基于VMD-BiLSTM组合模型的矿井涌水量时间序列预测方法研究

矿井涌水量的精准预测对确保煤矿安全生产和保护地下水环境具有重要作用。为提高矿井涌水量时间序列预测精度,构建了一种基于变分模态分解（VMD）与引入贝叶斯算法优化双向长短期记忆网络（BiLSTM）的矿井涌水量组合预测模型。首先,利用VMD将矿井涌水量时序数据分解为多个子序列,然后将分解所得各子序列分别输入到BiLSTM模型中,引入贝叶斯算法优化各模型的超参数,最后,将各子序列的预测结果进行叠加求和得到最终预测值,并与其他模型的预测结果进行对比分析。结果表明,本模型在单步预测中优势较为明显,在多步预测中的表现也相当不俗,预测精度可以达到生产需求,验证了该模型在矿井涌水量时序预测方面的有效性和适用性。     

基于神经网络的矿井涌水量预测研究

基于神经网络罚项OBS模型和神经网络集成个体训练的IEFA.IA算法,建立了单一神经网络和神经网络集成两种实用简单的煤矿涌水量预测模型,通过典型数据训练和现场应用,预测精度完全能够满足企业需要,实现了矿井涌水量的智能预测,为煤炭企业的高层管理者提供了重要的决策支持依据.     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

一种基于耦合算法的矿井风流温度预测新方法

针对矿井风流温度预测工作的复杂性及各个影响因素的模糊的非线性关系,传统预测方法难以构建预测模型,导致预测精度低的特点,提出一种基于RBF神经网络的矿井风流温度预测方法;并利用粒子群算法对RBF神经网络参数进行寻优,利用煤矿历史数据对预测模型进行仿真研究。结果表明,提出的基于改进粒子群算法的RBF神经网络模型(MPSO-RBF)具有收敛速度快,预测精度高的特点,为矿井风流温度预测领域提供理论支撑。     

宁东矿区未来15年矿井水量变化分析

通过对宁夏煤业公司在宁东4个矿区分布的13对矿井已开采的102个工作面涌水量分析计算,总结出各矿井涌水量计算参数,再用研究确定的矿井涌水量参数分别计算未来15年各矿井开采的530个采煤工作面预测涌水量分布,总结未来15年宁夏煤业公司宁东矿区涌水量变化规律,指导未来15年矿井水防治和综合利用。     

用群智能算法确定井下火灾多救护队最优路径

确定最优应急救援路径是应对矿井火灾的首要任务。通过判断井巷可通行性、确定井巷通行难易度系数,解算了井巷当量长度,构建了基于多救护队的井下火灾救援路径模型。依据粒子群算法和蚁群算法的优点,提出了混合策略,即利用粒子群算法搜索蚁群算法参数α、β、ρ,再反馈到蚁群算法中,对多救护队最优救援路径进行搜索。通过MATLAB软件平台,利用该混合算法求解实例中最优救援路径,即当量长度最短的路径,为矿井事故预案救援和井下人员应急逃生提供理论依据。     

PSO优化算法在尾矿库空间预测中的应用

由于尾矿库的空间变异特殊性,传统的插值法预测精度不高,误差很大。为解决这一问题,考虑到粒子群算法在求解非线性问题时具有更强的全局搜索能力、并行性和多样性、适应性和自适应性,提出了一种基于粒子群算法优化Kriging模型来拟合尾矿库内部参数数据的克里格空间预测算法,旨在提高尾矿库内部参数信息的拟合精度,减少误差。为验证改进算法的有效性,采用多种预测评价指标进行分析,并与传统Kriging进行交叉验证分析,确定优化算法的可靠性。结果表明：相比于传统的加权最小二乘法拟合法,采用PSO算法拟合 Kriging 模型参数时,内摩擦角平均误差率降低了23.36%,黏聚力平均误差率降低了8.45%,证明算法可行和有效。     

基于灰色系统理论的矿井涌水量预测

准确的矿井涌水量预测是保证安全生产的必要措施。由于众多因素均会对矿井涌水量造成影响,给预测带来一定难度。利用灰色系统理论可以有效预测时间序列的特点,将灰色系统理论应用到矿井涌水量预测之中,建立起灰色预测模型并通过实际的工程实践应用验证了该模型在矿井涌水量预测中的可行性及对矿井涌水量进行预测时的建议。     

矿井通风网络的多种群自适应粒子群算法优化研究

针对矿井通风网络分支风量优化问题,以矿井通风网络的总功率最小为目标,结合矿井模型中风量平衡方程、风压平衡方程、分支阻力方程以及风机特性曲线方程等约束条件,提出一种多种群自适应粒子群优化算法(MA-PSO)对矿井通风网络实现寻优。首先对随机生成的种群进行初始化预处理,将适应值从高到低排序,然后以预处理后的局部最优解为圆心,以局部最优解与其他粒子的欧式距离的平均值为半径,将种群划分成五个子种群,接着在速度更新公式中引入拓扑项和种群交流因子,以种群为单位在求解空间中搜索,保障种群的多样性,从而加快种群进化和算法收敛速度;最后采用自适应权重和冗余粒子初始化淘汰策略,提高算法搜索能力和学习能力。仿真结果表明:该算法具有较好的多模态寻优率、更快的收敛速度和更高的收敛精度,优化后通风系统消耗的总功率较之前相比下降26. 78%,节能效果显著。     

基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

西南地区煤矿砂岩裂隙含水层矿井涌水量预测

矿井涌水量是确定矿床水文地质条件复杂程度的重要指标。在砂岩裂隙含水层矿井中不存在大的联通管道的情况下,选用"大井法"对矿井涌水量进行预测是简单可行的。以某煤矿为例,介绍了"大井法"预测矿井涌水量参数的求取和确定过程,对类似矿井选择涌水量预测方法具有参考价值。     

