMD将样本序列分解成多个不同频率的本征模态函数(IMF)分量;利用Hilbert变换获取各分量的瞬时频率,并据此将IMF分量划分成较高频和低频,采用不同的预测模型进行预测,经叠加各预测值得到最终预测结果。以汾西矿业集团某矿瓦斯涌出量监测数据为例进行仿真实验,结果表明:HHT方法能有效降低数据复杂度,其最小相对误差为0.144%,最大相对误差为0.388%,平均相对误差为0.281%,具有较高的预测精度和泛化能力;更好地适用于非平稳时间序列预测。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

矿井瓦斯是煤矿生产过程中存在的主要的不安全因素,煤矿瓦斯涌出量在很大程度上影响着矿井的设计及开采。文章提出利用灰色神经网络预测矿井瓦斯涌出量的思路,并对灰色神经网络模型进行了全面阐述,之后对模型进行了仿真分析。     

采煤工作面瓦斯涌出量的建模预测

应用逐步回归分析原理，在优选工作面瓦斯涌出量影响因素的基础上，建立了适合桑树坪煤矿３＾＃煤层瓦斯涌出量预测的数学模型，为工作面绝对及相对瓦斯涌出量预测提供了可靠依据。该方法具有普遍的实用性。     

基于LASSO-LARS的回采工作面瓦斯涌出量预测研究

正确预测瓦斯涌出量对于煤矿安全生产有重要的现实意义,但是,工作面瓦斯涌出规律复杂,瓦斯涌出量各影响因素之间存在多重共线性,严重影响了预测的准确性。为研究回采工作面瓦斯涌出量与其多个影响因素之间的关系和特点,消除各因素之间的多重共线性,避免瓦斯涌出量预测出现“维数灾难”以及发生函数过拟合等问题,采用LASSO惩罚回归预测模型进行仿真预测,在原始特征空间的基础上,通过LARS算法实现降维,剔除无关和冗余的特征,最终筛选出一个包含煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层挥发分产率、风量和煤层间距等6个高影响因素在内的最优特征子集,并使用交叉验证法将数据集分成10份,轮流将其中9份作为训练数据,1份作为测试数据,进行试验。最终,选取最高识别率的测试集参数建立预测模型,对煤矿现场数据进行预测,并与传统的主成分分析法预测结果进行了比较。研究结果表明：应用该模型预测回采工作面瓦斯涌出量,能够较好的保存原始数据集的特征意义,预测平均相对误差为6.52%,平均相对变动值为0.006,均方根误差为3.20,在预测精度和泛化能力方面,均明显优于传统的主成分分析回归模型,能够为井下瓦斯防治提供理论参考,对其...     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。     

基于灰色理论的矿井未开采区瓦斯涌出量预测

矿井瓦斯涌出量与煤层埋藏深度密切相关,文章以不同煤层埋藏深度及其相对瓦斯涌出量数据为原始序列,将非等间隔序列转化为等间隔序列,通过灰色处理建立微分方程预测模型,使用灰色预测模型预测了采深增加后的未开采区瓦斯涌出量大小,对开采下部煤层时瓦斯治理工作提供了数据支持.     

基于EMD-ARMA的矿井瓦斯涌出量预测

以矿井瓦斯涌出量预测方法为主要研究目的,针对瓦斯涌出量影响因素多,各因素间耦合机理及瓦斯涌出量变化规律复杂等诸多预测难点,提出了一种基于经验模态分解(EMD)和ARMA时间序列的综合分析方法,采用经过处理的时间序列对矿井瓦斯涌出量进行具体预测。根据各样本数据的不同特点选取合适的模型,建立EMD-ARMA预测模型,对矿井瓦斯涌出量及其变化趋势进行预测。     

基于灰色模型的瓦斯涌出量预测

运用灰色模型得出了回采工作面和掘进工作面的瓦斯涌出量预测值;统计分析了7601综采工作面日产量(日进度)与相对瓦斯涌出量之间的关系;运用MATLAB曲线拟合工具,通过对原始数据的等间隔序列化等处理,得到了灰色预测模型。实测检验表明该方法预测结果与实际基本吻合。     

