基于PCMRA-SVM的采煤工作面瓦斯涌出量预测

为了准确、快速地预测采煤工作面瓦斯涌出量,针对瓦斯涌出系统的特点,提出了一种基于PCMRA-SVM的瓦斯涌出量预测模型。以钱营矿的25组瓦斯涌出量观测数据进行仿真实验,并与BPNN、SVM、CIGOA-ENN方法的预测结果进行对比。结果表明:PCMRA-SVM模型的最大、最小和平均相对误差分别为4.06%、0.02%和1.73%,均优于CIGOA-ENN、SVM、BPNN,验证了所提出模型的有效性、可靠性及准确性。     

基于PCA-GA-BP的回采工作面瓦斯涌出量预测模型研究

为进一步提高回采工作面瓦斯涌出量预测的准确性,建立了主成分分析法(PCA)、遗传算法(GA)、BP神经网络相结合的预测模型。该模型采用主成分分析法降维处理原始输入数据;将主成分分析结果作为BP神经网络的输入,消除冗余信息;然后采用遗传算法优化BP神经网络的初始权值和阈值,有效克服BP神经网络极易陷入局部最优的问题。选取某矿井回采工作面的实测数据进行分析,结果表明,该模型较单一BP神经网络预测精度高,能更有效地实现回采工作面瓦斯涌出量的高准确度预测。     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

基于RS GA ELM的矿井瓦斯涌出量预测

为了对煤矿井下瓦斯涌出量进行预测,采用粗糙集与改进极限学习机相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,充分利用极限学习机训练速度快、具有良好泛化性能的特点,并结合遗传算法选择最优的输入权值矩阵和隐含层偏差,避免随机产生所造成的误差。利用编写程序确定隐含层神经元个数,比依靠经验更为准确。在实际应用中选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层间距、工作面日产量五个因素作为预测的影响参数。研究结果表明:该预测模型预测的最大相对误差为5687 1%,最小相对误差为0,平均相对误差为2582 7%,相比改进前的预测模型具有更强的泛化能力和更高的预测精度。     

顺层交叉钻孔预抽瓦斯技术在高瓦斯低透煤层的试验研究

针对高瓦斯低透煤层瓦斯预抽效果不佳、抽采工艺参数设置不够合理的问题,通过对交叉钻孔围岩塑性区应力叠加效应的理论分析,阐述了其增透利抽、提高本煤层瓦斯预抽效果的机理,罗列了交叉钻孔施工参数要求;结合某矿12103工作面交叉钻孔预抽瓦斯技术的试验应用,量化对比分析了两种钻孔瓦斯预抽效果。结果表明:在不增加工程量的条件下,与传统的平行钻孔相比,交叉布孔方式可将本煤层瓦斯预抽率提高0.77倍左右,有效改善了高瓦斯低透煤层瓦斯预抽效果,降低了工作面回采时瓦斯事故发生的概率,为矿井安全生产增添了保障。     

神经树在煤与瓦斯突出预测中应用研究

由于煤与瓦斯突出影响因素之间存在着复杂的非线性关系,为准确预测煤与瓦斯突出的危险性,本文提出了基于柔性神经树的煤与瓦斯突出预潮模型,其中利用多表达式编程和粒子群优化算法分别优化了自身的结构及相关参数,使得神经树具有强大的预测和分类能力,与传统神经网络相比具有更加灵活的自动优化能力.通过采用实测数据对算法进行了验证. 结果 表明与常规预测方法相比较,该模型的预测准确性高,具有良好的适应性和有效性.     

基于模型融合的复杂生产过程产品质量预测

复杂生产过程中产品质量与工艺参数间存在复杂的非线性关系,为提高产品质量预测准确性,本文提出了一种基于模型融合的复杂生产过程产品质量预测方法.首先,分别对复杂生产过程建立基于改进随机森林算法的整体预测模型与分段预测模型,其中,针对整体预测模型特征选择问题,提出了一种相关性分析与去冗余处理相结合的特征选择方法,针对分阶段预测模型存在误差累积问题,提出了一种误差修正机制.其次,利用Stacking集成学习算法实现整体预测模型与分阶段预测模型的融合,综合利用二者的预测优势得到对产品质量的最终预测结果.最后,以烟丝生产过程烘丝机入口烟丝含水率的预测为例,通过对比传统单模型的预测方法,验证了本文所提基于模型融合预测方法的准确性.     

基于PCA-ELM的矿井瓦斯涌出量预测

为进一步提高矿井瓦斯涌出量的预测效率和精度,将主成分分析法(PCA)和极限学习机(ELM)神经网络相结合,建立基于PCA-ELM的矿井瓦斯涌出量预测模型。运用主成分分析法对矿井瓦斯涌出量影响因素样本进行主成分提取,去除各变量之间的线性相关,得到降维后的有效因子。再将这些有效因子作为ELM神经网络的输入层进行训练和预测,借助ELM神经网络不需较多参数调整、学习速度快、泛化性能好的特点,进行快速准确的预测。利用某典型矿井的实测数据进行实例分析,PCA-ELM方法预测的最大误差为0.2589,最小误差为0.0312,平均误差为0.1370,结果表明该预测模型预测速度快、精度高,能够用于矿井瓦斯涌出量预测。     

基于主成分回归分析的瓦斯含量预测

为了增加多元回归模型预测的精度,将主成分分析与多元回归分析相结合提出了PCA—MRA模型,并将该模型用于实际瓦斯含量预测。结果表明,PCA—MRA模型消除了输入变量之间的相关性,减少了输入变量值个数,提高了预测精度,便于实际推广和应用,为瓦斯含量预测提供一种新的途径。     

六家煤矿WIIN1 6-7综放工作面瓦斯异常涌出综合治理研究

针对六家煤矿WIIN1 6-7综放工作面瓦斯涌出异常的现象，应用分源预测法预测了本工作面的瓦斯涌出量，得出其主要来源于上部顶板采空区；通过地面大气压力与井下瓦斯浓度的实测，分析其原因是由于地面大气压的变化。针对此特点采取了上部采空区钻孔抽放和本煤层采空区埋管抽放相结合的治理措施，并增加了注氮措施和采用三通和活塞的方法安装管路，取得了行之有效的效果。