神经网络分析方法在瓦斯预测中的应用

论述了瓦斯预测技术的研究现状及其在现代矿业中面临的新问题,介绍了神经网络技术在处理复杂地质条件方面的优越性,探讨了瓦斯预测技术与人工神经网络等高新技术相结合的可能性与必要性,并举例论证了它们在瓦斯预测过程中的适用性。实践证明:瓦斯预测技术与人工神经网络相结合所建立的预测模型,不仅能够综合考虑各种影响因素,较好地处理地质条件中的各种非线性关系,而且预测精度高,结论可靠,为瓦斯预测技术的进一步发展提供了新的思路。

基于GIS的瓦斯预测信息管理系统

结合潘三矿瓦斯预测信息管理系统的实例,分析了瓦斯突出区域预测指标,探讨了如何利用地理信息系统(GIS)技术和计算机技术实现瓦斯预测的科学化自动化管理,对基于ArcView的瓦斯预测信息管理系统的总体结构及系统功能进行了分析和设计,并对系统开发过程中的关键技术进行了详细分析。

煤矿瓦斯预测知识获取模型的应用研究

将粗糙集与神经网络结合,提出由样本更新、粗糙集预处理、神经网络训练、规则提取4个模块组成的煤矿瓦斯预测知识获取模型,将其应用于实时数据进行实验,结果表明,该模型实时性好、可靠性及精度高,可以较好地解决煤矿瓦斯预测知识获取困难的问题,为煤矿瓦斯预测专家系统知识库的建立奠定基础。

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明:改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。

基于混沌粒子群的AWLSSVM瓦斯预测研究

为了提高矿井瓦斯浓度预测的准确性,提出1种改进混沌粒子群算法的多变量自适应加权最小二乘支持向量机(AWLSSVM)瓦斯预测模型,且实现了瓦斯浓度的多步预测。首先,对粒子群算法进行分析,提出1种收敛速度更快、全局搜索能力更强的改进混沌粒子群算法;针对加权最小二乘支持向量机(WLSSVM)权值线性分布的缺点,根据离散点的分布特征,提出了AWLSSVM;其次,采用混沌理论构建模型的样本集;最后,对建立的模型进行了实例分析。结果表明:AWLSSVM单变量预测精度相对于最小二乘支持向量机、WLSSVM分别提高了5.3%和6.7%;多变量AWLSSVM相对于单变量AWLSSVM五步预测精度分别提高了39.3%、49.6%、55.9%、59.7%、62.5%。

云盖山煤矿二矿瓦斯地质特征分析及瓦斯预测

论文以瓦斯地质理论为基础,结合云盖山煤矿二矿瓦斯地质特征,运用区域构造演化理论和构造逐级控制理论,分析了区域构造特征及对矿区、矿井地质构造的控制,指出了煤层瓦斯和构造煤的分布规律,并进行了瓦斯涌出量预测,同时指出该矿深部含高能瓦斯的构造煤发育区具有煤与瓦斯突出发生的危险,目前的低瓦斯矿井极可能升级为高瓦斯矿井或煤与瓦斯突出矿井,对矿井瓦斯灾害防治具有指导意义。

基于SuperMap的瓦斯预测管理系统设计与开发

介绍了SuperMap地理信息系统软件和将其应用到煤矿的瓦斯管理的必要性和意义,并研究瓦斯预测管理系统选用突出预测指标和瓦斯涌出量公式的合理性,采用组件式GIS(地理信息系统)空间数据的获取、存储、分析、处理和显示等技术,设计开发了基于SuperMap的瓦斯预测管理系统,并具体介绍利用SuperMap,SQL Sever 2005和VC++6.0进行无缝结合来实现瓦斯预测管理系统的成功开发,结果表明,该系统实现了煤矿瓦斯预测的可视化管理,为煤矿企业瓦斯管理人员和领导决策提供了新的管理途径。

基于BP和RBFNN的神经网络算法在瓦斯预测中的应用及比较

煤与瓦斯突出是目前导致井下事故的直接原因,及时准确地预测瓦斯突出情况,对于保障井下安全生产有着十分重要地意义。神经网络有良好地自学习和自感应能力。文中将BP算法和基于径向基函数的递归正交最小二乘算法应用于瓦斯预测中,同时比较了两种算法的优点及缺点。仿真测试结果表明,径向基函数神经网络在瓦斯预测中有着更好的实用性。