基于深度置信网络的矿井涌水量预测研究

在矿井开采过程中，准确预测矿井涌水量对于矿井防治水及高效、安全生产具有重要意义。针对矿井涌水量影响因素复杂导致预测精度不高的问题，提出一种基于深度置信网络(DBN)间接预测矿井涌水量的方法。针对不同的盘区建立相应的DBN涌水量预测模型，对矿井各个盘区水仓提取涌水量数据，之后分别导入DBN预测模型进行预测，得到各个盘区的涌水量，进而得出矿井总体涌水量，同时将结果分别与BP、ELM神经网络以及DBN直接预测矿井涌水所得到的预测结果进行对比。试验结果表明，DBN间接预测的预测精度最高，其平均绝对百分误差仅有5.85%,运行时长也大幅缩短，说明DBN间接预测矿井涌水量模型具有更好的预测效果。研究结果为矿井涌水量的准确预测提供了一种新的方法。     

岩土工程弹塑性反分析的改进粒子群算法

为了克服常规粒子群算法(PSO)应用于岩土工程弹塑性反演时搜索效率较低、计算工作量大的缺点,通过对算法中适应值比较方式和粒子运动模式的深入分析,指出了其中存在的制约搜索效率的内在因素,并提出相应修改策略,在此基础上形成一种新的改进粒子群算法(IPSO);将新算法用于岩土材料弹塑性参数反演,结果表明,与常规粒子群算法相比,改进算法明显提高了参数的搜索效率,利用较少的迭代次数就能得到满足精度要求的结果,从而减小了岩土工程弹塑性反分析的计算量,是一种可行的参数反演方法.     

混合PSO算法优化异步电机矢量控制参数在矿井提升机的应用

在矿井提升机异步电机的矢量控制技术中,对于采用PI控制的电流闭环控制方式,PI控制器的参数的优化尤为重要。利用一种混合粒子群(PSO)算法对异步电机速度控制器的参数进行优化,并与常规控制器参数以及标准粒子群算法优化后的速度控制器参数进行比较,实验结果表明,用混合粒子群算法优化的参数,可以提高系统的控制速度、动态性能,对矿井提升机异步电机矢量控制的研究具有一定的理论和现实意义。     

基于多粒子群优化的RBF神经网络瓦斯涌出量模型研究

针对井下瓦斯涌出量预测的问题,建立RBF神经网络,引入多粒子群优化神经网络模型。多粒子群算法分割经典的单粒子群算法为多个线程,同时优化了学习因子和惯性权重,这样既增加算法的遍历性又使算法的二次精细搜索能力增强。     

赵各庄矿矿井涌水量预测方法分析

针对赵各庄矿矿井涌水量预测,结合矿井开采实际,对矿井涌水量的多种预测及计算方法进行分析和总结。通过比较预测涌水量与实际涌水量的误差情况,分析总结各预测方法精度,并进行实用性评价,对于误差大于30%的预测方法,分析产生误差原因,探讨改进措施。结果表明,相关分析法和时间序列法比较适合预计类似赵各庄矿这样开采年代久远、有多年观测资料的矿井涌水量,为水文地质条件相似的设计矿井或采区矿井矿井涌水量预测提供参考。     

基于DRN-BiLSTM模型的矿井涌水量预测

针对矿井涌水量预测中存在的深度学习模型预测精度不高和适用性不强的问题，提出了一种基于深度残差网络（Deep Residual Network, DRN）和双向长短记忆网络（Bidirectional short and long memory network, BiLSTM）的矿井涌水量预测方法。首先，将矿井涌水量数据进行小波分解和归一化处理，得到趋势项数据和细节项数据；其次，采用DRN网络方法对趋势项数据进行预测，采用BiLSTM网络方法对细节项数据进行预测；最后，将2部分预测结果进行重构得到矿井涌水量预测结果。研究结果表明：DRN-BiLSTM模型相比于单一模型预测精度更高，说明该模型具有更好的泛化性。     

浅析“大井法”预测矿井涌水量时参数选取

目前预测矿井水量的计算方法约有15种之多,但各种预测方法有其优缺点及应用范围和条件限制。大井法作为预测矿井涌水量最常用的一种方法,它在预测裂隙充水为主的简单-中等型矿床矿井涌水量的实践中得到广泛应用。通过对大井法在预测矿井涌水量时参数选取的分析探讨,为大井法预测矿井涌水量的进一步完善和发展起到积极的推动作用。     

考虑静储量释放的矿井涌水量预测方法探讨

鄂尔多斯盆地周边矿井逐步建成投产,上覆巨厚含水层随着煤层开采,大量持续进入矿井,因矿井设计排水能力不足造成了多起矿井水害事故,尤其是原于勘探阶段仅依据水文钻孔稳定流抽水试验预测矿井涌水量,忽略了矿井实际涌水机理中的静储量释放,预测矿井涌水量偏差较大。针对这一情况,以鄂尔多斯盆地周边纳林河二号井为例,充分利用勘探阶段抽水试验不同阶段获取的水文地质参数,考虑静储量探讨预测矿井涌水量,研究巨厚含水层下矿井涌水机理,并与近年开采实测矿井涌水量情况进行对比分析,验证预测误差率,提高预测结果的精确性,对该区矿井涌水量预测具有参考作用。     

应用粒子群算法优化二元序列

粒子群优化（POS）算法是一类随机全局优化技术，PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域，其优势在于简单、容易实现而又功能强大。本文介绍了粒子群优化算法的特点和具有良好自相关特性的二元序列的概念，讨论了用粒子群算法优化二元序列的方法。通过实验搜索出14到32长度的二元序列，取得了较好的效果。