煤与瓦斯突出的神经网络预测分析

煤与瓦斯突出是一个复杂的过程 ,做好预测预报工作显得尤为重要。本文通过建立煤与瓦斯突出的人工神经网络预测模型、原始样本的学习 ,可预测待报样本的突出情况 ,并进行了实例分析。经过检验 ,该预测模型的预测精度较高。图 1 ,表 2 ,参 3。     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

基于神经网络与遗传算法耦合的 煤与瓦斯突出区域预测研究

煤与瓦斯突出是煤矿地下开采过程中的一种动力现象,剧烈的动力效应可导致矿井重大的财产损失和人员伤亡,因此,实现煤与瓦斯突出的有效预测对煤炭工业安全生产具有重要意义。文章以煤与瓦斯突出的自然条件及地质构造特征为基础,针对神经网络易陷入局部极小而引起预测指标权值分布不合理的缺陷,提出了基于神经网络和遗传算法耦合的煤与瓦斯突出区域预测模型,并进行了实例验证。研究结果证明了该模型的合理性,对煤矿实现煤与瓦斯突出区域的预测具有较大的指导价值。     

基于地理信息系统和神经网络的煤与瓦斯突出预警

依据煤与瓦斯突出机理及突出过程物理特征,结合煤矿安全监测系统,提出以瓦斯浓度和煤体温度时间序列的煤与瓦斯突出预警指标,利用GIS技术和人工神经网络建立了煤与瓦斯突出预警模型.某矿17180工作面的预警结果表明:预警模型可以为煤与瓦斯突出预警提供技术支持.     

煤与瓦斯突出预测模糊专家系统

利用模糊数学与专家系统理论 ,建立了煤与瓦斯突出预测模糊专家系统并用于对实际矿井进行检验 ,证明结果是可信的     

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.     

基于系统聚类分析和判别分析的煤与瓦斯突出预测

煤与瓦斯突出是一种非常复杂的动力现象,影响因素众多,发生原因复杂。文中采用SPSS软件对典型突出矿井的煤层瓦斯压力(P)、瓦斯放散初速度(ΔP)、煤的破坏类型(D)、煤的坚固性系数(f)4个参数的实测数据进行了系统聚类分析。分析结果与17个已知样本实际发生的动力现象一致,说明了综合4个指标来预测煤与瓦斯突出的合理性。然后通过判别分析建立了煤与瓦斯突出预测函数。实践证明,该函数较准确地预测了17个已知样本和4个未知样本的煤层突出危险性,为煤与瓦斯突出预测提供了一种新方法。     

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.     

煤与瓦斯突出预报的模糊聚类关联分析法

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，建立不同突出程度的模糊模式。然后用关联分析确定待预报样本与模式的关联程度，以此预测预报样本的煤与瓦斯突出危险程度。这种预报方法相对于模糊聚类分类后，将模式与待预报样本组成新的样本集合，再进行聚类分析，以此分类结果进行预报法。不仅可靠程度高，而且能定量描述待报样本与模式的亲和程度。     

煤与瓦斯突出灾害的预测——基于遗传和BP算法

分析了煤与瓦斯突出的非线性动力系统行性和因素指标，利用神经网络的BP算法解决突出的主要性能指标和突出灾害等级的非线性网络连接，特别是利用遗算法的全局优化能力，对神经网络的连接权值、拓扑结构等进行进化操作，设计出具有较好性能参数和全局搜索能力的神经网络模型，同时神经网络也可用地遗传算法的进化训练，遗传算法和神经网络的融合优化了煤与瓦斯突出灾害预测模型，并且该方法对其它灾害预测也有借鉴意义。     

基于人工神经网络的突出矿井分级方法

应用人工神经网络理论与方法建立了突出矿井分级的BP网络模型 ,并用该模型对部分突出矿井进行了突出危险等级划分尝试。结果表明 ,该方法较为简便、分级可判性强 ,用于突出矿井分级是可行的。     

基于Hopfield网的煤与瓦斯突出分类模型

针对原有Hopfleld网学习算法的局限性,利用Hopfield网的非线性逼近能力来模拟煤与瓦斯突出中各指标的复杂非线性关系,通过联想记忆功能对煤与瓦斯突出进行分类。引入一种基于混合混沌法的学习算法,较快较好地训练了网络。将煤与瓦斯突出分类指标化分等级,进行编码,基于混合混沌法训练Hopfield网,建立煤与瓦斯突出分类模型。通过实验检验,证明了此模型的实用性。     

