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。     

采煤工作面瓦斯涌出量的聚类预测

以预测回采工作面瓦斯涌出量为研究目的,应用模糊C均值聚类算法对回采工作面瓦斯涌出资料进行聚类分析,得到各样本的类别、聚类中心和样本对于各类的隶属度;根据瓦斯涌出量值建立分类标准,验证了模糊C均值聚类算法在瓦斯涌出量分类方面的实用性;根据瓦斯涌出量的影响因素和聚类中心,应用灰色关联分析法建立回采工作面瓦斯涌出量的归类预测模型,对待测样本进行预测,实现了瓦斯涌出量的聚类预测;最后,用实例论证了该方法的可行性和有效性.     

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。     

基于灰色-神经网络组合模型的瓦斯涌出量预测

针对煤矿瓦斯涌出量,建立了以预测方法有效度为优化指标的求解组合预测权重系数的优化模型,并对灰色—神经网络组合预测模型采用简化方法求解。预测结果表明:该模型比使用灰色和神经网络预测模型能获得更高的精度,可用于矿井瓦斯涌出量的预测。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

回采工作面瓦斯涌出量的聚类分析及归类预测模型的建立

为了预防瓦斯灾害的发生,以实现回采工作面瓦斯涌出量的准确预测,在对回采工作面瓦斯涌出量实测数据统计的基础上,应用模糊C均值聚类算法进行回采工作面瓦斯涌出量的聚类分析,得出各数据的聚类中心和样本数据对于分类的隶属度;建立回采工作面瓦斯涌出量的归类预测模型,对待测瓦斯涌出样本进行预测,实现了瓦斯涌出量的归类预测;最后,用实例论证了该方法的可行性和有效性.研究结果表明:隶属度表征样本属于各个类别的程度,同时也证明了瓦斯涌出量与各个影响因素之间的关系是非线性的;采用归类预测模型对待测样本进行归类预测,通过比较样本与聚类中心的关联度大小,判定样本的归属类别,避免了人为的主观性和盲目性;该方法可行、实用,是一种有效的瓦斯涌出量归类预测方法.     

基于WOA-LSTM的工作面瓦斯涌出量预测研究

为了提高瓦斯涌出量预测的科学性和准确性,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的瓦斯涌出量多步预测模型。该模型首先采用皮尔逊(Pearson)相关系数法进行瓦斯涌出量影响因素的特征分析,筛选了9个主要影响瓦斯涌出量变化的特征作为模型的外部输入特征;其次采用鲸鱼优化算法对LSTM神经网络的隐藏层神经元个数、时间步长、批处理数进行优化;最后,构建WOA-LSTM模型进行瓦斯涌出量预测,实验研究了不同时间步长下模型的预测精度并对比分析了LSTM、RNN、BP模型的预测效果。结果表明：基于WOA-LSTM的瓦斯涌出量多步预测模型在3个时间步长的预测模型误差值达到最小,其平均绝对误差相较于LSTM、RNN和BP神经网络模型分别降低了41.6%、46.6%、65.8%,具有较强的鲁棒性,可为矿井瓦斯的防治提供参考。     

基于BP神经网络的瓦斯涌出量预测的研究

应用神经网络理论知识,结合贵州某矿的实测数据,建立了基于BP神经网络的瓦斯涌出量预测模型,通过数学软件MATLAB7.0对瓦斯涌出量进行预测,预测结果与实际涌出量吻合度较高,说明了BP神经网络在瓦斯涌出量预测上的可行性。为煤矿的安全生产中瓦斯量的预测提供了一种新的途径。     

基于极限学习机的煤矿瓦斯涌出量预测研究

为有效挖掘煤矿瓦斯涌出量数据的非线性特征,及时消除煤矿瓦斯安全风险,降低瓦斯灾害的发生概率,建立了以极限学习机算法为核心的煤矿瓦斯涌出量预测模型.同时,为验证其鲁棒性及优越性,引入BP神经网络模型进行对比分析.研究结果表明,基于ELM的煤矿瓦斯涌出量预测模型能够对煤矿瓦斯涌出量数据特征进行良好的描述,且各项对比指标均优...     

