综采工作面瓦斯爆炸风险评估

针对瓦斯涌出预测及风险评估过程时使用方法单一的问题,文章提出一种基于LSTM的综采工作面瓦斯涌出预测及风险评估方法。首先采用拉依达准则和拉格朗日插值法对原始的瓦斯浓度数据进行异常值和缺失值处理,其次选取均方误差作为模型的评价指标,利用适应性矩估计优化算法通过一阶偏差、二阶偏差校正对模型中的参数进行优化,最终通过训练建立LSTM的煤矿工作面瓦斯浓度预测模型。结果表明：以某矿综采工作面监测数据为例,利用“3σ”准则实现瓦斯爆炸风险等级划分,分别采用SVM支持向量机、BP神经网络和LSTM神经网络对瓦斯爆炸风险等级进行评估,通过对比3种模型的训练误差和预测值发现LSTM神经网络的风险评估误差较小,预测值准确度更高,具有更好的实用价值。     

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。     

一种基于PCA的GEP算法及在采煤工作面瓦斯涌出量预测中的应用

在研究主成分分析和基因表达式程序设计的基础上，提出一种基于主成分分析的基因表达式程序设计新算法，并将其用于采煤工作面瓦斯涌出量的预测．该算法先采用主成分分析方法对影响瓦斯涌出的变量进行降维处理，有效地减少预测模型的输入量，消除输入数据间的相关性，再用基因表达式程序设计建立采煤工作面瓦斯涌出量的预测模型．结果表明，预测结果比遗传规划和基因表达式等其他算法得到的结果具有更高的预测精度和稳定性．     

基于Python的瓦斯浓度ARIMA预测模型构建及其应用

针对矿井瓦斯浓度预测研究现状,提出一种基于Python的瓦斯浓度时间序列预测方法。该方法采集、处理了矿井瓦斯浓度历史数据,形成适用于数据挖掘的平稳时间序列;基于该序列,调用Python自带的ARIMA模块函数,构建瓦斯浓度预测模型;利用建立的预测模型对瓦斯浓度进行预测,并对比分析瓦斯浓度历史数据与预测数据的误差大小,进行模型预测效果评价;最后,利用满足精度要求的预测模型,预测瓦斯浓度变化趋势。以贵州某矿为例,采集2018年3月5日至2018年3月7日的瓦斯数据作为样本数据,并调用Python的ARIMA模块建立预测模型,开展瓦斯浓度预测研究。结果表明,该方法实现了瓦斯浓度预测的可视化,并使瓦斯浓度预测均方根误差低为234%,预测精度较高,可为降低矿井瓦斯事故提供一定的技术支撑。     

郭家河煤矿回采工作面瓦斯涌出量预测

矿井瓦斯涌出量的准确预测,可为煤矿安全生产提供有力保障。文中以郭家河煤矿为例,通过探讨瓦斯涌出量与影响因素之间的关系,采用多元回归分析法,结合回采工作面瓦斯涌出量的实测数据和相关参数,利用"统计产品与服务解决方案软件"(简称SPSS)对影响瓦斯涌出量的因素进行多元逐步回归分析,在解决各影响因素间多重共线性问题后,建立了瓦斯涌出量预测模型。将瓦斯涌出量实测值分别与多元逐步回归法和多元线性回归法所得的预测值进行比对分析,结果表明多元逐步回归法预测结果精度更高,更适合于回采工作面瓦斯涌出量预测。     

LSTM在煤矿瓦斯预测预警系统中的应用与设计

针对煤矿瓦斯浓度的预测的问题,以亭南煤矿正常生产期间302工作面的监测数据为研究背景,采用深度学习技术LSTM(Long Short Time Memory,长短时记忆网络)建立瓦斯预测模型,研究与设计了基于LSTM的煤矿瓦斯预测预警系统。LSTM网络针对时间序列数据具有较强的建模能力,能够实现信息的长期依赖,自动挖掘数据之间潜在的关联关系。采集煤矿正常生产期间的瓦斯监测数据作为训练数据,利用深度学习框架TensorFlow进行算法的仿真,并研究了不同时间步长、网络深度下的LSTM以及多信息融合对瓦斯预测模型性能的影响。实验结果在1 000条测试数据集上获得了3.61%平均相对偏差,LSTM瓦斯预测模型具有较高的准确度,泛化能力强。在系统研究与设计中,使用Spring,SpringMVC和Hibernate框架按照适应性、易用性、可扩展性等原则对系统进行了设计。系统部署阶段,将训练好的LSTM瓦斯预测模型部署在TensorFlow Serving服务器中,对外提供服务,实现了煤矿瓦斯预警系统,增强了煤矿瓦斯监控系统的预警能力,提高了煤炭企业安全生产管理水平,具有一定的实用价值。     

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.     

