基于瓦斯含量反演的工作面瓦斯涌出量动态预测研究

为解决煤矿采掘工作面瓦斯涌出量无法实时准确预测的问题,通过对采掘工作面瓦斯涌出来源和影响因素进行分析,阐述了工作面瓦斯含量反演的难点和处理方法,在此基础上建立了瓦斯含量反演模型,提出基于瓦斯含量反演的工作面瓦斯涌出量动态预测方法。该预测方法以瓦斯在煤体中的赋存状态是连续变化为前提,通过工作面煤体瓦斯含量反演并结合瓦斯涌出量特征系数的确定来对瓦斯涌出量进行预测。并在陕西象山煤矿进行工业试验,结果表明,该预测方法能够较好地对煤矿工作面瓦斯涌出量进行预测,瓦斯涌出量预测值与实测值的绝对误差范围在0.09~0.20 m^(3)/min之间,误差百分比控制在20%以内。利用该预测方法能够对采掘工作面瓦斯涌出量进行实时连续预测,保障煤矿安全高效生产。

基于变分模态分解与深度集成组合模型的瓦斯涌出量预测

为提高瓦斯涌出量预测精度,提出一种基于变分模态分解(variationalmode decomposition,VMD)的注意力机制(attentionmechanism,AM)-长短期记忆(longshortterm memory, LSTM)网络与极端梯度提升(extreme gradient boosting, XGBoost)组合的预测模型。利用VMD将瓦斯涌出量原始数据分解为高、低频率的分量,以长短期记忆网络时序分析模型为基础,将分解后的高频分量作为其输入。同时,引入注意力机制提取瓦斯涌出量影响因素时序数据中的关键信息,增强序列数据中关键信息的表达,提高模型的预测精度。利用XGBoost模型对低频分量进行预测,将高、低频分量的预测结果进行叠加求和,得到最终的瓦斯涌出量预测值。根据实验结果,引入注意力机制后模型的预测精度明显高于无注意力机制的预测模型,且所提出的组合模型的预测精度均高于对应的单一模型和其他对比模型,验证了该方法的有效性。

基于KPCA-LSSVM的回采工作面瓦斯涌出量的预测

为了提高瓦斯涌出量预测精度,针对瓦斯涌出量影响因素具有线性重叠、高维非线性等问题,提出使用核主成分分析法(KPCA)对影响因素进行非线性降维。选取沈阳某矿30组样本数据,以前24组数据作为训练集,后6组数据作为测试集,将确定后的核主成分作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-LSSVM预测模型,将预测结果与PCA-LSSVM、LSSVM、多元非线性回归、KPCA-BP神经网络、PCA-BP神经网络以及BP神经网络预测结果进行对比。以最大相对误差绝对值作为模型预测精度的评价指标。研究结果表明:当选取前4个核主成分时,即达到模型训练要求。KPCA-LSSVM模型的预测最大相对误差绝对值为5.89%,预测精度均优于其他6种对比模型。研究结果可为实现瓦斯涌出量高精度预测提供参考。

基于响应面法的煤矿瓦斯涌出量预测研究

为了高效稳定的预测工作面瓦斯涌出量,细化并简化建模过程,研究了影响因素间的交互作用,将响应面设计方法与逐步回归分析相结合,提出了优化的瓦斯涌出量预测模型,并在马堡煤矿进行了应用。结果表明:利用逐步回归分析可有效剔除对瓦斯涌出量影响不显著的因素;结合Design Expert系统中的Box-Behnken,以瓦斯涌出量为响应值建立了瓦斯涌出量与各显著因素之间的编码值响应面二次方优化模型,经检验,模型预测结果的相对误差绝对值的最大值为1.06%,平均值为0.63%。模型预测效果良好,可为煤矿瓦斯涌出量预测工作提供一定的参考。

