煤与瓦斯突出预测模糊专家系统

利用模糊数学与专家系统理论 ,建立了煤与瓦斯突出预测模糊专家系统并用于对实际矿井进行检验 ,证明结果是可信的     

煤与瓦斯突出的神经网络预测分析

煤与瓦斯突出是一个复杂的过程 ,做好预测预报工作显得尤为重要。本文通过建立煤与瓦斯突出的人工神经网络预测模型、原始样本的学习 ,可预测待报样本的突出情况 ,并进行了实例分析。经过检验 ,该预测模型的预测精度较高。图 1 ,表 2 ,参 3。     

潘二矿突出煤层石门快速揭煤技术应用

为实现潘二矿首个A组煤快速投产,实现矿井正常接替,通过合理利用现有巷道关系,优化钻孔设计,改进钻孔施工工艺,提高钻孔施工质量。并实行抽采系统自动排水,提高钻孔抽采效果,实现石门揭煤快速消突。为快速进入A组煤的煤巷掘进提供有力保障。     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

高瓦斯突出煤层石门揭煤防突措施的实践与应用

石门揭煤最容易发生煤与瓦斯突出,而且突出的强度较大,因此,在石门揭开有突出危险的煤层之前,必须对煤层采取防突措施,消除了局部范围内煤层的突出危险,确保了掘进期间的安全,为类似条件石门揭煤期间防防突治理提供了借鉴。     

基于神经网络与遗传算法耦合的 煤与瓦斯突出区域预测研究

煤与瓦斯突出是煤矿地下开采过程中的一种动力现象,剧烈的动力效应可导致矿井重大的财产损失和人员伤亡,因此,实现煤与瓦斯突出的有效预测对煤炭工业安全生产具有重要意义。文章以煤与瓦斯突出的自然条件及地质构造特征为基础,针对神经网络易陷入局部极小而引起预测指标权值分布不合理的缺陷,提出了基于神经网络和遗传算法耦合的煤与瓦斯突出区域预测模型,并进行了实例验证。研究结果证明了该模型的合理性,对煤矿实现煤与瓦斯突出区域的预测具有较大的指导价值。     

风水交替冲孔立井快速揭煤技术试验研究

针对低透气性煤层传统的排放钻孔立井揭煤技术严重地制约施工进度的问题,在桃园矿新副井揭8煤施工过程中,首次提出并试用了风水交替冲孔的快速揭煤技术,利用风水交替冲孔对钻孔孔壁煤体实施有序可控的剥离,增大了钻孔见煤段的孔径,使钻孔周围煤体得以卸压,瓦斯得到了较快的排放,消除了措施区域的煤与瓦斯突出危险性,实现了安全快速揭穿8...     

基于模糊神经网络的公路隧道火灾报警系统

综合考虑了温度值和烟雾浓度值,利用神经网络的学习方法来构造模糊系统,根据输入输出样本来自动设计和调整模糊系统的设计参数,实现了模糊系统的自学习和自适应功能。仿真结果表明,该系统在公路隧道火灾报警中提高了火灾报警的准确性,减少了对报警器的依赖程度,并使火灾报警时间有所提前。     

基于模糊数学法的煤与瓦斯突出危险性预测

本文利用模糊数学的方法,结合突出机理普遍接受的综合假说,选取潞安集团李村煤矿3#煤层影响突出的敏感指标,构建三角形隶属度函数,采用层次分析法确定敏感因素的权重系数,建立权重集,得出危险评估,计算评价结果。结果表明,李村煤矿3#煤层无煤与瓦斯突出危险性,验证该方法可为矿井防突提供依据。     

基于煤层钻孔气体参数检测的突出预测预报装置

为解决现行的煤层钻孔气体检测装置数据最高值不容易被捕捉、钻孔气体参数比较单一、测定结果不能实时显示的问题,特研制出一种煤层钻孔气体检测装置。此装置能够准确测定煤层钻孔内的气体浓度(包括甲烷、硫化氢和一氧化碳)、气体流量、气体温度和气体压力等(包括高压和低压)参数,并且数据实时显示、连续记录、易于查询。应用实践表明:该装置能够满足煤矿现场测定煤层钻孔参数的要求,对实时预测预报煤与瓦斯突出危险性、保障煤矿安全生产具有重要意义。     