Hybrid optimization model and its application in prediction of gas emission

According to the complex nonlinear relationship between gas emission and its effect factors, and the shortcomings that basic colony algorithm is slow, prone to early maturity and stagnation during the search, we introduced a hybrid optimization strategy into a max-min ant colony algorithm, then use this improved ant colony algorithm to estimate the scope of RBF network parameters. According to the amount of pheromone of discrete points, the authors obtained from the interval of network parameters, ants optimize network parameters. Finally, local spatial expansion is introduced to get further optimization of the network. Therefore, we obtain a better time efficiency and solution efficiency optimization model called hybrid improved max-min ant system (HI-MMAS). Simulation experiments, using these theory to predict the gas emission from the working face, show that the proposed method have high prediction feasibility and it is an effective method to predict gas emission.     

基于主因子分析的改进BP神经网络瓦斯涌出量预测

为提高回采工作面瓦斯涌出量预测效率和准确率,基于反向BP神经网络,采用主因子分析法对变量进行降维处理;结合遗传算法(GA)和附加动量法,采用遗传算法优化BP神经网络初始权值和阈值,建立基于主因子分析的GA—BP神经网络预测模型,并在权值反向更新过程中引入动量项。选取开滦矿业集团钱家营矿井瓦斯涌出量监测数据作为标签数据与输入数据,对不同网络模型进行了仿真与分析,结果表明：改进的GA—BP神经网络模型在603个时间步长里达到收敛,平均相对误差约为0.58%,预测精度和效率均优于其他神经网络模型,能更有效地实现瓦斯涌出量的准确预测。     

概率积分预计参数的ENN优化算法

为了提高ENN(Elman neural network)神经网络获取概率积分预计参数的准确性，以我国30个地表移动观测站的实测数据作为学习训练和测试的样本数据，采用强稳健局部加权回归法（Rlowess,RW)对30个地表移动观测站数据进行降噪处理，采用蚁群算法（Ant Colony Optimization,ACO）对ENN神经网络的权值和阈值进行优化，构建了ACO ENN概率积分预计参数解算模型。结果表明：对比分析ACO ENN模型解算RW降噪处理前后的实测数据，发现RW降噪处理显著提高了数据质量，提高了解算模型的预测精度；利用ACO ENN模型解算下沉系数、水平移动系数、主要影响角正切及拐点偏移距的平均相对误差分别为2.41%、3.48%、6.11%和1.67%， ACO ENN模型对于概率积分预计参数的解算精度优于传统ENN算法，为精确获取概率积分预计参数提供了新思路。     

蚁群神经网络在煤矿安全评价中的应用

煤矿安全评价是预防和控制煤矿灾害事故的重要内容。将蚁群算法和神经网络结合起来,用蚁群算法来训练神经网络的权值,建立了基于蚁群算法的神经网络安全评价模型,并将其应用于煤矿安全评价。经实践证明,该模型具有神经网络广泛映射能力和全局收敛的性能。     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。     

基于小波神经网络的煤岩破裂电磁辐射预测模型研究

针对电磁辐射信号的特点,提出用小波神经网络建立煤岩破裂电磁辐射预测模型,用最大最小蚁群算法来训练网络初始参数,改善网络性能,并引入扰动因子和惩罚因子来解决算法的局部收敛和收敛速度慢的问题。以开滦煤样为例,应用结果表明,该模型精度高、响应快、实时性较好,具有良好的应用前景。     

基于相似日原理和CPSO-Elman模型的光伏电站短期功率预测

为了提高光伏电站短期预测功率的精度,提出一种基于相似日原理和改进CPSO-Elman神经网络模型的光伏电站短期功率预测方法。将历史运行数据按照时长划分不同季节,采用欧式距离对天气类型进行处理并建立天气类型系数,通过灰色关联分析法和余弦相似度指标结合选取相似日。由于粒子群算法搜索速度慢且存在易早熟等缺陷,采用改进混沌粒子群（CPSO）来优化Elman神经网络的权值和阈值,对夏季不同天气类型条件下的短期功率分别预测。选用南疆某光伏电站2020年运行数据进行分析,结果表明:CPSO-Elman在非晴天条件下也具有较高的预测精度。     

基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

高应变率下岩石的蚁群智能动态本构模型

针对蚁群算法在优化网络权值过程中存在搜索速度慢和精确度的问题,将梯度下降法作为优化算子嵌入蚁群神经网络,提出了一种新型混合蚁群神经网络,并根据花岗岩的高应变率动态实验,构建了一种动载高应变率作用下花岗岩本构关系分析的蚁群智能模型,其拟合结果与实际情况吻合,对于研究在高应变率下岩石动力学性能具有借鉴意义。