共查询到20条相似文献,搜索用时 234 毫秒
1.
煤与瓦斯突出灰色-神经网络预测模型的建立及应用 总被引:1,自引:0,他引:1
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. 相似文献
2.
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. 相似文献
3.
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。 相似文献
4.
5.
6.
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。 相似文献
7.
煤与瓦斯突出预测的距离判别分析法及应用 总被引:2,自引:0,他引:2
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. 相似文献
8.
9.
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。 相似文献
10.
11.
12.
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. 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.
16.
17.
18.
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。 相似文献
19.
20.
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。 相似文献