基于软测量和数据融合的煤与瓦斯突出预测

文章针对现有煤与瓦斯突出预测方法存在的不足,提出了一种基于软测量和数据融合技术的煤与瓦斯突出危险状况预测方法;利用检测到的煤与瓦斯突出的多种影响因素数据,建立了基于模糊BP神经网络的软测量模型对煤与瓦斯突出危险状况进行动态和准确地预测,并应用基于均值的分批估计融合方法对检测到的因素数据进行处理,提高数据检测的精度,进一步增强煤与瓦斯突出危险状况预测的准确性;通过实例对方法进行验证,结果表明,提出的方法预测准确性高,是一种有效的煤与瓦斯突出预测方法.     

基于灰关联分析和神经网络的煤与瓦斯突出预测

应用灰色关联分析,对煤与瓦斯突出影响因素进行灰关联分析,得出了各影响因素对煤与瓦斯突出影响程度的大小排序;选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型;用我国典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本进行验证.结果证明该系统能较准确地预测煤矿的瓦斯突出情况.     

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.     

基于残缺数据的煤与瓦斯突出预测系统

煤与瓦斯突出是煤矿事故发生的主要原因.正确预测煤与瓦斯突出,对于煤炭企业安全生产具有重要意义.对和煤与瓦斯突出相关的5个特征进行分析,采用拉依达准则处理数据异常值.针对数据变量缺失的情况,选择具有代表性的均值插补、多重插补、K近邻插补和随机森林插补方法完成数据插补.采用随机森林、支持向量机和K近邻模型进行煤与瓦斯突出预...     

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。     

基于粗糙集与粒子群优化支持向量机的瓦斯突出预测模型

针对煤矿开采中煤与瓦斯突出的预测问题,在综合分析瓦斯突出影响因素的基础上,利用粗糙集理论和支持向量机相结合的方法,选取煤厚变化、地质构造、煤坚固性系数、巷道采压、瓦斯变化、钻屑瓦斯解吸值等10个特征指标建立瓦斯突出预测决策表,并利用粗糙集理论中的属性约简算法剔除冗余信息,再使用粒子群算法优化支持向量机的参数,通过核函数将瓦斯突出主控因素映射到高维空间,拟合主控因素与瓦斯突出强度之间的非线性映射关系,建立了基于粗糙集理论和粒子群优化支持向量机的瓦斯突出预测模型.选用典型的瓦斯突出实例作为学习样本,以河南某矿的突出实例作为测试样本进行预测.实验结果表明,该模型能够满足煤与瓦斯突出预测的要求,预测结果与实际结果一致,准确率较高,具有较好的适应性.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络 的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数, 并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该 方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的 灰色神经网络等方法.     

基于改进CS优化算法的灰色神经网络预测模型

为了提高灰色神经网络在人工智能预测领域中的预测准确性,提出一种改进布谷鸟算法优化灰色神经网络的预测方法.通过改进的布谷鸟算法对常规灰色神经网络(GNN)的白化参数进行优化,寻找出最优初始化参数,并将其结果作为灰色神经网络的输入,建立了基于改进布谷鸟优化的灰色神经网络预测模型,在此基础上,采用该方法对煤与瓦斯突出进行预测.仿真实验表明,该模型的预测精度要优于标准灰色神经网络和基于粒子群算法的灰色神经网络等方法.     

基于系统聚类分析和判别分析的煤与瓦斯突出预测

煤与瓦斯突出是一种非常复杂的动力现象,影响因素众多,发生原因复杂。文中采用SPSS软件对典型突出矿井的煤层瓦斯压力(P)、瓦斯放散初速度(ΔP)、煤的破坏类型(D)、煤的坚固性系数(f)4个参数的实测数据进行了系统聚类分析。分析结果与17个已知样本实际发生的动力现象一致,说明了综合4个指标来预测煤与瓦斯突出的合理性。然后通过判别分析建立了煤与瓦斯突出预测函数。实践证明,该函数较准确地预测了17个已知样本和4个未知样本的煤层突出危险性,为煤与瓦斯突出预测提供了一种新方法。     

基于案例推理和数据融合的煤与瓦斯突出预测

为了实现对煤与瓦斯突出快速、准确和动态预测,确保煤矿安全生产,考虑影响煤与瓦斯突出多种因素,提出了一种基于案例推理和数据融合技术的煤与瓦斯突出预测方法.利用基于均值的分批估计融合方法对判别煤与瓦斯突出指标的多传感器数据进行处理以获取更为准确、可靠的数据以提高预测准确性,以获得的多种判别煤与瓦斯突出指标数据为输入利用案例...     