基于残缺数据的煤与瓦斯突出预测系统

煤与瓦斯突出是煤矿事故发生的主要原因.正确预测煤与瓦斯突出,对于煤炭企业安全生产具有重要意义.对和煤与瓦斯突出相关的5个特征进行分析,采用拉依达准则处理数据异常值.针对数据变量缺失的情况,选择具有代表性的均值插补、多重插补、K近邻插补和随机森林插补方法完成数据插补.采用随机森林、支持向量机和K近邻模型进行煤与瓦斯突出预...     

基于模糊综合评判理论的瓦斯突出危险性预测

针对影响矿井瓦斯突出的地质条件、瓦斯压力、埋藏深度、煤的坚固系数等因素的不确定性、模糊性特点,为了准确预测未开采水平矿井瓦斯突出的趋势和危险性,利用模糊综合评判理论进行分析、研究,建立了一级模糊综合评判模型。并应用该模型对大兴矿7～2#煤层的瓦斯突出等级作出预测。验算结果表明,此方法具有较高的可靠性和实用性。     

煤与瓦斯突出预测灰色理论-神经网络方法

将灰色理论-神经网络方法应用于煤与瓦斯突出预测中,利用灰色系统理论的灰色关联法确定了控制矿井煤与瓦斯突出的主控因素,并对煤与瓦斯突出主控因素进行筛选. 建立了煤与瓦斯突出危险性预测人工神经网络的数学模型和系统结构. 在平顶山八矿突出区进行了煤与瓦斯突出危险性预测应用,预测效果表明:利用灰色系统理论-神经网络方法对预测矿井煤与瓦斯突出是可行的.     

基于灰色新陈代谢模型的煤矿瓦斯涌出量预测

针对煤矿井下瓦斯涌出量的特殊影响因素和灰色系统建模的特点,以煤矿瓦斯动态监测数据为基础,通过灰色系统建模、关联度分析及残差辨识,建立了灰色系统新陈代谢动态模型,并将该模型应用到某矿瓦斯涌出量预测分析中,由事中及事后检验结果可知:原始数据一次累加后进行的GM(1,1)预测中,新陈代谢动态模型预测矿井瓦斯涌出量的拟合精度高,结果准确可靠,克服了一般模型对井下瓦斯涌出量数据采集、模型建立的困难,实现了瓦斯涌出量的动态预测,可为煤矿安全管理的正确决策提供科学依据.     

潘一矿煤与瓦斯突出危险性模式识别与概率预测

通过地质动力区划方法确定了区域地质构造背景.在查明多个突出影响因素与突出危险性之间的内在联系的基础上,建立了多因素模式识别模型,确定了煤与瓦斯突出概率预测准则,采用多因素模式识别概率预测方法完成煤与瓦斯突出危险性的区域预测.划分潘一矿井田的煤与瓦斯突出危险区、突出威胁区和无突出危险区,对煤与瓦斯突出危险性做出了评估,提高了瓦斯灾害预测的准确性.     

基于中心逼近的非等距灰色模型

基于非等间距灰色预测模型的建模机理,通过对一次累加生成序列的开方运算来弱化序列的变化幅度,利用背景值取代传统的中心值,从而得到了基于中心逼近化的非等间距灰色预测模型。最后,给出了一个应用实例,实例计算结果表明该改进灰色预测模型具有较高的拟合和预测精度。     

改进的层次分析法在煤与瓦斯突出危险等级预测中的应用

为了更合理地确定影响煤与瓦斯突出因素的权重,在层次分析法判断矩阵的构造上,论文主要用三标度法对传统的九标度法进行改进。利用改进的层次分析法确定影响煤与瓦斯突出各因素的权重,用隶属度构造了单因素模糊判别矩阵,用模糊综合评判建立了预测煤与瓦斯突出的多种模型,并且进行了二级模糊综合评判。将改进的层次分析法和二级模糊综合评判结合起来应用于煤与瓦斯突出危险等级预测中。对神仙坡等煤矿的多个工作面进行了煤与瓦斯突出危险等级预测。结果表明,利用改进的层次分析法——二级模糊综合评判预测煤与瓦斯突出等级是合理可行的,可以较准确地进行等级预测。