煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数．并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型．选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比．结果表明该灰色-神经网络模型能够满足煤与瓦斯突出预测的要求．     

基于因子分析与BP神经网络的煤与瓦斯突出预测

为提高煤与瓦斯突出预测的可行性与准确性,将因子分析法与BP神经网络方法相结合,提出一种改进的BP神经网络预测方法。根据平顶山八矿煤与瓦斯突出相关主要影响因素的原始数据,使用因子分析法对9个煤与瓦斯突出影响因素的原始数据进行降维处理,得到3个公共因子;将3个公共因子代替原有的9个煤与瓦斯突出影响因素作为BP神经网络输入层参数,建立因子分析法与BP神经网络法相结合的煤与瓦斯突出预测模型,对平顶山八矿煤与瓦斯突出进行预测。选取平顶山八矿煤与瓦斯突出样本对改进的BP神经网络预测方法进行验证,结果表明:3个预测样本的相对误差分别为1. 79%、3. 54%、0. 83%,均小于10. 00%。采用改进的BP神经网络预测方法可有效解决传统的BP神经网络因为输入层参数过多而数据处理效率低、迭代速率慢与精确度低等问题。     

基于GRA-SVM方法的煤与瓦斯突出预测模型研究

通过分析煤与瓦斯突出的主要影响因素,采取灰熵关联分析法进行关联度排序及特征向量的提取,利用支持向量机强大的模式识别能力,提出基于支持向量机的煤与瓦斯突出预测方法。以典型的煤与瓦斯突出样本为训练实例,利用Matlab平台下的Libsvm工具包建立预测模型,通过测试样本对模型进行验证,表明此模型具有较高的分类精度,适合于解决小样本的突出预测问题。     

BP神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是一种极其复杂的瓦斯动力灾害现象.采用煤与瓦斯突出预测常用的7项指标作为输入值,基于BP神经网络的非线性自主学习能力,智能化、定量化地识别煤与瓦斯突出的类型.该模型基于MATLAB的神经网络工具箱加以实现.实验结果证明,基于BP神经网络的煤与瓦斯突出预测模型结果可靠,效果良好,应用性比较强.     

基于PCA-Fisher判别分析模型的煤与瓦斯突出危险等级预测方法研究

为了提高煤与瓦斯突出预测精度,选取瓦斯含量、瓦斯压力、瓦斯放散初速度等11个因素作为判别指标,将煤与瓦斯突出强度分为无突出、小型突出、中型突出、大型突出4个等级。利用贵州黔西北煤矿资料中的28组数据作为训练学习样本,建立了煤与瓦斯突出危险等级预测的PCA-Fisher判别分析模型,再利用资料中其余6组数据作为预测样本,对该模型进行检验和应用,并与BP神经网络模型和Fisher判别模型的判别结果进行比较。结果表明:PCA-Fisher判别模型具有更高的准确性和可靠性,可以对煤与瓦斯突出危险等级进行有效预测。     

煤与瓦斯突出预测的距离判别分析法及应用

将距离判别分析法应用在煤与瓦斯突出预测中,建立煤与瓦斯突出预测的距离判别分析模型.选取瓦斯放散初速度、煤的坚固性系数、瓦斯压力、煤体破坏类型和开采深度等5项影响突出的主要指标作为距离判别分析模型的判别因子,以我国典型突出矿井的煤与瓦斯突出实例作为学习样本进行训练,建立相应判别函数,经过训练后的模型回判估计的误差率为零.利用该模型对云南恩洪煤矿突出实例进行预测,结果与实际情况完全符合.研究结果表明,距离判别分析模型识别性能良好,预测精度高,在研究煤与瓦斯突出预测中具有良好的实用性和有效性.     