基于改进粒子群SVM的海洋赤潮监测算法设计

为克服传统的海洋赤潮监测算法滞后性问题,提出了一种改进粒子群SVM的海洋赤潮监测算法。首先,给出基于改进粒子群SVM的海洋赤潮监测算法的基本原理,采用改进粒子群算法来对SVM的参数进行优化。优化后的SVM模型作为初始模型,采用有标签的样本数据对SVM进行训练,得到训练好的SVM模型。测试当前数据时,将其输入到训练好的SVM模型,通过投票方法统计得到该数据对应的预测结果。仿真实验结果表明,预测结果较为精确,与其他方法相比,具有监测精度高和时间开销小等优点。     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

煤与瓦斯突出前瓦斯涌出动态混沌特性

为了分析煤与瓦斯突出前瓦斯涌出量时间序列的混沌动力学特征,对某矿突出前的瓦斯涌出量实测数据的时间序列进行了相空间重构,采用G-P算法计算了突出前瓦斯涌出量时间序列的饱和嵌入维数和关联维数,采用Wolf方法计算了最大Lyapunov指数。结果表明:突出前瓦斯涌出量时间序列是一混沌序列,具有混沌特性;对于研究的瓦斯涌出量时间序列,当嵌入空间维数m取6～7时,Lyapunov特征指数趋于稳定值0.074,即为最大Lyapunov指数LE1;可以应用混沌理论分析突出前瓦斯涌出量时间序列的非线性特征。为煤与瓦斯突出预测研究提供了一种新思路。     

基于PCA-RBF网络的煤与瓦斯突出强度预测

为提高煤与瓦斯突出强度预测的准确性,采用主成分分析(PCA)法降低变量间的相关性,并将其与径向基网络相结合,对煤与瓦斯突出强度进行预测.以某矿为研究对象,对煤与瓦斯突出强度影响因素进行主成分提取,选取累计方差贡献率超过85%的三个主成分,代替原来的六个影响因素,将其作为RBF网络的输入参数,构建PCA-RBF煤与瓦斯突出强度预测模型.研究结果表明:PCA-RBF网络预测模型的平均相对误差为5.55%,满足煤与瓦斯突出强度预测的要求.     

概率神经网络在煤与瓦斯突出中的应用

为准确预测矿井煤与瓦斯突出的危险性,针对小样本情况下BP神经网络泛化能力低的缺点,采用概率神经网络对煤与瓦斯突出的危险性进行预测.该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

基于PSO-Adam-GRU的煤矿瓦斯浓度预测模型

煤矿瓦斯浓度的精准预测是矿井瓦斯防治的关键。为了准确可靠地预测工作面瓦斯浓度,提出了一种基于门控循环单元方法的工作面瓦斯浓度预测模型。采用邻近均值法对数据缺失值和异常值进行补全,采用MinMaxScaler方法对实验数据进行归一化处理,为了提高模型精度和稳定性,采用粒子群算法和Adam算法对GRU超参数进行优化,从而构建了基于PSO-Adam-GRU的工作面瓦斯浓度预测模型。以崔家沟煤矿生产监测数据为样本数据进行模型训练,采用平均绝对误差、均方根误差、运行时间3种评价指标对预测模型性能进行评估,并将预测结果与BPNN和LSTM进行对比。结果表明:PSO-Adam-GRU较BPNN和LSTM具有更高的精度和稳定性,在预测过程中MAE可降低到0.058,RMSE可降低到0.005.结果表明,基于PSO-Adam-GRU的瓦斯浓度预测模型和参数优选方法可有效预测出瓦斯浓度,该模型在瓦斯浓度时间序列预测方面具有更高的准确性和鲁棒性,可为矿井瓦斯治理提供一定指导意见。     

基于协同过滤加权预测的主动学习缺失值填补算法

在机器学习应用中,缺失值填补作为一种预处理技术,能有效提高数据的可用性,然而在缺失值较多或不均衡时,这些技术的效果并不理想.主动学习场景允许机器与用户交互,以获取少量关键数据,提高分类精度.针对主动获取数据量有限的问题,提出基于协同过滤加权预测的主动学习缺失值填补算法(Collaborative Filtering weighted prediction based Active Learning,CFAL).首先采用基于样本和基于属性的协同过滤方法分别预测缺失值;然后根据预测值的差异对数据进行排序,差异大的少量数据进行主动获取,差异小的少量数据利用预测值的平均值进行填补;重复该过程直到主动获取数据达到所给阈值上限,其余缺失值则使用预测值均值填补.实验在七个UCI常用数据集上进行,结果表明,与流行的几种填补算法相比,CFAL算法能更好地提升数据质量,应用于C4.5,kNN等算法能获得更高的分类精度.     

Matlab在工作面煤与瓦斯突出预测中的应用

考虑到煤与瓦斯突出发生的内在机理的复杂性,突出影响因素与突出事件之间的非线性,阐述了人工神经网络的原理和算法,在分析了煤与瓦斯突出的主要影响因素的基础上,依据功能强大的matlab神经网络工具箱,采用BP人工神经网络模型,通过训练得到了影响突出因素与突出事件之间的关系,为突出非线性动力机制及预测提供了新的途径.实例表明,Matlab神经网络工具箱用于煤与瓦斯突出预测是可行的.     

煤与瓦斯突出预测敏感指标

为系统反映评价指标自身属性并和煤与瓦斯突出实际相结合,提高预测和判别的准确性与严谨性,分别建立基于"三率"(突出预测率、突出预测准确率、不突出预测准确率)的"效益、成本型"属性和"区间型"属性的煤与瓦斯突出预测敏感指标筛选模型,根据现场预测所得数据建立预测与决策的样本矩阵,依据不同属性进行算子转换构造决策矩阵,采用成分提取确定决策矩阵中各评价指标的权重,作出各预测指标的排序.研究结果表明:张集煤矿煤与瓦斯突出预测的敏感指标是钻屑瓦斯解析指标、钻孔瓦斯涌出初速度.研究结论能将开采煤层实际突出率引入评价系统中,又能使各指标之间的区分更加明显.