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...     

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PCA-BO-XGBoost的矿井回采工作面瓦斯涌出量预测

针对矿井回采工作面瓦斯涌出量预测精度欠佳的问题,建立基于极端梯度提升(XGBoost)瓦斯涌出量预测模型。首先,为解决瓦斯涌出量影响因素维数高和信息冗余等问题,在预测模型中引入主成分分析法(PCA)对11种影响因素降维。其次,通过贝叶斯优化算法(BOA)对XGBoost中超参数进行优化以提高预测模型的精度。最后,将训练集数据作为预测模型的输入进行训练,利用训练好的模型对测试集数据进行验证,并与传统的BP神经网络和支持向量机进行对比。结果表明：PCA-BO-XGBoost模型的平均绝对误差为0.070 3,均方根误差为0.095 7,能够满足对瓦斯涌出量预测的精度要求。与其他机器学习算法相比,建立的模型预测精度更高、耗时更短、效率均更高,对煤矿井回采工作面瓦斯涌出量的预测精度和效率提升具有借鉴作用。     

EKF-ENN算法在瓦斯涌出量预测中的应用

针对瓦斯涌出量的多影响因素预测问题,提出将扩展卡尔曼滤波算法与Elman神经网络有机结合并应用于瓦斯涌出非线性系统的动态辨识.带有整定因子的EKF滤波器通过实时对网络的权值、阈值进行全局寻优,建立基于EKF-ENN耦合算法的绝对瓦斯涌出量预测模型,利用矿井监测到的各项历史数据进行预测试验.研究结果表明:该模型的预测平均相对误差为1.67%;平均相对变动值ARV为0.000 768 1.EKF优化后的Elman神经网络预测模型相比于其他预测模型,具备更高的预测精度与更强的泛化能力.     

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。     

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。     

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。     

基于主成分灰关联的瓦斯涌出量预测模型

为分析矿井瓦斯涌出的非线性关系、指标间复杂联系和准确预测瓦斯涌出量,基于主成分分析和灰色关联理论在克服指标的共线性、相关性对瓦斯涌出量影响,兼顾二者关联性之上,确定主要指标,建立瓦斯涌出量预测的距离模型和灰色模型,进而基于支持向量机非线性,构建非线性组合预测模型.利用训练样本学习和最小绝对百分比误差确定预测模型参数,并以沈阳某矿某工作面为例,运用已构建模型预测瓦斯涌出量.研究结果表明:日产量、采出率与其他指标的共线性相对较强,煤层间距、临近层厚度及层间岩性与其他指标的共线性相对最弱;该模型绝对百分比误差最大为5.83%,预测精度相对高于各个单项预测模型,大幅降低预测风险.     

基于Elman组合预测模型的瓦斯涌出量预测

为提高矿井瓦斯涌出量的预测精度,基于Elman回归神经网络原理,以指数型线性回归、双曲线型线性回归及灰色预测三种方法得到的瓦斯涌出量预测值为样本数据,建立Elman组合预测模型,并利用MATLAB软件进行预测。结果表明,Elman组合预测结果的拟合曲线更接近实际情况。该模型有效提高了瓦期涌出量的预测精度,为煤矿安全生产提供了理论支持。     

改进思维进化算法优化BP神经网络的瓦斯涌出量预测研究

为了保证煤矿安全开采,并提高煤矿瓦斯涌出量的预测精度,提出了改进思维进化算法优化BP神经网络的模型预测新方法。在思维进化算法中加入精英反向学习策略增加算法的全局搜索能力,在趋同操作中引入粒子群算法避免重复搜索,以此实现对BP神经网络的初始权值和阈值的全局寻优,并通过矿井监测到的各项历史数据进行验证。结果表明：与BP神经网络模型和MEA-BP神经网络模型相比较,该模型的预测精度更高,泛化能力更强。该模型的平均相对变动值为0.00116,平均相对误差为0.81%,均方根误差为0.0576,有效提高了对瓦斯涌出量的预测精度,提升了煤矿安全生产技术。     

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.     

基于BP算法的矿井掘进工作面瓦斯涌出量预测

应用BP人工神经网络理论,建立了矿井掘进工作面瓦斯涌出量的预测模型,克服了由于各因素的不确定所造成的影响,提高了瓦斯涌出量预测的准确性.实际应用表明,预测模型可信,精度能满足要求.     

基于灰色系统理论的煤矿瓦斯涌出量预测研究

运用灰色理论建立巷道瓦斯涌出量的灰色模型,对矿井瓦斯涌出量进行预测预报。采用残差识别方法修正GM(1,1)模型进行瓦斯涌出量预测,预测精度更高。利用灰色灾变预测理论,对某矿矿井工作面瓦斯涌出资料进行分析、研究,建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测。     

矿井瓦斯涌出量预测方法

为解决煤矿瓦斯涌出量预测不准确的问题,提出基于多种方法优化融合的瓦斯涌出量预测方法,建立瓦斯涌出量预测模型.采用适用于瓦斯涌出量系统特点的加权策略函数对最小二乘支持向量机进行改进,利用免疫遗传算法对加权最小二乘支持向量机进行核参数和正则化参数寻优.应用状态转移概率修正预测误差残值,使瓦斯涌出量预测模型的预测精度得到提高.研究结果表明:矿井瓦斯涌出量预测模型具有较好的快速性和准确性,具有广泛的应用前景.     

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.     

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.     

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。     

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.     

改进的神经网络算法在瓦斯涌出量预测中的应用

针对传统神经网络存在的收敛速度慢、容易陷入局部最小等缺陷,采用改良的BP算法———双权值迭代优化法,提高神经网络传统BP算法的训练速度。以三层神经网络为例,对权值进行优化。实验对比表明：双权值迭代优化法应用于瓦斯涌出量的预测,比一般BP网络有更高的预测精度和程序运行速度。