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。     

基于变分模态分解的瓦斯浓度多尺度组合预测

为提高煤矿瓦斯浓度的预测精度，将瓦斯浓度序列变分模态分解后对各模态分量分别采用差分整合移动平均自回归（ARIMA）模型和门控循环单元（GRU）模型进行预测，采用诱导广义有序加权函数平均（IGOWFA）算子组建变权组合预测模型的方法，对实验数据比较，结果表明：与采用单一预测方法或固定权值组合预测方法相比该方法的预测结果具有更高的预测精度，为煤矿判断瓦斯事故发生概率提供依据。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

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.     

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。     

基于小波变换和优化预测器的瓦斯浓度预测

为了准确预测煤矿瓦斯浓度,提出一种基于小波变换和优化预测器的预测方法.用瓦斯浓度序列分解到小波函数空间(或尺度函数空间)上的能量作为尺度能量,依据尺度能量与满足预测精度的最大误差能量的比值关系,确定小波最佳分解级数.通过小波分解降低瓦斯浓度序列的复杂度,引入延时映射,将小波分解后各个分量转化为具有历史特征的新样本分别进行预测,所得到结果进行叠加为最终预测结果.提出基于预测残差方差比检验的最佳延时单元数确定方法,以预测残差的F检验值作为适应值,采用粒子群算法优化预测器的参数.结果表明:单一的BP人工神经网络(BP_ANN)或支持向量机(SVM)所建立的预测方法对某些瓦斯浓度突变数据的预测有过拟合现象,其预测结果的平均误差大于23%,小波变换后的组合预测方法对于瓦斯浓度突变数据具有较好的跟踪能力和反应速度,采用预测模型的最佳参数后,预测器性能显著提高,平均误差小于10%,表明所建议的方法是可行和有效的.     

瓦斯涌出量的AFSA-ELM预测模型

为准确预测瓦斯涌出量,提出人工鱼群算法(AFSA)优化极限学习机(ELM)的瓦斯涌出量AFSA-ELM预测模型.该模型采用AFSA对ELM中的输入连接权值和隐含层阈值进行优化选取,为提高模型泛化能力,以训练样本的10次10折交叉验证的均方根误差的平均值作为AFSA目标函数的适应度值.利用18组煤矿实测数据进行试验.研究结果表明:AFSA实现了对ELM性能的优化,AFSA-ELM预测模型对样本的拟合度高,且具有较高的预测精度和泛化能力,即AFSA-ELM预测模型可以有效地实现对矿井瓦斯涌出量的预测.     

基因表达式程序设计方法在采煤工作面瓦斯涌出量预测中的应用

基因表达式程序设计是一种基于基因组和表现型组的新型遗传算法，该算法在运行时具有很高的效率，实验表明在求解很多问题的时候比遗传规划优越两个数量级以上．预测采煤工作面瓦斯涌出量是进行通风设计和制定矿井安全技术措施的重要依据，而影响采煤工作面瓦斯涌出量的各因素之间关系不明确．基因表达式程序设计比较适合于求解这一类复杂的非线性问题．本采用基因表达式程序设计，建立了采煤工作面瓦斯涌出量的预测模型．结果表明，预测结果比遗传规划得到的结果具有更高的预测精度和很好的稳定性．章最后指出了该方法具有广泛的应用前景．     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

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.     

最优组合预测及其在瓦斯浓度预测中的应用

瓦斯浓度预测是预防煤矿瓦斯事故的关键技术之一,以预测误差平方和最小为准则确定最优组合预测模型中的权系数,实现瓦斯浓度预测模型的最优组合,利用实际数据、通过与单一时间序列模型、线性回归模型及人工神经网络模型的预测精度对比分析,验证了瓦斯浓度最优组合预测模型的有效性和实用性。     

基于改进粒子群优化-反向传播神经网络算法的小麦储藏品质预测模型

在使用反向传播神经网络(back propagation neural network,BPNN)预测小麦的储藏品质时,由于其易陷入局部极值且收敛速度慢,导致预测误差较大且稳定性较差,由此提出一种改进粒子群(improved particle swarm optimization,IPSO)算法优化的BPNN预测模型.采用非线性函数动态调整粒子群算法中的惯性权重和学习因子,优化BPNN中的权值参数,进而构建IPSO-BPNN预测模型.为验证该模型的准确性和稳定性,将其与BPNN模型、PSO-BPNN模型进行对比,结果表明:IPSO-BPNN模型预测的均方误差显著降低,有助于提高小麦储藏品质预测的准确性和可靠性.