大通煤矿3^(#)煤层瓦斯赋存特征及涌出量预测

开采深度和开采速度的增加,瓦斯动力突出灾害频发,瓦斯预测以及全矿区评判成为开采任务的重要研究方向。为进一步揭示大通矿区范围内瓦斯赋存以及突出可能性,采用采区实测数据对矿井范围内瓦斯含量以及涌出量进行预测。研究结果,4个采区的瓦斯赋存量和埋深进行拟合,3^(#)煤层的埋藏深度与瓦斯含量拟合关系为W=0.0057H+2.1618(R^(2)=0.88),分源预测法分别计算了回采工作面、掘进工作面和生产采区的瓦斯涌出量,井田内3#煤层瓦斯含量具有北高南低的特征,矿井最大绝对瓦斯涌出量达14 m^(3)/min,相对瓦斯涌出量约为5.6 m^(3)/t。

基于CEEMDAN-DA-GRU的瓦斯涌出量预测模型

针对瓦斯涌出量数据具有非线性、周期性的特点和实际场景下不同特征因素与瓦斯涌出量关联程度不同导致预测精度低的问题,提出一种基于完备经验模态分解和双重注意力机制的瓦斯涌出量预测模型。通过CEEMDAN方法将瓦斯涌出量数据分解为频率不同的分量,以降低非线性数据的预测难度;再计算特征注意力机制中计算各特征因素的权重,挖掘当前分量与各个特征之间的关联关系;基于门控循环单元的时序注意力机制量化历史隐藏状态对当前状态的影响,提高长时间序列预测的准确度。通过相加重构得到最终预测结果。基于陕西某矿瓦斯涌出量数据进行预测实验,所提出模型的平均绝对百分比误差为1.65%,均小于DA-GRU、GRU和SVM等对比模型,验证了该模型的有效性。

基于回归Shapley值分解法的回采工作面瓦斯涌出量影响因素研究

随着开采深度的增加,井下环境变得愈加复杂,亟需明确各因素对回采工作面瓦斯涌出量变化的影响程度。通过基于回归的Shapley值分解法,确定各因素对影响回采工作面瓦斯涌出量的贡献率;通过SPSS统计分析软件对数据进行分析,确保所得数据符合应用多元线性回归分析的前提条件;通过stata统计分析软件,利用OLS回归方法对修正后的数据进行数学建模,建立回归方程;基于Shapley值分解法,将回归方程进行分解,利用验证组数据对分解结果进行验证。煤层赋存条件为超厚煤层且第四系地层以黄土为主的前提下,得出各因素对影响回采工作面瓦斯涌出量的贡献率为:煤层厚度>工作面推进速度>煤层瓦斯含量>煤层上覆基岩厚度,煤层厚度为影响回采工作面瓦斯涌出量的决定性因素;通过将煤层厚度、工作面推进速度、煤层瓦斯含量、煤层上覆基岩厚度归纳为自然因素与开采因素,得出自然因素为影响回采工作面瓦斯涌出量的决定性因素。

基于BP神经网络的瓦斯涌出量预测模型研究

瓦斯爆炸事故是煤矿中最常见和最严重的安全隐患之一。瓦斯涌出量的预测对于煤矿安全管理具有重要的意义。以往煤矿瓦斯涌出量的预测主要依靠经验和现场实测数据,预测结果不够准确,无法及时提供预警信息。为提高瓦斯涌出量的精确性,本文通过综合分析煤层地质特征、煤体性质以及矿井开采条件对瓦斯涌出的影响规律,提出新的瓦斯浓度预测模型,可以提高预测精度和准确性,为煤矿的瓦斯防治和矿井通风设计提供科学依据,为矿山企业的经济决策提供参考,帮助企业制定合理的生产计划,提高经济效益。

