亭南煤矿涌水量时间序列预测研究

矿井水害是影响煤矿安全高效开采的主要地质因素之一,而矿井涌水量的准确预测对煤矿防治水工作具有重要的意义。本文使用时间序列分析软件（SPSS）对亭南煤矿2007年1月-2019年12月月度涌水量数据分析,建立了ARIMA(1,1,1)预测模型,并利用该模型对2020年1月-2020年6月的涌水量数据进行预测,结果表明：与实际涌水量最大相对误差为2.306%,最小相对误差仅为0.464%,模型精度较高,能够很好地对亭南煤矿涌水量进行预测。     

基于大井法和地下水模型系统数值模拟方法的某矿坑涌水量预测对比分析

摘 要：在矿山实际生产过程中,涌水量精确预测具有重要意义。为解决预测值准确度不够的问题,本文运用大井法和GMS数值模拟方法进行某矿坑涌水量双重预测对比分析。采用地下水动力学“大井法”的承压转无压公式：得出最大降深平均涌水量为47948m3/d,最小降深平均涌水量为46501m3/d;使用GMS数值模拟软件得出矿坑平均涌水量为32000m3/d,最大涌水量为38000m3/d。对二者结果进行对比分析：大井法预测公式是在含水层水平、等厚、均质等严格条件下推导出来的,但矿山实际上并没有完全满足公式的前提条件,其预测结果将会偏大;数值模拟方法适应性强,预测精度高,已经被大量应用于各个方面,由该方法得出的数据将会比大井法得出的数据范围小且更为精确。双重预测方法得出该矿坑涌水量的大范围和小范围预测值,结果表明该矿坑涌水量较大是不争的事实,研究成果将为开采矿山提供技术支撑。     

矿坑涌水可利用量研究

为缓解矿区供排水矛盾,合理利用矿区水资源,文章以安徽省淮北平原某煤矿为研究对象,建立了与矿床开发利用方案相适应的地下水流数值模拟模型;利用经过识别后的数值模型,对矿坑涌水量进行了预测,得到预测期内正常矿坑涌水量将由7 100m3/d逐渐衰减至5 106m3/d;在此基础上,考虑到不确定性因素的影响,依据渗透系数的空间随机分布特征,探讨了矿坑涌水量预测结果的不确定性。结果表明:当保证率为90%时,预测初期可利用的水量为3 924m3/d,20a后逐渐递减为2 672m3/d。所得结果为制定矿区水资源综合利用方案提供了可参考的依据。     

金家渠煤矿排水体系构建及净化处理工艺应用

金家渠煤矿水文赋存条件复杂,矿井正常涌水量590 m~3/h,最大涌水量725.76 m~3/h,文章在水文勘查基础上,通过对矿井充水方式、涌水量的构成及大小进行科学分析,合理确定了矿井主排水系统及设备、+690 m水平辅助排水系统及设备、13采区集中排水巷的立体式排水系统;矿井最大排水能力1038 m~3/h,排水系统整体满足矿井安全生产需要;根据矿井涌水量的大小,在地面建造矿井水处理系统,矿井水处理能力达到1200 m~3/h,深度处理规模达到100 m~3/h,日处理量1680 m~3/d,指标均可控,COD控制在2.2 mg/L～12.83 mg/L,氨氮控制在0.9 mg/L～1 mg/L,悬浮物控制在2.4 mg/L～9.54NTU,达到矿井水排放水质标准。     

基于Visual Modflow的刚果(金)迪兹瓦露天矿地下涌水量预测

在露天矿山实际开采过程中,准确预测各阶段涌水量对矿山安全生产具有重要意义。本文以刚果(金)迪兹瓦露天矿为中心建立研究区,采用Visual Modflow数值模拟软件对研究区的边界条件和水文地质条件进行刻画,模拟矿区及周围环境的地下水流场分布。模型预测结果显示,所建模型可较好的模拟研究区地下水流场分布,矿区开采第3年、第6年、第10年的平均涌水量分别为12 100 m3/d、13 400 m3/d、14 400 m3/d。同时,地下涌水量随季节降雨量的变动而发生变化,丰水期涌水量约为平水期的1.5倍,约为枯水期的2倍。通过对矿区各阶段涌水量进行定量分析,可为矿区防排水设计提供了一定的科学依据。     

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78%,最小相对误差仅为0.01%.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.     

河南省郑宏鑫泰煤矿水文地质特征及矿井涌水量预测

针对矿井6个含水层和4个隔水层分析了鑫泰煤矿水文地质特征,同时深入研究了矿井的充水水源及充水通道.采用大井法和比拟法预测了矿井涌水量.经比较比拟法预测结果更可靠:开采-119 m水平时,Q正常=164.00 m3/h,Q最大=328.00 m3/h;开采-230 m水平时,Q正常=325.00 m3/h,Q最大=650.00 m3/h.为矿井水害防治和安全生产提供了科学依据.     

