共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
模糊综合评判在煤与瓦斯突出监测中的应用 总被引:1,自引:0,他引:1
采用模糊综合评价和层次分析相结合的方法构建评价模型,正确预测煤与瓦斯突出的趋势和危险性。实践表明,此方法具有较高的可靠性和实用性,为煤与瓦斯突出预测和防治提供了科学的依据。 相似文献
3.
4.
5.
借助于成熟的模糊理论与技术可以较客观地实现突出预测中不精确信息与不精确关系的正确表达与处理,综合考虑突出影响因素,提出了煤与瓦斯突出区域预测的模糊模式识别新方法.首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类,建立不同程度的模糊模式.然后对待预测样本进行模糊模式识别,根据择近原则,哪一种模式与预测样本最接近,待预测样本即属于哪一种突出类型.此方法克服了模糊聚类单一分析方法的不确定性,实现了多指标定量化的预测,提高了预测效果的准确程度.通过实例验证,证明了预测的可靠性. 相似文献
6.
7.
模糊综合评判在煤与瓦斯突出监测中的应用 总被引:1,自引:0,他引:1
为了正确的预测煤与瓦斯突出的趋势和危险性,采用模糊综合评价和层次分析相结合的方法来构建评价模型。实践表明,此方法具有较高的可靠性和实用性,为煤与瓦斯突出预测和防治提供了科学的依据。 相似文献
8.
煤与瓦斯突出预测敏感指标确定方法研究 总被引:1,自引:1,他引:0
根据模糊聚类数学分析方法将淮南潘集3个矿突出预测和效检指标进行无量纲化与标准化分析,将不同量的预测指标转化成可相互比较的值,然后根据相似矩阵理论建立相关模型,进行模糊相似转换、聚类,得出1个能够确定不同矿井不同预测指标的敏感性模型,模型经过数学化模糊聚类处理,得出潘集矿区3个矿所采用的敏感指标体系的敏感度,并与实际相吻合。此种分析方法分析的指标敏感度在现场生产中起到了较好的指导作用,可以用于煤与瓦斯突出预测敏感指标的确定应用。 相似文献
9.
煤与瓦斯突出危险等级预测 总被引:3,自引:0,他引:3
针对我国对煤与瓦斯突出进行统一定级,统一管理,煤与瓦斯突出的防治工作存在盲目性等现象,提出采用层次分析法和模糊综合评判法,预测神仙坡煤矿工作面的突出危险等级,将突出程度划分为三个等级,对煤与瓦斯突出矿井的管理具有一定的指导意义。 相似文献
10.
11.
针对钱家营矿5煤层、7煤层、9煤层、12煤层主要可采煤层赋存特征,通过对瓦斯压力、瓦斯含量、煤厚变异、地质构造、煤的结构特性和顶底板岩性的对比分析,以及运用模糊综合评价法求其评分,初步确定了地质构造因素具备突出关键因素的可能。结合瓦斯地质和钻探资料,地质构造因素能够很好地解释各煤层可能突出区域的强弱关系,符合煤与瓦斯突出是地应力、瓦斯、煤体结构共同作用的结果。依据断层埋深、断层长度、断层条数、密集程度和褶皱关系将地质构造因素划分成四个区域,运用层次分析法取其权重,量化了地质构造因素。综合结果表明,地质构造因素是钱家营矿煤与瓦斯突出的关键因素。 相似文献
12.
13.
针对响水矿井煤与瓦斯突出各因素的控制程度进行综合评价,结合影响煤与瓦斯突出各因素众多的特点,运用模糊数学理论,建立了响水矿井煤与瓦斯突出多层次模糊综合评价模型。采用事故致因理论从人、机、环境、管理的角度系统地分析了响水矿井煤与瓦斯突出事故的致因因素。考虑各类因素以及同类因素间的模糊性,计算出煤与瓦斯突出因素类及因素间权重度和隶属度,针对控制较为薄弱的因素采取行之有效的措施,防止煤与瓦斯突出事故的发生。 相似文献
14.
15.
16.
随着采掘深度的加大和采掘速度的不断提高,越来越多的煤层在开采过程中发生动力现象,发生了严重的煤与瓦斯突出。但是导致煤与瓦斯突出的各因素具有模糊性,日常工作中很难清晰地判断工作面有无突出危险性。为了有效地防治突出,在实践中采用了许多方法,但是各种方法都不能准确地对煤层突出危险程度进行预测和预报。研究表明,模糊聚类分析应用模糊数学原理能够综合考虑多个不确定的、模糊的因素,然后对这些因素进行分类,将具有相似程度的因素聚合在一起。因此,本文利用模糊聚类分析对羊渠河矿工作面和掘进面的突出性进行预测,经实践证明是可行的。 相似文献
17.
根据一元回归分析方法,构建了煤与瓦斯突出影响因素评估模型,并以平顶山矿区为研究对象,对平顶山矿区煤与瓦斯突出影响因素进行了分析与评估,找出了平顶山矿区煤与瓦斯突出影响主要因素,有效减少防突工作的盲目性,为煤与瓦斯突出防治工作提高科学依据。 相似文献
18.
运用层次分析法对影响煤与瓦斯突出的定性因素进行定量化研究并建立评价模型。实例分析了贵州某矿发生的突出事故,确定了各影响因素的权重系数,评价结果与实际比较相符,为制定煤与瓦斯突出防治措施提供了科学的理论依据。 相似文献
19.
20.
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:4,自引:0,他引:4
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.结果表明该灰色一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