基于灰色理论与BP神经网络瓦斯涌出量预测研究

瓦斯涌出是煤炭行业井下作业难以控制的一个危险因素。为研究瓦斯涌出量的变化规律,提高瓦斯涌出量预测的准确性,本文结合灰色理论与BP神经网络构建了灰色—BP神经网络系统用于矿井瓦斯涌出量的预测。以山西某矿为工程背景,以MATLAB软件为计算平台,对上述方法和模型进行了应用实践和现场验证,将灰色预测、BP神经网络和灰色—BP神经网络预测结果和原始数据进行了对比分析。研究结果表明:灰色—BP神经网络预测的数据精确度和可靠性更高,计算的结果与原始数据的规律基本一致。因此,灰色—BP神经网络系统能较准确地预测矿井瓦斯涌出量,对预测瓦斯涌出量的预测方面具有一定的指导作用。     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

PCA-BP神经网络在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确的预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

基于因子分析法的瓦斯涌出量预测指标选取

为解决瓦斯涌出量预测过程中存在的预测指标过多而导致预测精度降低的问题,构建因子分析与BP神经网络相结合的瓦斯涌出量预测模型。采用SPSS因子分析法对瓦斯涌出量影响因素进行了分析降维,并对BP神经网络模型进行训练及预测。结果表明:因子分析能使BP神经网络的输入变量从10个降为3个有实际含义的因子,经因子分析后预测模型的预测速度及精度均高于未处理的样本数据,预测性能明显改善,其平均误差为3.8%,最大误差为4.9%,表明所采取瓦斯涌出量预测指标的选取方法是可行和有效的。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型.结合某矿1242(1)工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与...     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证.     

模糊前向神经网络在瓦斯涌出量预测中的应用

为解决多输入单输出数据集的建模预测问题,提出一种基于Mamdani型模糊系统和前向神经网络的模糊神经网络,实现了瓦斯涌出量的建模预测.首先由采样数据生成模糊规则,明确了前向神经网络的网络结构.在Mamdani型模糊系统中提取出了隐含层神经元激励函数,并据此确定了模糊前向神经网络的表达式.然后对BP学习算法进行了改进,得到了权值直接确定的矩阵式.最后在瓦斯涌出量预测中,利用主成分分析法选取了较为重要的3个因素.仿真实验表明模糊前向神经网络具有较高的建模和预测精度.     

煤与瓦斯突出强度的IGA-LSSVM预测模型

针对煤矿开采中煤与瓦斯突出强度的预测问题,利用免疫遗传算法和最小二乘支持向量机相结合的方法,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂直深度、绝对瓦斯涌出量、相对瓦斯涌出量等9个主要影响因素.对相关程度较高的因素进行因子分析,提取公共因子作为IGA-LSSVM模型的输入,建立基于因子分析和IGA-LSSVM的煤与瓦斯突出强度的预测模型.利用实测的14组数据作为学习样本,训练预测模型.另外5组数据作为测试样本,使用所得模型进行预测.研究结果表明:经过免疫遗传算法优化最小二乘支持向量机的参数后,所得模型可有效预测煤与瓦斯突出的强度,检验结果的误判率为0.     

唐山矿瓦斯涌出量动态预测模型

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性.     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证。     

高瓦斯矿井掘进通风瓦斯浓度预测模型研究

为了对不同瓦斯涌出量和通风配置下的高瓦斯矿井掘进通风瓦斯浓度进行准确预测,文中在对掘进工作面瓦斯浓度的各种通风影响因素分析基础上,设计了两种掘进通风瓦斯浓度预测神经网络模型。利用MATLAB软件及煤矿现场获得的实测样本数据,建立了瓦斯浓度BP和RBF神经网络预测模型。通过预测结果对比分析可知,RBF神经网络预测模型能够对掘进通风瓦斯浓度进行准确地动态预测,为不同掘进阶段、不同瓦斯涌出量下的掘进通风方案选择提供了一定的理论依据。     

概率神经网络在煤与瓦斯突出中的应用

为准确预测矿井煤与瓦斯突出的危险性,针对小样本情况下BP神经网络泛化能力低的缺点,采用概率神经网络对煤与瓦斯突出的危险性进行预测.该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

基于最小二乘支持向量机的煤矿瓦斯预测

瓦斯涌出量受多种自然因素和开发技术的影响,是一个非线性、高维的问题.提出了改进的PSO算法与LSSVM算法相结合对瓦斯涌出量进行预测的新方法.实验结果表明,该模型预测精度更高,泛化能力更强.     

