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.     

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。     

基于灰色预测模型GM（1，1）的矿井瓦斯涌出量预测及其参数研究

本文解释了GM（1，1）模型中的发展系数（a）与灰作用量（b）的意义，并对其在GM（1，1）的白化方程中的作用和对预测的影响进行了研究，根据这些结果，对GM（1，1）模型在矿井瓦斯涌出量预测方面进行了计算，肯定了GM（1，1）在矿井瓦斯涌出量预测方面的应用前景。     

灰色线性回归组合模型在矿井瓦斯涌出量预测中的应用——以铁法煤业集团晓南矿为例

瓦斯灾害是煤矿生产的头号大敌,随着开采深度的进一步加大和高强度机械采掘,瓦斯涌出量急剧增大,瓦斯灾害的威胁更加突出,给矿井的安全生产带来了很大的影响,因此对于未采掘煤层瓦斯涌出量的预测对于矿井的安全生产至关重要.本文以铁法煤业集团晓南矿为研究对象,结合GM(1,1)模型与线性回归耦合方法,对未采掘煤层的瓦斯涌出量做出预测评价,为矿井的安全生产提供指导.     

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.     

矿井瓦斯涌出量建模预测

针对矿井瓦斯涌出量影响因素复杂,数据序列波动性较大,灰色GM(1,1)预测模型精度低,本身存在一定缺陷的特点,将自记忆性原理引人灰色系统理论,建立了矿井瓦斯涌出量预测的灰色自记忆预测模型。经在韩城下峪口煤矿应用表明,该模型具有预测精度高,稳定性好的特点。     

MGM(1,N)模型用于瓦斯涌出量预测

矿井瓦斯涌出量预测是新建矿井和改扩建矿井通风设计、安全管理、制定合理的瓦斯防治措施必不可少的重要环节。加强瓦斯涌出量预测方法研究,正确预测瓦斯涌出量,对改善我国煤矿安全生产状况具有积极的意义。在瓦斯涌出量预测中,瓦斯涌出量受多因素综合影响,且各个因素间相互影响、相互关联。文中提出一种新的矿井瓦斯涌出量预测方法——MGM(1,N)模型预测法。该方法综合考虑了瓦斯涌出量的各个影响因素,预测精度较高。其结果对煤矿安全生产具有指导意义。     

成庄矿反风期间瓦斯涌出规律

针对矿井反风期间井下通风状况及瓦斯涌出规律发生了较大的变化,通过对反风演习时瓦斯涌出状况的研究,进一步掌握了反风期间瓦斯的涌出规律.研究表明矿井反风期间矿井瓦斯的绝对涌出量低于反风前矿井瓦斯的绝对涌出量,回采工作面瓦斯浓度低于反风前瓦斯浓度,矿井反风后矿井总回风道(主井底)的瓦斯浓度低于反风前总回风道的正常瓦斯浓度.这对实际生产中瓦斯控制有着重要的指导意义.     

基于GM（1,1）模型的瓦斯涌出量预测及其计算机实现

通过采用灰色系统理论的GM（1,1）模型来预测瓦斯的涌出量.根据GM（1,1）的数学模型,用vb6编程实现了对瓦斯涌出量预测的计算机模拟。     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

组合模型在港口集装箱吞吐量预测中的应用

根据某港的集装箱吞吐量的历史数据,分别利用时间序列的三次指数平滑法、改进的GM(1,1)残差模型以及组合预测方法对某港的集装箱吞吐量进行了探讨,并对未来几年某港集装箱吞吐量进行了预测.结果证明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差绝对值以及误差的标准差分别为4.5208,0.0343,49.5161,都小于单独用三次指数平滑法或改进的GM(1,1)残差模型时的平均绝对误差、平均相对误差绝对值以及误差的标准差,达到最优的精度等级.     

灰色模型GM(1,1)的稳健算法及其应用

将最小一乘法应用于微分方程变量参数求解,建立稳健灰色模型RGM(1,1),并将其应用于建筑物沉降预报和比较.研究和实际应用表明：稳健灰色模型RGM(1,1)比常规灰色模型GM(1,1)具有更好的抗干扰性能和受异常点影响小的优点,根据少量的观测数据建立的RGM(1,1)模型有更好的预报应用价值.     

高速公路交通量预测的GM(1,1)残差改进模型

针对传统GM(1,1)模型在预测高速公路交通量中存在误差过大、计算复杂的问题,通过定义残差序列,对预测序列与残差序列进行累加再处理,构造新的序列数据;并且对新序列数据构造GM(1,1)残差改进模型,以进行预测。模型应用于某高速公路某收费站,对9期序列数据进行了模拟预测。结果表明,GM(1,1)残差改进模型的平均预测误差为7.25%,优于传统GM(1,1)模型预测的平均相对误差12.7%。     

GM（1，1）模型对马鞍山矿大巷变形预测

本文在现场调研和定性分析的基础上依据灰色系统理论对马鞍山矿巷道变形数据进行多种生成处理后建立了灰色微分方程预测模型（ＧＭ（１，１）模型）并据此对－１７０ｍ水平以下的巷道进行变形预测。通过预测分析作出了１７０ｍ水平以下巷遗支护形式、施工工艺改革势在必行的结论。为该矿的开拓延深设计提供了科学依据，表４，参２。     

三种预测模型的比较与研究

通过对某地区自然灾害造成的损失数据的预测,针对灰色预测模型GM(1,1)预测精度问题展开了一系列研究.采用直线插值法将非等时距数据进行等时距变换.通过后验差验算线性回归模型、指数回归模型和GM(1,1)模型的预测等级,验算结果表明指数回归模型的预测等级与GM(1,1)的预测等级都处于最优级,线性回归预测等级为不合格.为进一步研究GM(1,1)和指数回归预测模型的预测精度,将两者的预测相对残差绝对值进行对比分析,结果表明GM(1,1)整体预测精度比指数回归模型略高.     

基于随机波动条件的公交客运量预测模型

针对传统的灰色GM（1,1）预测模型在预测公交客运量中存在误差过大的问题,结合公交客运量随机波动的显著特征,通过对残差序列进行再处理,构造新的数据序列,构建GM（1,1）改进预测模型对公交客运量进行预测,并应用于某城市的2条公交线路客运量预测。结果表明：随机波动条件下的GM（1,1）改进预测模型,使用预测序列与残差序列绝对值之和来构造新序列,对新序列进行建模后预测的公交客运量的平均相对误差分别为4.9%和5.3%,明显优于传统GM（1,1）模型预测的公交客运量的平均相对误差7.5%和7.45%;相对误差最大值分别降低了4.68%和2.99%。     

灰色模型GM(1,1)在益阳市耕地预测中的应用

以湖南省益阳市2000～2006年耕地数据为基础和平台,运用灰色预测GM（1,1）模型,探讨了耕地数量动态变化,为可持续发展规划提供参考．结果表明,GM（1,1）模型对益阳市耕地资源数量的历史趋势拟合程度较高,预测结果符合益阳市耕地数量变化规律,即益阳市耕地面积在未来几年内仍将呈现出持续减少的趋势．因此保护耕地资源,合理利用和保护耕地都是刻不容缓的任务．     

等维灰数递补模型在人口预测中的应用——以浙江省为例

介绍了GM(1,1)灰色模型的建模过程,应用等维递补方法对其进行修正,得到等维灰数递补模型,采用该模型对2010- 2020年浙江省总人口进行了动态预测.精度检验结果表明,模型预测精度较高、预测结果可靠.