基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明:MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。

煤与瓦斯突出预测可拓聚类方法及应用

在综合分析煤与瓦斯突出多种影响因素基础上,提出预测敏感指标并建立煤与瓦斯突出危险性等级,应用物元和可拓集合理论建立了煤与瓦斯突出危险性预测的物元可拓模型,提出了煤与瓦斯突出危险性预测的可拓聚类方法.以平顶山煤业集团公司天安十三矿为例对煤与瓦斯突出危险性预测可拓聚类方法的可行性进行了验证.

基于四率法的煤与瓦斯突出预测敏感指标的确定

在对首山一矿己16-17煤层突出预测敏感指标的考察过程中,针对三率法无法科学准确区分该煤层钻孔瓦斯涌出初速度、每米钻屑量和钻屑解吸指标等敏感程度问题,采用了包括预测准确率在内的四率法进行预测,结果表明:首山一矿己16-17煤层应以钻孔瓦斯涌出初速度q=4.5 L/min为主要预测指标临界值,钻屑量S=6.0 kg/m为辅助预测指标临界值,任何一个预测指标达到或超过临界值均视为具有突出危险。

基于网络分析和联系熵的煤与瓦斯突出预测研究

以煤与瓦斯突出预控为目的,将网络分析法和联系熵理论相耦合,建立了煤与瓦斯突出预测的ANP-CE模型。该模型运用网络分析法建立了煤与瓦斯突出预测指标网络模型并计算预测指标权重分布,划分了突出危险性等级及其相应的指标临界值,确定了各危险等级的联系熵范围。结合工程实例,预测结果与工程实际情况相符,表明了该预测模型在计算预测指标权重分布和煤与瓦斯突出危险性预测上具有可行性和合理性,为煤与瓦斯突出预测方法提供了一种新的途径。

地层结构的应力分区与煤瓦斯突出预测分析

地壳内的各种地质构造现象、地震、矿井动力现象都与岩体应力作用密切相关。要提高预测这些地质构造和动力现象的准确性 ,从根本上说取决于对构造应力场的研究水平。文中用 ANSYS软件结构静力分析方法 ,对岩体应力作了分析研究 ,划分了构造应力区。它对于采矿工程稳定性评价、矿井动力现象预测预防等方面都有重要意义。

基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法

针对基于支持向量机(SVM)的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群(IPSO)算法与Powell算法相结合(IPSO-Powell)优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法(PSO)的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.

基于蚁群-模糊聚类算法的井下工作面瓦斯突出预测

针对现有的瓦斯预测方法在实际应用中受到较大限制且预测结果的准确性较差的问题,提出了一种基于蚁群-模糊聚类算法的瓦斯突出预测方法;分析了蚁群-模糊聚类算法的基本原理及实现步骤,并以某煤矿井下工作面某时段内的瓦斯突出数据为例,采用蚁群-模糊聚类算法对该数据进行了挖掘分析,从而找出了瓦斯突出量与其影响因素即埋藏深度、煤层厚度、瓦斯含量、日进度、煤层间距、日产量之间的关系。测试结果表明,该方法预测结果与实际监测记录完全一致,具有较高的聚类预测性能。

基于多Agent信息融合的煤与瓦斯突出预测

针对现有煤与瓦斯突出预测方法存在的不足,考虑检测到的影响煤与瓦斯突出的多种因素数据,建立了煤与瓦斯突出预测的多Agent信息融合模型,实现对煤与瓦斯突出的快速、准确和动态预测。利用基于均值的分批估计融合算法对煤与瓦斯突出指标的多传感器数据进行处理以获取更为准确、可靠的数据以提高预测准确性,应用D-S证据理论解决煤与瓦斯突出预测过程中的不确定性和不精确性问题。通过实例对提出方法进行验证,结果表明所提出的方法预测准确性高,是一种有效的煤与瓦斯突出预测方法。

数量化理论Ⅲ在瓦斯突出预测敏感地质指标筛选中的应用

论述了数量化理论及数量化理论Ⅲ的基本原理,提出了反应标度的概念和计算方法,扩展了原来反应取值的适用范围和科学性。以中马村矿区为研究实例,研究了影响煤与瓦斯突出的地质因素,并采用统计单元划分结合数量化理论Ⅲ的方法,从11个地质因素中筛选出8个瓦斯突出预测敏感地质指标,并据此对中马村矿已采区进行了瓦斯地质区划。实践表明:将数量化理论Ⅲ应用于瓦斯地质学是可行的,为瓦斯突出预测敏感地质指标的筛选提供了新的思路。