煤与瓦斯突出预测PCA—距离判别法研究

将主成分分析与距离判别法应用于煤与瓦斯突出预测中,建立了煤与瓦斯突出预测的PCA-距离判别法模型。通过PCA法提取煤与瓦斯突出影响因素的主成分,选取贡献率大于85%的3个主成分指标来代替原有的8个指标,同时确定这3个主成分为距离判别分析法的输入参数。以平宝公司试验工作面的17组原始数据为学习样本,5组原始数据为预测样本,对该方法进行了检验,预测结果与实际符合,可以作为煤与瓦斯突出预测的一种新方法。     

基于GRA-DDA加权耦合模型的煤层突出危险性评价

为了提高煤层突出危险性评价的效率和准确度,引入距离判别分析法(DDA),选用煤层瓦斯放散初速度、煤的坚固性系数、煤层瓦斯压力、煤体破坏类型和开采深度作为判别因子,并运用灰色关联分析(GRA)计算权重矩阵,建立了煤层突出危险性评价的加权距离耦合判别模型。将30个煤与瓦斯突出实例作为学习样本进行训练,建立相应的判别准则,经过训练后的模型误判率为0。利用该模型对10个煤与瓦斯突出实例进行评判,并将评判结果与单项指标法、BP神经网络法和未加权距离判别法进行对比分析,结果表明GRA-DDA耦合模型的评判结果准确,符合现场实际情况。     

基于BP神经网络灰色关联分析的煤与瓦斯突出危险性预测

基于BP神经网络理论和灰色关联分析,建立了煤与瓦斯突出危险性预测模型,使用数学软件MATLAB7.0,对收集资料的煤层进行了突出危险程度预测,预测结果与矿井实际情况相符。表明灰色关联BP神经网络模型对煤与瓦斯突出危险性预测准确性高,具有较高的实用性。     

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

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BP神经网络预测系统研究

煤与瓦斯突出是严重危害煤矿安全生产的一种非线性瓦斯动力灾害。文章将BP神经网络运用于煤与瓦斯突出预测模型,从煤与瓦斯突出的原因、BP神经网络用于煤与瓦斯突出预测的原理、运用实例三方面,对利用BP神经网络预测煤与瓦斯突出的研究加以阐释,证明了BP神经网路预测系统的精度高于传统系统。     

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．     

基于主成分分析法的煤与瓦斯突出危险性评价

煤与瓦斯突出危险性受多个因素的影响,且各因素之间彼此具有一定的相关性,导致在对煤与瓦斯突出危险性分析评介时在一定程度上有重叠。利用主成分分析法,将各影响因素组合为几个不相关的综合指标,建立煤与瓦斯突出危险性评价的数学模型,简化了煤与瓦斯突出危险性评价的数据分析,为客观、准确评价煤与瓦斯突出危险性提供了依据。     

基于神经网络的煤与瓦斯突出强度预测专家系统

针对煤与瓦斯突出影响因素多、难以建立数学模型进行预测的难题,选取平煤集团煤与瓦斯突出案例作为学习样本,利用神经网络自学习能力强的特点构建专家知识库,开发煤与瓦斯突出强度预测专家系统;以采集到的实时数据作为预测样本进行预测验证。结果表明:该系统有较好的预测能力,提高了煤与瓦斯突出强度预测的准确性和及时性。     

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。     

中岭煤矿煤与瓦斯突出局部预测指标敏感性确定方法研究

预测指标的敏感性决定了煤层突出危险性预测的准确性,开展预测指标敏感性的研究对煤与瓦斯突出防治工作至关重要。本文以中岭煤矿为研究对象,构建了一套确定局部预测指标敏感性的方法,首先分析煤层实际发生煤与瓦斯突出的规律,进而揭示控制煤与瓦斯突出的敏感因素,在此基础上建立局部预测指标敏感性分析标准;并依据此标准对不同预测指标的敏感性开展现场考察实验。结果表明:钻孔瓦斯涌出初速度q与突出敏感因素地质构造、瓦斯含量、地应力未见明显相关性;钻屑量S与地质构造、地应力具有相关性,而与瓦斯含量未见明显相关性;钻屑解吸指标K1与上述因素均具有较明显的相关性;q对煤层突出危险性预测敏感性最差,S具有一定的敏感性,K1对煤层的突出危险性预测敏感性最强。