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.     

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。     

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.     

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.     

矿井回采工作面瓦斯涌出量预测新途径

在研究大量国内外矿井瓦斯涌出量预测方法的基础上,通过比较,分析灰色理论在矿井瓦斯涌出量预测方法中的优势,根据某矿102回采工作面的相关瓦斯涌出数据,以灰色预测理论为基础,通过对影响回采工作面瓦斯涌出量的关键因素分析,建立该工作面的瓦斯涌出量GM(1,1)预测模型,通过模型的求解,给出预测结果,并对结果进行检验.结果表明,该模型预测结果与生产实际吻合度较高,对煤矿瓦斯管理具有十分重要的指导意义.     

基于TLBO-LOIRE的回采工作面瓦斯涌出量预测

瓦斯涌出量是瓦斯防治与管理、矿井通风系统设计的重要基础数据,准确地预测瓦斯涌出量对于煤矿安全生产有着极其重要的指导意义与应用价值.但工作面瓦斯涌出规律复杂,在检测、数据采集过程中不可避免地会混入异常噪声,直接影响着瓦斯预测的准确性.本文采用l1正则化异常值隔离与回归方法(LOIRE)对煤矿回采工作面瓦斯涌出量及其相关影响因素的统计样本数据库进行计算分析,隔离样本的异常噪声干扰,利用教与学算法(TLBO)优化回归参数,建立了回采工作面瓦斯涌出量的优化预测模型,并对煤矿现场数据进行分析预测,结果表明3个回采工作面的瓦斯涌出量预测误差分别为3.04%、0.33%和2.36%,平均相对误差仅为2.36%.TLBO-LOIRE优化预测方法,预测准确性高,能够满足井下瓦斯防治的工程需要,对其它工程领域的数据预测同样适用.     

PCA-GA-SVM的回采工作面瓦斯涌出量预测

为预测回采工作面瓦斯涌出量,采用主成分分析(PCA)与遗传算法(GA)优化支持向量机(SVM)相耦合的方法,在样本数据的筛选上汲取主成分分析数据降维的优点,使选择的数据样本简洁且更具代表性;充分利用支持向量机训练速度快、能够获得全局最优解且具有良好泛华性能的特点,将遗传算法与其相结合,寻找最优的惩罚参数c和核函数参数g;建立基于PCA-GA-SVM的回采工作面瓦斯涌出量预测模型,并在实际中得到成功应用.研究结果表明:该预测模型预测的最大相对误差为16.15%,最小相对误差为2.43%,平均相对误差为13.25%,相比其他预测模型有更强的泛化能力和更高的预测精度.     

短期负荷预测的集成改进极端学习机方法

首次将极端学习机(ELM)理论引入短期负荷预测领域,并以BFGS拟牛顿法对ELM网络左侧权值进行优化训练调整,形成基于迭代-解析的改进ELM预测模型.同时,采用集成技术Boosting算法,生成多个差异度大的改进ELM子网络,对其进行加权组合,构建了集成改进极端学习机预测模型.该模型不仅有效避免了极端学习机左侧权值随机给定的输出稳定性问题,而且克服了单一网络预测模型泛化能力较差等缺陷.     

小波-极限学习机在瓦斯涌出量时变序列预测中的应用

针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%～10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%～7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%～13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。     

新信息优先原则下矿井回采工作面瓦斯涌出量的MUBGM(1,1)-Markov预测

为实现煤矿瓦斯涌出量的高精度预测,进而对矿井通风设计和瓦斯事故防治提供理论依据,以传统GM(1,1)模型为基础,建立了一种等维新息式无偏灰色马尔可夫预测模型(MUBGM(1,1)-Markov模型)。该模型将无偏灰色GM(1,1)模型与马尔可夫模型相结合,依据2001—2010年西北地区某煤矿二矿区矿井相对瓦斯涌出量数据,在新信息优先原则下经等维新息处理和原始数据序列的不断更新,预测出2011—2016年该矿的相对瓦斯涌出量。研究结果表明,MUBGM(1,1)-Markov预测模型不仅消除了传统灰色GM(1,1)模型的固有偏差,而且预测值可随数据的变化实时更新,预测效果理想,2013—2015年的平均相对误差仅为0.012 4,在中长期预测中具备明显优势,其较高的准确性和较强的适用性,为矿井瓦斯涌出量的高精度预测提供了可靠的保障。     

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.     

综采工作面的瓦斯涌出规律及涌出量的预测

根据综合机械采煤的特点和瓦斯流动理论,将瓦斯涌出源划分为煤壁(围岩)瓦斯涌出、落煤瓦斯涌出、采空区(残煤)瓦斯涌出及上下邻近层(未采分层)瓦斯涌出4个部分。针对现有回采工作面瓦斯涌出量预测计算方法存在的问题,以煤层瓦斯流动理论和实测数据分析为基础,系统的研究了综采工作面涌出源瓦斯的涌出规律,结合综合机械化采煤具有采、装、运连续作业的特点,分别对各瓦斯涌出源的瓦斯涌出量进行预测,进而建立了一种适应性范围广且准确率高的综采工作面瓦斯涌出量预测模型,对制定瓦斯防治方案,进而根治矿井瓦斯具有重要的实际意义。并且运用该模型对潞安集团新建的屯留矿进行了瓦斯涌出量的预测。     

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。     

矿井瓦斯涌出量灰色GM（1，1）预测模型的分析

灰色预测模型为矿井瓦斯涌出量时间动态数列的预测提供了一条新的途径。本文在对灰色ＧＭ（１，１）预测模型进行有关分析的基础上，提出了矿井瓦斯涌出量预测的ＧＤＭ模型，以进一步拓宽灰色预测的应用范围．利用该预测模型对一些矿井进行瓦斯涌出量的预测研究，均得到了较为满意的结果．     

基于时间序列与GWO-ELM模型的滑坡位移预测

针对三峡库区的阶跃型滑坡位移特征,以白水河滑坡为例,提出一种基于时间序列和灰狼优化的极限学习机(GWO-ELM)位移预测模型。首先,根据滑坡的内在演化规律和外部影响因素,建立滑坡位移的时间序列模型,将监测位移分解为趋势性位移和周期性位移,并运用稳健加权最小二乘法的三次多项式对趋势性位移进行拟合,以此得到周期性位移。其次,对位移监测数据进行分析,选取周期性位移的影响因子,分别通过GWO-ELM、极限学习机(ELM)和灰狼优化的支持向量机(GWO-SVM)模型对周期性位移进行预测。研究结果表明:GWO-ELM预测模型具有良好的泛化能力,能有效减少人为误差,在预测精度上,明显优于ELM和GWO-SVM模型。基于时间序列与GWO-ELM位移预测模型具有较高的预测精度和泛化能力,是一种有效的滑坡位移预测方法。     

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...     

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。     

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.     

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.