改进思维进化算法优化BP神经网络的瓦斯涌出量预测研究

为了保证煤矿安全开采,并提高煤矿瓦斯涌出量的预测精度,提出了改进思维进化算法优化BP神经网络的模型预测新方法。在思维进化算法中加入精英反向学习策略增加算法的全局搜索能力,在趋同操作中引入粒子群算法避免重复搜索,以此实现对BP神经网络的初始权值和阈值的全局寻优,并通过矿井监测到的各项历史数据进行验证。结果表明:与BP神经网络模型和MEA-BP神经网络模型相比较,该模型的预测精度更高,泛化能力更强。该模型的平均相对变动值为0.00116,平均相对误差为0.81%,均方根误差为0.0576,有效提高了对瓦斯涌出量的预测精度,提升了煤矿安全生产技术。

矿井瓦斯涌出量预测的GM(1,1)模型研究

矿井瓦斯渗出量预测,对矿井安全及正常生产至关重要。由于矿井瓦斯涌出量的影响因素、关联变量和约束条件复杂,对各因素之间的影响程度难以区分和把握,因此在预测预报中的精度较差。而采用灰色理论则具有高度的概括性,可以把各种不确定的因素,统一用一个简单的“灰数”表示,预测精度高而且使用简单。在分析某矿历年来相对瓦斯涌出量的基础上,应用灰色系统理论对其瓦斯涌出量进行了预测,其方法与结果对预防煤矿恶性事故的发生,保证煤矿的安全生产具有重要意义。

基于PCA-SAPSO-BP神经网络的瓦斯涌出量预测研究

为提高煤矿井下瓦斯涌出量预测效率和准确性,针对瓦斯涌出量影响因素的多重相关性、复杂性问题,提出使用主成分分析法对影响因素进行降维处理,针对BP神经网络收敛速度慢且易陷入局部最优解的问题,引入退火粒子群算法优化BP神经网络的权值和阈值;利用Matlab软件编写并构建了PCA-SAPSO-BP神经网络耦合算法对瓦斯涌出量进行预测;选取开滦钱家营煤矿瓦斯涌出量及其影响因子数据作为样本,使用BP神经网络模型、PSO-BP模型和SAPSO-BP模型对样本进行预测。结果表明:PCA-SAPSO-BP神经网络模型的预测平均相对误差为1.06%,PCA-PSO-BP模型为2.20%,PCA-BP模型为3.00%,SAPSO-BP模型为1.61%,PSO-BP模型为2.81%,BP模型为3.98%;预测模型的归一化均方误差为0.0025,希尔不等系数为0.0055,平均绝对误差为0.07 m^(3)/min,判定系数为0.9975,证明PCA-SAPSO-BP神经网络模型提高了BP模型瓦斯涌出量的预测精度。

基于WOA-LSTM的工作面瓦斯涌出量预测研究

为了提高瓦斯涌出量预测的科学性和准确性,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的瓦斯涌出量多步预测模型。该模型首先采用皮尔逊(Pearson)相关系数法进行瓦斯涌出量影响因素的特征分析,筛选了9个主要影响瓦斯涌出量变化的特征作为模型的外部输入特征;其次采用鲸鱼优化算法对LSTM神经网络的隐藏层神经元个数、时间步长、批处理数进行优化;最后,构建WOA-LSTM模型进行瓦斯涌出量预测,实验研究了不同时间步长下模型的预测精度并对比分析了LSTM、RNN、BP模型的预测效果。结果表明:基于WOA-LSTM的瓦斯涌出量多步预测模型在3个时间步长的预测模型误差值达到最小,其平均绝对误差相较于LSTM、RNN和BP神经网络模型分别降低了41.6%、46.6%、65.8%,具有较强的鲁棒性,可为矿井瓦斯的防治提供参考。