吴寨矿庚组煤层煤与瓦斯突出危险性预测

随着采深的延伸和采掘强度的增大,非突出煤层或矿井的突出危险性预测与评价为保证煤层的安全开采提供了重要保障。平煤股份二矿庚20煤层曾发生煤与瓦斯突出现象,作为相邻矿井的吴寨矿在开采庚20煤层前需要确定其煤与瓦斯突出危险性。应用单项指标法对吴寨矿西翼采区标高-400 m以浅庚20煤层进行了煤与瓦斯突出危险性预测。结果表明,在该区域内庚20煤层的煤体破坏类型、坚固性系数均达到了突出煤层的临界指标值,但是煤层瓦斯压力和瓦斯放散初速度未达到临界指标值,因此,在该区域范围内庚20煤层不具有煤与瓦斯突出危险性,该结论指导了矿井安全生产和高产高效。     

基于模糊神经网络和证据理论的瓦斯突出评判策略

针对影响煤矿瓦斯突出因素的不确定性和复杂的非线性关系,不能够利用经典的数学理论建立精确的预测模型,将模糊神经网络和D-S证据理论有机结合,提出了基于模糊神经网络和D-S证据理论的煤矿瓦斯突出危险等级评判策略.首先对传感器采集的待评判采掘面参数进行预处理,使用模糊神经网络得出第一步的融合结果,并将其进行归一化处理,归一化函数作为基本概率赋值函数,然后将归一化之后的数值作为基本概率分配值,再用D-S证据理论进行第二次数据融合,作出最终评判.实验结果表明,该方法具有良好的适应性并能得到准确性较高的评判结果.     

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。     

基于神经网络的公路网规模预测

路网规模研究是公路网规划的重要内容。考虑影响公路网合理规模的多种因素，提出了一种基于BP神经网络的公路网规模预测方法，并建立了模拟路网规模与其影响因素间的非线形关系预测模型。步骤依次为：改进传统的BP算法、合理确定影响因素、建立预测模型、模型的训练与检验、数据预测。预测结果表明，该方法客观、合理，预测精度高，实用性强，具有较强的理论与实际应用价值。     

基于过采样支持向量机的煤与瓦斯突出预测

基于机器学习的煤与瓦斯分类预测方法中,各突出案例的数量不平衡会导致预测准确率降低。为了提升煤与瓦斯突出预测模型的准确率及稳定性,构建了过采样算法和支持向量机(support vector machine, SVM)组合的分类预测模型。首先,通过聚类分析将突出样本分成多个簇,在每个簇中对可能的噪声点按概率去除;然后通过过采样算法合成新样本,以减少样本数量不均衡对模型训练的影响;最后,用支持向量机模型结合粒子群算法对新数据集进行训练调优。实验结果表明:提出的模型在G-mean、曲线下面积(area under curve, AUC)值上均高于传统的分类模型,具有更强的算法鲁棒性,并且随着突出样本数量的减少,其优势更加明显。     

基于CRITIC法与可变模糊集的煤与瓦斯突出预测

针对煤与瓦斯突出评价的模糊不确定性问题,提出基于CRITIC法的可变模糊集预测方法,以此提高煤层突出危险程度预测的准确率。模型选取突出矿井防突工作中常用的6项判定指标作为煤与瓦斯突出评价指标,并确定了煤层突出危险程度分级标准;采用CRITIC法计算评价指标权重,引入可变模糊集理论合理确定评价指标对各级别的相对隶属度,建立煤层突出危险程度可变模糊集预测模型,依据危险等级特征值判断评价对象的隶属类别。实例应用表明,该方法较好地考虑了模型参数的可变性,准确地预测了煤层突出危险程度,评判结果更为可信,为煤岩动力灾害的准确预测提供理论指导。