基于GRA-MSWOA-SVM的煤与瓦斯突出危险性预测研究

为提高煤与瓦斯突出危险性预测的精准度,提出一种灰色关联分析(GRA)去噪、混合策略改进鲸鱼算法(MSWOA)优化支持向量机(SVM)的煤与瓦斯突出预测模型。选取山西煤矿的实测数据为样本,经灰色关联分析(GRA)剔除影响程度较小的指标;基于鲸鱼优化算法(WOA),引入非线性时变因子、惯性权重及预选择机制的小生境技术设计MSWOA,利用MSWOA优化SVM的惩罚参数与核参数,构建煤与瓦斯突出危险性预测模型并与其他模型对比。结果表明:基于GRA的数据约简能进一步减少冗余因素,有效提升模型预测精度;MSWOA比鲸鱼优化算法(WOA)提前40代左右收敛,寻优速度更快;与其他预测模型相比,该模型预测精度更高,具有可靠性。

小断层附近煤与瓦斯突出危险性预测

煤与瓦斯突出危险性预测关系到瓦斯治理措施的有效实施。为提高煤层隐伏小断层附近瓦斯治理的效果,结合煤与瓦斯突出的主要影响因素,提出了小断层附近煤与瓦斯突出危险的动态分析方法,包括瓦斯地质条件勘查、瓦斯地质数值建模、采动应力场演化及煤与瓦斯突出预测等流程。以古汉山煤矿14171采煤工作面为例说明该方法实施过程,在瓦斯地质条件精细勘查基础上构建数值模型,开展了工作面开采前,以及开采过程中的采动应力场数值模拟分析,发现煤层在开采前应力集中区出现在断层端部偏一侧部位、在开采过程中沿断层走向一侧范围出现应力集中,预测在小断层端部偏一侧15 m范围内有煤与瓦斯突出危险,开采距断层小于21 m范围内煤层存在煤与瓦斯突出危险,煤与瓦斯突出危险带的分布范围为区域防突措施评判和工作面预测提供了理论指导。现场实施的检验钻孔表明,瓦斯解吸指标Δh2和钻孔瓦斯涌出初速度指标q在开采距小断层8~20 m范围内出现异常增大现象,该范围煤与瓦斯突出危险性大,与煤与瓦斯突出动态分析的结果基本吻合,佐证了该方法的有效性。研究成果为复杂构造带煤与瓦斯突出预测开辟了新思路,为相似地质条件下矿井开展瓦斯治理工作提供了技术借鉴。

铁路隧道煤与瓦斯突出危险性判定分析

铁路隧道在施工开挖过程中判定具有煤与瓦斯突出危险性,会导致投资增加和工期延长等问题。本文解读了国家煤矿安监局煤安监技装〔2019〕28号文附件《防治煤与瓦斯突出细则》与TB 10120-2019《铁路瓦斯隧道技术规范》中关于煤与瓦斯突出危险性判定的规定。通过对比不同铁路隧道煤与瓦斯突出危险性判定实例,讨论了铁路隧道各阶段煤与瓦斯突出危险性判定的原则。研究发现:勘察阶段钻孔内瓦斯测试数据欠准确的原因主要包括:(1)钻孔内测试深度与施工揭示煤层的深度不一致;(2)钻孔内煤层深度过大影响测试准确性。

基于机器学习的煤与瓦斯突出预测研究进展及展望

我国煤矿安全生产形势不断好转,但煤与瓦斯突出事故仍时有发生。煤与瓦斯突出预测不仅能指导防突措施科学的运用、减少防突措施工程量,在一定程度上也可以确保煤矿工人的作业安全。机器学习(Machine Learning, ML)是一门涉及概率论、统计学和计算机学等领域的交叉学科,可以挖掘突出事故和指标间的非线性关系。将机器学习用于煤与瓦斯突出预测,已得到相对广泛的关注,并随着人工智能和计算机技术的快速进步,其在突出预测领域将发挥更大作用。因此,对机器学习在煤与瓦斯突出预测中的研究进行了全面的综述,分析其在突出预测中面临的难点并展望其发展方向。首先,简述煤与瓦斯突出假说、发生机理与预测指标选择的研究现状;介绍机器学习在煤与瓦斯突出预测领域的主要研究进展,包括支持向量机(Support Vector Machines,SVM)、人工神经网络(Artificial Neural Network, ANN)、极限学习机(Extreme Learning Machines,ELM)和集成学习(Ensemble Learning, EL)等算法的应用,以及特征选择和缺失数据填补在数据处理等方面的创新,同时也指出了目前基于机器学习的突出预测研究面临的挑战及存在的问题,例如事故与非事故样本的不平衡、数据的指标缺失和机器学习中的小样本等;最后,展望了基于机器学习的煤与瓦斯突出预测的未来发展方向,包括改进算法性能、优化特征工程和增加样本量等。随着计算机性能的提升,有望开发出更为复杂、精准的模型,以提高对突出事故的准确预测能力。