基于GM(1,N)_GRNN组合模型的瓦斯涌出量预测研究

为解决瓦斯涌出量影响因素众多、难以准确预测的问题,本文利用多变量灰色系统易于处理不规则数据,GRNN神经网络模型训练速度快、人为干预因素少等优势,建立起1阶N变量灰色模型与GRNN神经网络嵌入型组合模型GM(1,N)_GRNN。用该模型对某煤矿回采工作面的瓦斯涌出量进行了预测,并与GM(1,N)模型、GRNN两种模型单独预测的结果做了对比,发现组合模型预测结果的平均误差仅3.7%,明显优于两种模型单独预测的平均误差。因此,对煤矿安全生产有重要指导意义。     

基于GM(1,1)模型的矿井瓦斯涌出量预测研究

以预测矿井瓦斯相对涌出量为研究目的,应用灰色系统理论,建立了预测矿井瓦斯涌出量的灰色系统GM(1,1)模型,并对其不断优化,再采用后验差检验对预测模型的结果进行了判断。实例表明,该模型的计算精度符合工程实际,可用于矿井瓦斯涌出量的预测。其方法与结果对治理瓦斯、保证煤矿的安全生产具有重要意义。     

瓦斯涌出量预测的GM(1,1)模型改进

为了提高GM(1,1)模型预测矿井瓦斯涌出量的精度,分析了造成方程病态的原因,采用全最小一乘准则进行参数a和b的求解,解决了参数求解的稳健性问题。以玉河泰煤业1318采煤工作面为例,将改进的GM(1,1)模型用于矿井瓦斯涌出量预测,能够取得比传统GM(1,1)模型要高的预测精度,为矿井瓦斯治理提供依据。     

基于随机森林的回采工作面瓦斯涌出量预测模型

正确预测回采工作面瓦斯涌出量,对于煤炭企业安全生产具有重要意义。通过引入数据挖掘中的随机森林算法,构建了回采工作面瓦斯涌出量预测模型,研究表明该模型具有较好的预测效果。     

限定记忆的GM-RBF瓦斯涌出预测模型

针对现阶段瓦斯涌出量预测中存在的样本数据库过饱和现象,提出了一种限定记忆模式的多维GM-RBF瓦斯涌出量预测模型;基于软测量思想引入了代谢因子,变一维瓦斯涌出量数据为多维辅助变量和主导变量,构建了多维动态数据集;对车集煤矿2612工作面的实例验证结果表明:限定记忆模式下的多维GM-RBF模型拟合曲线离散性最小,瓦斯浓度变化趋势和实际监测结果最为接近,对煤矿工作面瓦斯涌出量的预测具有更高的准确性。     

瓦斯涌出量预测的高斯过程机器学习模型

高斯过程是新近发展的一种机器学习方法,对处理复杂非线性问题具有很好的适应性。采煤工作面瓦斯涌出量与其影响因素之间存在着复杂的非线性关系,针对传统预测方法的局限性,提出了瓦斯涌出量预测的高斯过程机器学习模型。通过对少量学习样本的学习,采用该模型可建立瓦斯涌出量与其影响因素之间的复杂非线性映射关系。将模型应用于工程实例,研究结果表明,瓦斯涌出量预测的高斯过程机器学习方法是科学可行的,具有预测精度高、适用性强、参数自适应化且易于实现的优点。     

基于支持向量机理论的煤矿瓦斯涌出量预测研究

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,采用径向基核函数把支持向量机算法中的低维空间向量集映射到高维空间,进而建立基于实验数据的煤矿瓦斯涌出量预测模型。样本数据分为训练样本、测试样本和校验样本,结合MATLAB强大的运算功能,进行仿真研究。结果显示:整个系统具有较强的逼近和容错能力,以及较快的收敛速度,对煤矿瓦斯涌出量具有较好的预报效果。