自适应增强优化的瓦斯涌出量预测模型

为提升回采工作面瓦斯涌出量的预测能力,提出一种基于门控循环单元(gate recurrent unit,GRU)预测模型,利用瓦斯涌出相关影响因素对瓦斯涌出量进行预测。对麻雀搜索算法的初始化过程加以改进,采用改进后的麻雀算法对影响GRU预测模型的超参数进行优化,提高瓦斯涌出量的预测精度;利用AdaBoost算法的自适应增强能力,构建自适应增强优化的瓦斯涌出量预测模型(ISSA-GRU-AdaBoost模型),并通过核主成分分析提取预测指标特征,提升预测的快速性。将所建模型与PSO-ELM模型、QPSO-LSTM模型、PSO-BP模型,以及SSA-SVM模型进行对比实验,结果表明ISSA-GRU-AdaBoost预测模型的预测精度最高。

钱营孜煤矿3_(2)煤层瓦斯涌出量预测及赋存规律研究

为了探索钱营孜煤矿瓦斯赋存的特征,通过对各工作面的瓦斯涌出特征进行统计与分析,得出工作面和掘进面的瓦斯涌出量,进而明确了瓦斯涌出量与埋深的函数关系,然后对钱营孜煤矿瓦斯涌出量预测及赋存规律进行研究,有效保障了钱营孜煤矿的安全高效生产。

改进Adam优化器在瓦斯涌出量预测中的应用研究

目前对基于神经网络的瓦斯涌出量预测模型的研究主要集中在瓦斯涌出问题上的表现,对模型训练中优化器性质的关注与改进较少。基于神经网络的瓦斯涌出量预测模型的训练常采用Adam算法,但Adam算法的不收敛性易造成预测模型的最佳超参数丢失,导致预测效果不佳。针对上述问题,对Adam优化器进行改进,在Adam算法中引入一种随迭代更新的矩估计参数,在保证收敛速率的同时获得更强的收敛性。以山西焦煤西山煤电集团马兰矿某回采工作面为例,在相同的循环神经网络(RNN)预测模型下测试了改进的Adam优化器在瓦斯涌出量预测中的训练效率、模型收敛性与预测准确度。测试结果表明:(1)当隐藏层数为2和3时,改进的Adam算法较Adam算法的运行时间分别缩短了18.83,13.72 s。当隐藏层数为2时,Adam算法达到最大迭代数但仍没有收敛,而改进的Adam算法达到了收敛。(2)在不同隐藏层节点数量下,Adam算法都没有在最大迭代步长内收敛,而改进的Adam算法均达到了收敛,且CPU运行时间较Adam算法分别缩短16.17,188.83,22.15 s。改进的Adam算法预测趋势的正确性更高。(3)使用tanh函数时,改进的Adam算法的运行时间较Adam算法分别缩短了22.15,41.03 s,使用ReLU函数时,改进的Adam算法与Adam算法运行时间相差不大。(4)使用改进后的Adam算法做遍历网格搜索,得到最佳的模型超参数为{3,20,tanh},均方误差、归一化的均方误差、运行时间分别为0.0785,0.000101和32.59 s。改进的Adam算法给出的最优模型对于待预测范围内出现的几个低谷及峰值趋势判断均正确,在训练集上的拟合程度适当,未见明显的过拟合现象。

基于随机森林回归算法的回采工作面瓦斯涌出量预测

回采工作面是矿井瓦斯涌出的主要场所,精准预测回采工作面的瓦斯涌出量,进而有针对性地提出防治措施,对保证矿井安全生产具有重要意义。提出了基于随机森林回归算法的回采工作面瓦斯涌出量预测方法。以工作面实测瓦斯涌出量数据为原始样本,利用Bootstrap抽样方法进行随机抽样,以袋外数据(OOB)评估分数oob_score作为随机森林回归模型调参、特征变量重要性的评判指标,计算得出模型的最佳参数、特征变量重要性占比。对各特征变量的重要性占比进行排序,并按排序进行随机森林回归模型性能分析,结果表明:随着特征变量数的增加,模型性能不会呈现规律性的变化;当特征变量数较少时,可能存在过拟合的情况。测试结果表明,所创建的随机森林回归模型预测值与实测值的平均绝对误差、平均相对误差随着特征变量数的增加呈下降趋势,特征变量数的增加可在一定程度上提高模型的预测效果。针对同一组数据,与主成分回归分析法相比,随机森林回归模型平均相对误差降低了14.29%,预测效果更好,且原理更简单、调参更容易、计算速度更快,能够为矿井回采工作面瓦斯涌出量预测提供有力的理论支撑。