加权灰靶决策方法预测煤与瓦斯突出危险研究

为提高煤矿煤与瓦斯突出危险性预测的准确性,减少误报,提出采用加权灰靶决策方法对煤矿煤与瓦斯突出危险性进行预测。首先,对预测指标进行灰色关联分析;然后,通过构造一致效果测度函数,建立了多目标加权灰靶决策评估模型;最后,通过对豫西某煤矿的钻屑瓦斯解吸指标、钻屑量、瓦斯放散初速度、瓦斯含量、瓦斯涌出量的方差和自相关系数以及基于瓦斯涌出反演的瓦斯压力等预测指标的分析,运用建立的模型对该煤矿煤与瓦斯突出危险性预测效果进行了验证。验证结果表明:采用加权灰靶决策方法对该煤矿煤与瓦斯突出危险性预测8次,该煤矿实际具有煤与瓦斯突出危险性7次,预测准确率高达87.50%,无漏报,相对于单一预测指标如瓦斯涌出量的方差和自相关系数、基于瓦斯涌出反演的瓦斯压力的预测方法,加权灰靶决策方法对该煤矿煤与瓦斯突出危险性预测的准确性提高了9.72%、23.87%。

应用层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测

现场测定某矿掘进工作面煤与瓦斯突出的预测指标值,该指标包括:电磁辐射强度、电磁辐射脉冲、软分层厚度、钻屑量、瓦斯涌出初速度和综合指标R;运用层次分析法确定各预测指标的重要程度;利用模糊数学综合评价方法对煤与瓦斯突出的危险性进行综合预测。结果表明,该方法对煤与瓦斯突出的预测结果与综合指标R预测情况符合性较好,具有较强的实用性和可靠性,对煤矿的安全生产工作具有一定的指导作用和借鉴价值。

工作面煤与瓦斯突出危险程度预测技术研究

在工作面突出危险性预测及综合防治的基础上,给出了突出危险程度预测方法,阐述了进行突出危险程度预测的必要性;提出了突出危险程度预测方法中突出预测敏感指标的确定方法;系统地分析了在突出危险程度预测方法中各种危险状况的理论意义.采用模式识别技术,建立模糊综合预测数学模型,确定了2种突出危险状态之间的临界值;并将突出危险程度预测方法在煤矿进行具体应用,提高了煤巷掘进速度,并取得了上千万元的经济效益.

投影寻踪聚类方法在煤与瓦斯突出危险性预测中的应用

为了提高煤与瓦斯突出预测的准确率,在研究矿井瓦斯地质特征基础上,建立煤与瓦斯突出预测指标体系,应用投影寻踪方法和聚类方法构建了煤与瓦斯突出危险性预测的投影寻踪聚类模型。该模型通过计算反映煤与瓦斯突出危险程度的一维投影特征值,并对其进行聚类分析,得出煤与瓦斯突出危险性等级。将模型应用于平煤八矿戊9,10-21030工作面回风巷,预测等级与实际煤与瓦斯突出情况吻合度较高。结果表明,应用投影寻踪聚类方法对平煤八矿进行煤与瓦斯突出危险性预测是可行的。

煤层瓦斯突出危险区综合预测方法

常规的瓦斯突出预测技术,主要从单一角度出发,无法达到多因素影响下的瓦斯突出危险区域预测精度。以某研究区为例,利用基于遗传算法的支持向量机(SVM)网络,预测了瓦斯含量;将孔隙度作为构造煤的判别因子,并通过概率神经网络(PNN)反演方法,得到了构造煤分布情况;介绍了基于自然伽马曲线的拟密度反演方法,获得了煤层顶板岩性情况。综合瓦斯含量、构造煤分布及煤层顶板岩性3个方面特征,建立了一套瓦斯突出危险区域综合预测方法,为判断瓦斯突出危险区提供了理论基础。经过与实际突出位置做验证,预测结果吻合,说明了综合预测方法在此研究区具有较高的准确性。

基于综合评判模型的煤与瓦斯突出危险程度预测

针对某些矿井出现的"低指标"突出现象,提出一种新的综合评判模型,用于煤与瓦斯突出危险程度预测。选取鉴定煤与瓦斯突出的4个单项指标临界值作为参考点,建立煤与瓦斯突出危险性预测综合评判准则。当评判距离Ri属于[0,1],判断突出强度;当Ri属于[-1,0],判断突出危险可能性,量化了突出强度及可能突出的危险程度,并划分突出强度、突出危险可能性等级。利用模型对淮南矿突出程度进行预测,预测结果与实际吻合,实现了定性语言与定量数据相结合的突出预测,为煤与瓦斯突出提供了一种新的预测方法。

潘一矿煤与瓦斯突出危险性模式识别与概率预测

通过地质动力区划方法确定了区域地质构造背景.在查明多个突出影响因素与突出危险性之间的内在联系的基础上,建立了多因素模式识别模型,确定了煤与瓦斯突出概率预测准则,采用多因素模式识别概率预测方法完成煤与瓦斯突出危险性的区域预测.划分潘一矿井田的煤与瓦斯突出危险区、突出威胁区和无突出危险区,对煤与瓦斯突出危险性做出了评估,提高了瓦斯灾害预测的准确性.

