基于贝叶斯正则化BP人工神经网络的煤与瓦斯突出预测的研究

文章介绍了BP人工神经网络和贝叶斯正则化算法的原理,探讨了贝叶斯正则化BP人工神经网络模型的建立,通过改变隐含层神经元个数的实验建立了只含1个隐含层且隐含层仅需1个神经元的煤与瓦斯突出预测模型的最佳网络结构。对该网络采用煤与瓦斯突出的预测指标进行训练、检测的结果表明,该网络预测的煤与瓦斯突出的危险程度与实际情况完全吻合;对该网络输入层输入的煤与瓦斯突出的预测指标、对输出层输出的预测结果的权值进行分析的结果表明,煤层地质构造类型对煤与瓦斯突出的影响为最大。上述研究结果对煤与瓦斯突出的预测预防研究、提高煤与瓦斯突出预测的准确性具有一定的参考价值。

基于BP神经网络的煤矿综掘面风流智能调控模型研究

煤矿综掘面传统的通风系统智能化程度低,风筒出风口风流状态无法根据实际通风需求来进行连续动态调控,易造成巷道内瓦斯和粉尘聚集严重,影响掘进面安全高效开采,危害工作人员的身体健康。为提高掘进工作面通风智能化、精细化管理水平,以陕西神木柠条塔矿S1202综掘面为研究对象,利用数值模拟试验数据作为训练样本数据,建立了基于Adam(适应性矩估计)算法优化BP(反向传播)神经网络的煤矿综掘面风流智能调控模型;由实时监测数据驱动该模型输出调控方案,通过自主研制的出风口风流智能调控装置对风流进行连续动态精准调控;在物理实验平台和井下分别进行了模型调控效果测试,其中在物理实验平台以一个截割循环为单位,验证了模型连续调控的效果,在井下验证了单方案的降尘效果。结果表明,模型能够根据粉尘和瓦斯浓度实时监测数据实现风流智能调控,有效优化风场分布,降低瓦斯和粉尘浓度。

基于人工神经网络的煤与瓦斯突出预测

从煤与瓦斯突出的机理出发,考虑影响煤与瓦斯突出的5种主要因素,建立了能够准确预测煤与瓦斯突出的人工神经网络模型。应用所制作的软件进行实际检验,预测结果完全与实际相吻合,可以用来准确预测煤与瓦斯突出。

人工神经网络应用于煤与瓦斯突出强度预测的探讨

介绍了人工神经网络的原理及算法,并从地质角度出发,建立了突出强度预测的BP网络模型,通过实例应用,结果表明,只要有足够的实测作为样本,人工神经网络用于突出强度预测是可行的。

人工神经网络在煤与瓦斯突出预测中的应用

由于煤与瓦斯突出发生机理的复杂性,传统预测方法的应用受到很大的限制,而人工神经网络理论以其高度非线性映射的特性为解决这一问题提供了新的途径。以突出预测指标为基础,利用多层反向传播神经网络(BP网络)模型实现对突出危险性的预测。实例分析表明,模型精度很高,可用于工作面煤与瓦斯突出危险性的预测。

基于人工神经网络的煤与瓦斯突出预测

从煤与瓦斯突出的机理出发,考虑影响煤与瓦斯突出的5种主要因素,建立了能够准确预测煤与瓦斯突出的人工神经网络模型。应用所制作的软件进行实际检验,预测结果完全与实际相吻合,可以用来准确预测煤与瓦斯突出。

煤与瓦斯突出区域预测的人工神经网络模型构建及应用研究

在深入分析煤与瓦斯影响因素的基础上,采用事故树分析与人工神经网络相结合来实现煤与瓦斯突出危险性的区域预测。实证分析结果表明该模型取得了比较理想的预测效果。

人工神经网络在煤矿开采沉陷预计中的应用研究

提出了利用人工神经网络技术进行开采沉陷定量预测的新方法 .研究了影响因素的选取、开采沉陷预计模型的建立以及模型的应用等问题 .采用 BP神经网络算法对开采沉陷量进行了建模和预测 .结果表明 ,用神经网络模型对复杂的开采沉陷系统进行模拟预测 ,具有理论上的可行性和现实意义 。