亭南煤矿微震监测数据与工作面涌水量关系研究

矿井水害事故的发生,不仅会影响矿井安全生产,造成巨大的经济损失,还严重威胁着井下工作人员的生命安全。为了解决矿井水害的威胁,有效预防水害事故,分析微震监测数据即微震事件数与事件能量级与矿井涌水量之间的相关关系,提出不同时期根据微震监测数据预测矿井涌水量,合理选择排水设备,预测突水事故,达到及时预警的效果。以亭南煤矿二盘区207工作面为研究对象,分析其工作面涌水量与微震数据间的相关性,结果表明:微震事件数、能量级与涌水量呈正相关关系,两者变化趋势基本相同,能够根据微震数据的变化预测涌水量的变化。     

榆神矿区矿井涌水量特征及影响因素

矿井水是陕北重要的可利用资源,榆神矿区矿井水主要来源于第四系萨拉乌苏组地下水,其次有侏罗系基岩裂隙水,调查了11处煤矿的矿井涌水量,并与煤炭产量进行了比较分析,研究表明,榆神矿区矿井涌水量与煤炭产量直接相关,吨煤富水系数介于0.93～4.23 m3/t之间,一般1.2 m3/t,矿井涌水量主要受第四系含水层富水性的影响,开采达到一定面积后,大气降水直接影响矿井涌水量.这对于未来矿井防排水设计、煤矿安全生产及能源基地供水水源解决途径具有一定指导意义.     

基于最小二乘支持向量机的BLT方程孔缝散射模型

孔缝电磁散射效应分析是开展复杂电子系统电磁防护研究的重要组成部分. 基于微波二端口网络分析理论和电磁拓扑理论,构建了孔缝散射数学模型和广义散射矩阵,并提出了一种新的孔缝散射矩阵进化求解算法. 对单矩形孔腔体HFSS数据进行了仿真分析,结果表明:散射矩阵对反射效应和透射效应的预测绝对误差均值为±1.2 mVm和±3.3 mV/m,相对误差均值为±0.17%和±8.29%;当预测精度为90%时,对反射效应和透射效应的最大预测绝对误差为±2.9 mV/m和±0.763 5 mV/m,最大预测相对误差为±0.39%和±0.93%,实现了孔缝散射效应的准确预测,验证了模型可靠性和实用性.      

基于BP神经网络的精对苯二甲酸回收系统水含量预测模型

采用电导率法测量精对苯二甲酸回收系统水含量,考察了电导率与水含量、金属离子浓度及温度的关系。以温度、金属离子浓度、电导率为输入变量,通过BP人工神经网络贝叶斯正则化算法建立水含量预测模型。优化后的BP神经网络模型结构为3-13-1,动量因子为0.75。使用优化的模型对水含量进行预测,测试集最大绝对相对偏差为4.36%,平均绝对相对偏差为0.96%,表明所建立的神经网络模型可较好地用于预测精对苯二甲酸回收系统的水含量。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于GMS的地层三维结构可视化模型及神经网络预测

 通过收集到的长春市及周边地区各类钻孔资料,运用软件GMS建立了长春及周边地区的三维地层结构可视化模型,与实际地质(地形)情况较为吻合,清晰地反映出长春地区地层结构情况,通过软件还可观察地层任意位置的剖面情况。将神经网络引入其中,当输入钻孔坐标(x,y,z)、地层厚度及地层深度时,能够较为准确地预测出对应地层的地质时代和岩性,采用结构为5-13-5的BP神经网络(单隐含层)预测结果的平均相对误差为11.12%,其最小误差为7.50%、最大误差为15.71%;采用改进后的结构为5-11-7-5的BP神经网络(双隐含层),预测结果的平均相对误差为4.64%,其最小误差为3.63%、最大误差为6.59%,完全满足预测精度要求。     

超短期风电功率预测的混合深度学习模型

针对风电功率预测(WPF)问题,提出一种基于离散小波变换(DWT)、时间卷积网络(TCN)和长短期记忆(LSTM)神经网络的混合深度学习模型(DWT-TCN-LSTM),对超短期风电功率进行预测.将DWT-TCN-LSTM模型分别与差分整合移动平均自回归(ARIMA)模型,支持向量回归(SVR)模型,长短期记忆神经网络模型和卷积长短期记忆(TCN-LSTM)混合模型进行对比实验,通过对称平均绝对百分比误差(SMAPE),均方根误差(RMSE)和平均绝对误差(MAE)3种评价指标值对各个模型进行评价.实验结果表明:DWT-TCN-LSTM模型具有较好的预测性能.     

基于小波神经网络矿山安全的评价模型

煤矿是一个多工序、多环节、生产过程复杂、时空变化大、环境恶劣的生产企业,其安全系统是一典型的非线性系统,对矿山进行安全评价是当前安全管理中的一个重要环节.采用由伸缩和平移因子决定的小波基函数代替Sigmoid等传递函数,选用23项指标作为输入节点,建立矿山安全的小波神经网评价模型,该模型可自动确定网络参数,避免了传统神经网络需要人为干预网络结构参数的不足.实例分析表明,提出的WNN网络的评价绝对误差平均为0.425%,而BP网络评价绝对误差平均为3.1%.这说明,WNN网络泛化能力远好于BP网络,该模型具有重要的应用价值.     

基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.     

油井增产措施效果预测方法研究

通过分析不同影响因素与措施效果的内在联系,采用经验类比法与BP神经网络法建立了措施效果的预测模型。模型克服了解析法、数值模拟法、统计回归法进行措施效果预测的固有缺陷,综合考虑了影响措施效果的油藏地质、开发工艺等因素,可以方便地预测措施后的产量递减规律。实例应用表明,两种预测方法单井次最大相对误差25%,平均相对误差15%,取均值后单井次最大相对误差18%,平均相对误差8%,基本能够满足矿场进行措施效果预测的工程需要。