煤与瓦斯突出危险性的模式识别和概率预测

煤与瓦斯突出危险性的多因素模式识别概率预测研究涉及到采矿工程、安全工程、地质工程、地理信息系统(GIS)、概率论、信息科学和人工智能(AI)。在理论分析和查明多个突出影响因素与突出危险性之间的内在联系的基础上,确定模式识别准则、建立识别模型,完成模式识别系统设计、模式识别算法研究、概率预测准则确定和煤与瓦斯突出预测危险性预测系统的开发。以活动构造、最大主应力、瓦斯压力和瓦斯含量等8个因素作为煤与瓦斯突出发生的主要判据,用模式识别方法实现了煤层突出危险性的分单元概率预测,可方便地划分煤与瓦斯突出的危险区、威胁区和安全区,对煤与瓦斯突出危险性做出评估和预测,提高瓦斯灾害预测的准确性。建立了一个比较科学的煤与瓦斯突出区域预测方法,使煤矿安全工作者准确判断和预防煤与瓦斯突出成为可能。

“三软”煤层瓦斯突出危险性预测敏感指标临界值的研究

基于模糊数学与概率论理论,在现场考察和实验室试验模拟的基础上,提出确定预测敏感指标的数学模型,把抽象的敏感指标确定问题通过具体的数值表示出来。针对目标煤层,采用"三率"法和模糊聚类法分析了C13-1煤层预测指标的敏感性,得出了目标煤层C13-1突出预测敏感指标为钻屑量S,并得出钻屑量S指标的临界值为6.98kg/m。

应用GIS建立煤与瓦斯突出危险性区域预测管理系统

本文研究了GIS技术支持下的区域预测信息管理新方法 ,应用信息集成构建了包括多个变量的、多维的、实时更新的可视化信息平台 ,实现了区域预测。

煤与瓦斯突出危险性预测指标的探讨

针对煤与瓦斯突出危险性预测指标确定的要求和各种因素对突出危险性预测指标确定的影响 ,重点分析了单一指标在预测煤与瓦斯突出危险性中的局限性、钻孔定位对敏感指标确定的影响和支护方式不合理或支护不及时对指标确定的影响 ;并对不同条件下各种突出敏感指标选择进行讨论。

煤与瓦斯突出潜在危险区(带)预测

煤矿的生产和实践证明 ,发生在矿井中的动力现象具有分区和成带的特点。文章探讨了把煤、岩和瓦斯作为一个体系 ,采用力学方法的划分问题。根据对煤岩复合样及含瓦斯煤样在复杂应力状态下力学性质的分析 ,基于对Drucker-prager理论的修正和完善 ,建立了它们的断裂判据 ,并给出了计算稳定性系数和潜在弹性应变能密度的公式 ,提出了按这两个指标划分煤与瓦斯突出潜在危险区 (带 )

基于突变级数法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出发生的内在机理非常复杂、难以建立合适的多因素非线性预测模型的问题,提出了基于突变级数法的煤与瓦斯突出危险性预测方法。该方法选用典型突出矿井的煤与瓦斯突出实例作为学习样本,确定了不同冲击危险等级的突变级数,并应用于其他待判样本的预测。实际应用结果表明,该方法能较准确地反映煤与瓦斯突出的危险程度,预测精度较高。

基于bi-LWCA-ENN煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出的预测精度,以实现准确、可靠的瓦斯突出危险性预测,提出一种双层狼群算法(LWCA)优化Elman神经网络模型进行模式分类与预测,建立煤与瓦斯突出的双层LWCA-ENN预测模型。分析煤与瓦斯突出机理和影响因素,提取相关数据样本,筛选稳定的特征子集作为特征向量训练模型,算法通过对Elman神经网络的权值、阈值寻优,建立了基于bi-LWCA-ENN算法的预测模型并结合矿井监测数据进行实例分析。试验结果表明:煤与瓦斯突出的bi-LWCA-ENN模型稳定性好,收敛速度快,有效地实现了瓦斯突出危险性预测。

RES理论在煤与瓦斯突出危险性预测中的应用

为提高煤与瓦斯突出危险性预测的准确性,引入岩石工程系统理论,利用交互作用矩阵描述各影响因素间的作用关系,通过因果分析图来分析各因素的交互作用强度和参数优势特性.同时建立基于岩石工程系统理论的煤与瓦斯突出预测模型,并对预测结果进行验证.研究结果表明:该方法具有较高的准确性及可信性,能够有效地预测煤与瓦斯突出的危险性.

基于BP神经网络的煤与瓦斯突出危险性的预测研究

应用BP神经网络的理论和方法,结合贵州某矿山的实际情况,建立了基于BP神经网络的煤与瓦斯突出危险性预测的数学模型,通过数学软件matlab 7.0对煤层的突出危险程度进行了预测。结果显示,煤与瓦斯突出危险性的预测与实际情况相符,表明采用BP神经网络模型进行预测是可行的,为煤与瓦斯突出的预测提供了一种精度较高的方法。