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。

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。

基于神经网络建立煤与瓦斯突出的预测模型

基于神经网络，提出了建立煤与瓦斯突出预测模型的方法，给出了网络系统的构造方式及算法。

浅析基于神经网络理论的瓦斯突出预测

分析了瓦斯突出影响因素及其的基础上，提出了应用神经网络技术进行煤与瓦斯突出预测的原理方法，并作出技术路线。

基于神经网络的煤与瓦斯突出规模预测研究

由于传统煤与瓦斯突出预测方法难以理清多种致因间的非线性关系,提出依据人工神经网络建立新的预测方法。基于枚举法思想改进BP、RBF神经网络,使其能够迭代出最佳隐藏层层数、神经元个数以及spread值,并引入GA-BP、GRNN神经网络对矿区实测数据进行学习仿真,对比4类不同的神经网络预测煤与瓦斯突出规模的性能。结果表明,改进后的BP神经网络基于矿区实测样本得出最佳拓扑结构,预测性能优于依据传统经验公式所确定的拓扑结构;改进后的RBF神经网络的spread值取1时,预测性能最优。在训练集挑选合适的情况下,4类神经网络都能较好地预测煤与瓦斯突出规模,其中RBF神经网络的稳定性最好。改进后的4种神经网络,能够收集出现错误的样本的频率,并提示需要补充、完善的样本数据。

Bp神经网络在煤矿监测数据预测中的应用

现有的煤矿安全监测系统一般采用实时采集数据的方法,在达到危险限时给出警报。如果能够在达到危险限前给出预警,现场提前采取安全措施,就有可能避免事故的发生。应用神经网络理论,在改进的学习算法的基础上,建立了预测监测数据的BP模型,并通过Matlab实现了仿真验证。通过对监测数据的测试,证实了改进算法和模型的有效性。

神经网络在煤矿安全决策支持系统中的研究及应用

主要研究人工神经网络在煤矿安全决策支持系统中的应用。将BP网络用于瓦斯突出,解决了瓦斯突出判别困难、难以建立数学模型的难题,为煤矿瓦斯突出研究找到了一种新的建模和预测方法。

冲击地压预测的遗传神经网络方法

根据重庆市南桐矿务局砚石台煤矿的生产技术条件和开采地质条件,针对传统方法预测冲击地压存在的弊端,运用BP人工神经网络和遗传算法相结合的方法,通过改进激励函数来缩短训练时间,并利用给权值加入动量项和变速率学习方法,减少学习中的振荡,来对该矿冲击地压预测进行研究。工程实际应用表明,该方法能有效的确定网络结构和训练参数,并可以很好地应用在相关工程上。

改进BP算法在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性 ,基于反向BP神经网络 ,笔者提出了一种改进的BP网络模型 :为了加快BP网络的收敛速度 ,增强其跳出局部极小点的能力 ,采用了自适应变步长法和改进模拟退火法 (SA法 )相结合的方法。实际应用表明 ,该模型收敛速度快 ,准确性高 ,具有较高的可靠性和实用性 ,是一种十分有效的煤与瓦斯突出危险性预测方法。

BP算法及其在煤与瓦斯突出预测中的应用

利用BP神经网络具有的“信息影射”特性,实现了影响煤与瓦斯突出的因素与突出事件之间的特定刺激—反应式感知和识别,进而挖掘和捕捉二者之间的内在相关规律,并将其应用于煤与瓦斯突出区域预测。对于原始BP神经网络收敛速度慢、易陷入局部假饱和以及产生震荡等问题,通过调整学习系数、惯量系数等进行了改进,改进的BP神经网络在煤与瓦斯突出预测精度、预测效率方面明显优于传统预测方法。

Pso-Bp耦合算法在矿井瓦斯突出预测中的应用

矿井瓦斯含量的预测模型是一个多变量、非线性的函数关系,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。将神经网络与粒子群算法有机地结合起来,以神经网络理论为基础,利用粒子群算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯含量预测模型,解决了Bp神经网络收敛速度慢、易陷入局部优化的缺陷。并在历史数据的基础上,建立遗传神经网络训练和检验样本集,利用MATLAB进行仿真,结果表明粒子群神经网络模型可靠性强,预测精度高。

煤与瓦斯突出灾害的预测枛——基于遗传和BP算法

分析了煤与瓦斯突出的非线性动力系统特性和因素指标,利用神经网络的BP算法解决突出的主要性能指标和突出灾害等级的非线性网络连接.特别是利用遗传算法的全局优化能力, 对神经网络的连接权值、拓扑结构等进行进化操作,设计出具有较好性能参数和全局搜索能力的神经网络模型, 同时神经网络也可用于遗传算法的进化训练.遗传算法和神经网络的融合优化了煤与瓦斯突出灾害预测模型,并且该方法对其它灾害预测也有借鉴意义.