改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

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。     

简化速度法预测矿井瓦斯涌出量

速度法是以瓦斯动力学为理论基础的一种新的预测方法。它适应于各种采掘工作面瓦斯涌出量的预测，准确性较高。本文介绍了速度法的基本原理及预测方法。     

泉水沟煤矿矿井瓦斯涌出量预测

根据<矿井瓦斯涌出量预测方法>对阜康泉水沟煤矿矿井瓦斯涌出量进行了预测和计算,根据预测结果,矿井属高瓦斯矿井.建议煤矿采用合理抽放瓦斯方法提高抽放瓦斯效果.确保煤矿生产安全.     

基于支持向量机理论的煤矿瓦斯涌出量预测研究

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,采用径向基核函数把支持向量机算法中的低维空间向量集映射到高维空间,进而建立基于实验数据的煤矿瓦斯涌出量预测模型。样本数据分为训练样本、测试样本和校验样本,结合MATLAB强大的运算功能,进行仿真研究。结果显示:整个系统具有较强的逼近和容错能力,以及较快的收敛速度,对煤矿瓦斯涌出量具有较好的预报效果。     

矿井瓦斯涌出量预测技术

介绍了我国矿井瓦斯涌出量预测技术研究现状,分析了我国主要预测方法的原理与技术、适用条件及存在的不足等,重点介绍了目前普遍应用的矿井瓦斯涌出量预测方法--分源预测法,最后对我国煤矿瓦斯涌出量预测研究发展作了展望.     

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。     

基于瓦斯地质图法预测矿井瓦斯涌出量

介绍了基于瓦斯地质图法进行矿井瓦斯涌出量预测的方法和步骤,并结合案例进行了瓦斯涌出量预测模型建立和瓦斯地质图的绘制。研究表明瓦斯地质图法进行瓦斯涌出量预测具有方法简单、易于实现计算机编程的优势。该方法以充分研究煤层瓦斯赋存规律,确定关键地质体,划分瓦斯地质单元为前提建立预测模型,同时进行瓦斯涌出量等值线绘制,最能反映预测区域地质条件和采掘工艺条件、与生产实际结合最紧密,是一种科学、有效的矿井瓦斯涌出量预测方法。     

综掘工作面瓦斯涌出量的支持向量机预测模型

通过对支持向量机回归原理的分析,设计出预测综掘工作面瓦斯涌出量的支持向量机模型.然后,在所设计模型的基础上,采用Matlab语言,实现了该模型.运用训练样本对模型进行训练和实际数据样本进行仿真,得到了很好的预测效果.从预测结果可以看出,达到了工程实际能够接受的预测精度,说明该模型能够用于矿井的综掘工作面瓦斯涌出量预测.     

基于粒子群优化BP神经网络的巷道位移反分析

以某煤矿资料为基础,确定出岩体物理力学参数水平,并设计正交试验表。根据巷道边界条件建立几何模型,通过有限元法计算得出的位移值建立起PSO-BP神经网络学习样本,从而得到矿山巷道位移反分析预测岩体物理力学参数模型。研究结果表明：实测位移量与由预测参数计算位移量间的最大误差为3.27%,通过实测位移值反分析求得的岩体物理力学参数值可信,PSO-BP神经网络应用于矿山巷道位移反分析是可行的。     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于ACSOA-BP神经网络的瓦斯含量预测模型

针对煤矿瓦斯含量预测问题,以陈四楼煤矿为例,在煤层瓦斯含量影响因素分析的基础上,通过对种群进行混沌初始化,并引入自适应混沌算法和非线性收敛因子,提出了自适应混沌海鸥算法(ACSOA),建立了基于自适应混沌海鸥算法优化BP神经网络的瓦斯含量预测模型(ACSOA-BP),将模型应用于矿井进行预测效果检验。结果表明:陈四楼煤矿二2煤层瓦斯含量与不同因素呈非线性关系,地质构造是控制煤层瓦斯分布的主要因素,ACSOA-BP模型具有更高的预测精度和稳定性。     

基于LS-SVM的回采工作面瓦斯涌出量预测

提出了一种基于最小二乘支持向量机（LS-SVM）的回采工作面瓦斯涌出量预测新方法.一方面,该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网络等智能方法在对回采工作面瓦斯涌出量进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,该方法用等式约束代替不等式约束,降低了计算的复杂性,使得预测容易实现.实验表明,该方法具有预测精度高、速度快、容易实现等优点,适合对回采工作面瓦斯涌出量的预测.     

基于多元线性回归理论的煤矿瓦斯涌出量预测

为有效地预测煤矿瓦斯涌出量,降低矿井生产中的危险,分析影响煤矿瓦斯涌出量的因素,基于多元线性回归理论,构建了煤矿瓦斯涌出量预测模型.选取煤层瓦斯含量、煤层埋深、煤层厚度、邻近层瓦斯量4个因素作为自变量,不考虑其它因素的影响,运用SPSS软件处理数据,得出瓦斯涌出量与其影响诸因素之间的线性回归方程.通过瓦斯涌出量模型的建...     

基于粗集-支持向量机的采空区自然发火预测

将粗集和支持向量机两种算法有机结合起来,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过粗集对采空区自然发火影响因子进行预处理,将约简属性作为输入向量,利用支持向量机进行分类处理,选择了支持向量机核函数,利用变步长搜索法对支持向量机参数进行了优化。在对粗集-支持向量机方法的实验中,通过与支持向量机方法和神经网络方法的比较,发现在样本有限的情况下,基于粗集-支持向量机的采空区自然发火预测方法预测精度更高,训练速度更快,为采空区自然发火预测提供了一种新的方法。     

露天煤矿温室气体排放计算方法

在对露天煤矿的温室气体排放源构成进行全面分析的基础上,建立了相应的碳排放计量模型。研究表明,露天煤矿的温室气体源包括电耗带来的间接排放、燃料燃烧与爆破的直接排放、开采过程中的CH4溢散、煤炭与煤矸石氧化产生的温室气体溢散和矿山开采扰动导致的矿区碳固定能力的变化。在此基础上,参考IPCC温室气体计算指南给出了各排放源的碳排放的计量方法,建立了露天矿碳排放的计量模型。以小龙潭矿务局布沼坝露天煤矿生产条件为基础进行实例研究,计算得该露天矿2008年温室气体排放量为122 351.19 t。