基于NMF-HGS-RF的瓦斯涌出量预测研究

瓦斯涌出量与开采环境和开采技术之间存在复杂的非线性关系,为了精准预测瓦斯涌出量,提出将非负矩阵分解(NMF)和随机森林(RF)相结合,建立煤层瓦斯涌出量预测模型。对沈阳某矿井数据的13个特征指标进行非负矩阵分解实现降维,将提取的5个主要成分作为RF的输入,瓦斯涌出量作为输出,实现回归预测。运用饥饿游戏搜索算法(HGS)对RF进行参数优化,并与麻雀搜索算法(SSA)、冠状病毒群体免疫优化算法(CHIO)、遗传算法(GA)、算数优化算法(AOA)、Aquila优化器算法(AO)、阿基米德算法(ArchOA)参数优化结果进行对比。实验结果显示:NMF-HGS-RF的收敛速度相对较快,预测精度相对较高,其相对误差的平均值为4.74%,而NMF-RF、NMF-SSA-RF、NMF-CHIO-RF等模型相对误差的平均值分别为6.34%、5.85%、6.21%、8.49%、4.95%、6.11%和7.93%。结果表明:NMF-RF预测精度高于未经降维处理的RF,且NMF-HGS-RF相比其他参数寻优后的RF具有更好的预测性能。

基于时间分析法的煤矿瓦斯涌出量预测研究

以提升煤矿开采工作安全性为目的,提出了基于时间分析法的煤矿瓦斯涌出量预测方法,提升煤矿瓦斯涌出量预测效果。首先采用灰色理论、傅里叶级数、自回归模型阶数分别建立煤矿瓦斯涌出量时间序列的趋势项预测模型、周期项预测模型和随机项预测模型,后对趋势项、周期项与随机项预测模型的结果进行加权融合,得到瓦斯涌出量预测结果,最后进行了仿真实验。结果表明:该方法准确描述煤矿瓦斯涌出量的趋势、周期与随机性变化特点,在不同煤层埋深与不同煤层倾角时,该瓦斯涌出量预测的精度均较高。

山西某矿煤层瓦斯涌出量预测研究

为了对山西某矿煤层瓦斯涌出量进行预测,采用理论分析与现场实践的方法对煤层瓦斯涌出量进行分析。结果表明2021年、2022年预测瓦斯涌出量数值与实际瓦斯涌出量基本一致。在对煤层瓦斯涌出量进行预测时,需从煤层埋藏深度、围岩、井田地质构造、地下动水、矿井瓦斯区分等多方面分析煤层瓦斯状况。

某矿井瓦斯赋存特征与涌出量预测分析

为解决某矿井煤与瓦斯突出问题,通过地质钻探手段查明了开采煤层的顶底板岩性,并于矿井不同位置测定瓦斯含量及瓦斯压力,从煤层顶底板岩性及完整性、煤层厚度、倾角、埋深等方面分析了矿井瓦斯的赋存规律。将测定结果导入矿井瓦斯地质动态分析系统,形成瓦斯含量分布云图,更为直观地反映了揭露区及附近区域的瓦斯分布情况。研究发现:在煤层埋深、厚度、倾角及地质构造综合作用下,该矿瓦斯主要分布于矿井西侧及中部偏南侧,而北侧及东侧瓦斯含量相对较少。将矿井瓦斯相对涌出量分为掘进工作面瓦斯相对涌出量、回采工作面瓦斯相对涌出量以及采空区瓦斯相对相对涌出量,根据矿井实际开采情况,对矿井瓦斯的相对涌出量进行了预测,从而为矿井安全生产及煤与瓦斯突出灾害防治提供了参考依据。