基于WebGIS的瓦斯预测信息管理系统

针对瓦斯地质数据等信息资源共享中存在的问题,提出了采用WebGIS(网络地理信息系统)技术,以ArcView为平台,以ArcIMS 4.0为发布工具的解决方案。介绍了瓦斯预测信息管理系统的设计目标,阐述了系统的体系结构、开发环境、技术流程,并对系统开发过程中的关键技术进行了详细分析。

基于神经网络与改进ABC算法的瓦斯预测研究

人工蜜蜂群(ABC)优化算法具有较强的全局搜索能力。在标准算法的基础上,参考粒子群优化算法,加入当前全局最优解对算法的有益引导;当观察蜂在引导蜂所在食物源附近搜索时,引入混沌搜索机制,改善局部搜索性能。利用改进的ABC算法,以网络训练的最小方差F为优化指标,优化神经网络的连接权值。优化后的神经网络用于瓦斯预测,取得了良好的效果。

灰色理论在掘进工作面瓦斯预测中的应用

运用灰色系统理论，对煤矿采掘工作面的瓦斯涌出变化进行了分析，建立了不同深度及掘进过程中的瓦斯预测（ＧＭ）模型，经检验对比，灰色预测精度明显高于传统的矿山统计法。

邢台显德汪煤矿瓦斯地质分析及瓦斯预测

分析了矿井瓦斯赋存规律 ,研究了瓦斯涌出特点 ,采用瓦斯涌出量与瓦斯含量比值法及瓦斯地质相关因素分析法 ,对矿井瓦斯涌出量进行了预测 。

井田深部瓦斯预测方法

以徐州张小楼井田７煤为例，采用逐步回归分析方法，将绝对瓦斯涌出量与煤厚、埋深及构造应力联系起来，对井田深部的瓦斯赋存规律做了预测，取得了切合实际的效果。

宿南矿区瓦斯含量分布特征及深部瓦斯预测研究

为了探究宿南矿区煤层瓦斯含量分布的规律及预测深部瓦斯含量,基于对瓦斯地质情况的分析,结合矿区地质构造与煤层赋存特征,分析并确定了煤层埋藏深度为影响瓦斯赋存的主要因素。采用非线性回归分析的方法确定煤层瓦斯含量与主控因素埋藏深度之间的关系,建立了相应的瓦斯含量模型,并对煤层深部瓦斯含量进行预测。研究结果表明:建立的瓦斯含量预测模型可以反映宿南矿区瓦斯赋存的主控因素。随着煤层埋藏深度的不断增加,宿南向斜核部瓦斯含量较高,两翼瓦斯含量较低;靠近西寺坡逆断层的瓦斯含量较高;宿南矿区瓦斯赋存规律与断层构造、褶皱构造、岩浆岩活动等地质条件密切相关。

煤矿瓦斯预测专家系统中基于粗集的知识获取方法

针对现有煤矿瓦斯预测专家系统因没有新知识获取措施及知识自更新功能而预测效果不佳的问题,提出了基于粗集的知识获取方法。该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机实现煤矿瓦斯突出的实时预测。实例分析验证了该方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性。

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用D elph i编程语言,预测了瓦斯的涌出量,并结合实例进行了验证。

采用数据融合技术进行矿井瓦斯预测

该文针对综掘工作面瓦斯预测技术 ,提出采用基于多传感器算术平均值与分批估计的数据融合以及证据理论的融合方法实现。

GIS在瓦斯预测及管理中的应用

文中研究了在GIS技术支持下的瓦斯突出区域预测信息管理的新方法，应用信息集成构建包括多个变量的、三维的、实时更新的可视化的信息平台，实现了区域预测、决策的一体化。

基于RBF神经网络的矿井瓦斯预测

预测瓦斯含量是治理瓦斯突出与爆炸的前提。这篇文章采用RBF神经网络方法利用监测的历史瓦斯数据来预测瓦斯含量。通过用样本数据对RBF神经网络进行训练,用检验样本进行验证,预测误差在可接受范围内。通过实验,验证了用RBF神经网络的方法对矿井瓦斯预测是可行的。

构造性神经网络在煤矿瓦斯预测中的应用

在商空间粒度计算理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,可以通过对问题进行宏观分析——研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种粒度,从不同的层次分析复杂的瓦斯数据信息使得学习样本的特征更加明显,以更好地满足机器学习的要求。构造性神经网络学习方法则可以从微观上对具有不同粒度结构的商空间进行数据挖掘。最后将该方法应用于瓦斯浓度预测,取得了较好的结果.这表明了基于商空间的构造性神经网络学习方法的可行性和应用前景。