遗传算法的BP网络模型进行瓦斯涌出量预测

从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。     

基于PLS-BP神经网络组合模型的回采工作面瓦斯涌出量预测

提出PLS-BP神经网络组合模型,预测回采工作面瓦斯涌出量.利用分源预测法划分回采工作面瓦斯涌出来源,根据瓦斯涌出来源受不同因素的影响,运用偏最小二乘法(PLS),通过交叉有效性分析,确定提取主成分个数,将主成分作为神经网络输入层建立关联模型.研究证明,本方法不仅避免了各种不相关因素之间的干扰,解决各因素之间多重相关问题,降低变量维数,而且可以结合BP神经网络的非线性映射能力和适应学习能力等优点,提高预测稳定性和精度.     

基于软测量和数据融合的煤与瓦斯突出预测

文章针对现有煤与瓦斯突出预测方法存在的不足,提出了一种基于软测量和数据融合技术的煤与瓦斯突出危险状况预测方法;利用检测到的煤与瓦斯突出的多种影响因素数据,建立了基于模糊BP神经网络的软测量模型对煤与瓦斯突出危险状况进行动态和准确地预测,并应用基于均值的分批估计融合方法对检测到的因素数据进行处理,提高数据检测的精度,进一步增强煤与瓦斯突出危险状况预测的准确性;通过实例对方法进行验证,结果表明,提出的方法预测准确性高,是一种有效的煤与瓦斯突出预测方法.     

BP算法及其在煤与瓦斯突出预测中的应用

利用BP神经网络具有的“信息影射”特性，实现了影响煤与瓦斯突出的因素与突出事件之间的特定刺激一反应式感知和识别，进而挖掘和捕捉二者之间的内在相关规律，并将其应用于煤与瓦斯突出区域预测。对于原始BP神经网络收敛速度慢、易陷入局部假饱和以及产生震荡等问题，通过调整学习系数、惯量系数等进行了改进，改进的BP神经网络在煤与瓦斯突出预测精度、预测效率方面明显优于传统预测方法。     

矿井瓦斯涌出量的径向基函数网络预测模型

为进一步研究瓦斯涌出量与影响因素之间的映射关系,建立了径向基函数网络预测模型,并基于瓦斯涌出量与影响因素关系的实际收集数据,对其本构关系进行了函数逼近,通过网络所建立的映射关系对矿井瓦斯涌出量进行了预测。实例分析表明,利用RBF网络预测矿井瓦斯涌出量,拟舍精度较高,与BP网络相比较,具有较高的预测效率和精度。     

煤矿瓦斯涌出量的非线性降维Elman动态预测模型

为对回采工作面绝对瓦斯涌出量进行有效预测,提出非线性降维的改进Elmand动态预测模型.模型采用非线性映射在特征空间内对数据进行有效降维,以此确定神经网络输入数目,并利用自适应蚁群微分进化算法对改进的Elman神经网络(IENN)的阈值、权值、自反馈因子和增益因子行全局寻优.将该预测模型用于矿井监测的历史数据进行检验.研究结果表明:模型能够有效地减少预测模型的输入变量个数,并且相比其他预测模型提高了预测的精度和效率.     

基于多元线性回归模型煤矿瓦斯体积分数预测

依据多元线性回归模型理论,对可能影响瓦斯涌出量的数据进行分析,找到影响瓦斯涌出量的主要因素.将多元线性回归模型应用于瓦斯涌出量预测.通过将预测值与实际值比较,证明多元线性回归模型预测的瓦斯涌出量值是可行有效的,对指导煤矿安全生产具有一定意义.