基于ArcIMS的煤与瓦斯突出预测WebGIS研究与开发

将WebGIS应用于煤与瓦斯突出预测中,对于煤矿安全生产有重要价值。在分析ArcIMS结构、功能和支持环境的基础上,提出了基于ArcIMS煤与瓦斯突出区域预测WebGIS的实现方案;深入探讨了系统需求、数据准备与组织、服务器配置及客户端定制与开发等技术要点。通过煤与瓦斯突出预测WebGIS的开发和应用表明,构建方案切实可行,可以在“数字矿山”进程中采用。

基于半监督学习和支持向量机的煤与瓦斯突出预测研究

针对支持向量机要求输入向量为已标记样本,而实际应用中已标记样本很难获取的问题,提出将半监督学习和支持向量机结合的煤与瓦斯突出预测方法;介绍了采用SVM预测煤与瓦斯突出的流程及其输入向量的选择;对半监督学习中的协同训练算法进行了改进:在同一属性集上训练2个不同分类器SVM和KNN,将2个分类器标记一致的样本加入训练集,从而充分利用未标记样本不断补充信息,更新训练集标记样本,达到强化训练集的目的。测试结果表明,改进后的算法比单独的支持向量机预测方法准确率更高。

基于CBC算法的瓦斯突出预测模型研究

人工蜂群(ABC)算法易陷入局部极小点,搜索精度不高且算法收敛速度慢。为此,提出一种改进的混沌蜜蜂群(CBC)算法,修改ABC算法的食物源位置更新公式,引入混沌搜索机制进行局部搜索。将CBC算法应用于瓦斯突出预测中,建立神经网络预测模型,实验结果证明了该模型的有效性。

Matlab在工作面煤与瓦斯突出预测中的应用

考虑到煤与瓦斯突出发生的内在机理的复杂性,突出影响因素与突出事件之间的非线性,阐述了人工神经网络的原理和算法,在分析了煤与瓦斯突出的主要影响因素的基础上,依据功能强大的matlab神经网络工具箱,采用BP人工神经网络模型,通过训练得到了影响突出因素与突出事件之间的关系,为突出非线性动力机制及预测提供了新的途径。实例表明,Matlab神经网络工具箱用于煤与瓦斯突出预测是可行的。

基于预处理的IFOA-ELM煤与瓦斯突出预测模型

为快速准确地预测煤与瓦斯突出危险性,提出一种基于预处理的改进果蝇优化算法(IFOA)-极限学习机(ELM)的预测模型。首先预处理平顶山八矿的部分实测数据,采用灰色关联分析(GRA)法与熵权法(EWM)结合的灰色关联熵分析(GREA)法剔除影响程度较小的因素,应用主成分分析法(PCA)进一步约简因素;构建煤与瓦斯突出危险性预测模型,基于果蝇优化算法(FOA),引入自适应步长更新策略及群体适应度方差策略设计IFOA;利用IFOA优选ELM输入层权值及隐含层阈值,对预处理样本数据进行训练、预测并对比其他模型预测效果。结果表明:基于预处理的IFOA-ELM模型预测结果与实际结果完全拟合,预测效果显著优于未预处理的模型;基于预处理的IFOA-ELM模型的分类准确率和召回率均为100%,显著高于其他对比模型。

基于灰色关联-遗传神经网络的煤与瓦斯突出预测模型

在综合分析影响煤与瓦斯突出的各种评价指标的基础上,基于人工神经网络极强的非线性逼真能力,建立了煤与瓦斯突出强度预测的遗传神经网络模型。模型采用灰色关联理论完成了评价指标的优化,并利用遗传算法对BP网络初始权值和阈值的确定进行了优化。以重庆南桐矿区砚石台矿为例,对煤与瓦斯突出强度进行了预测,结果表明,采用本模型的预测结果与矿井实际突出状况一致,模型可靠,具有一定的理论与实际意义。

煤与瓦斯突出预测综合指标F值的试验研究

通过对张集煤矿采掘工作面煤与瓦斯突出预测指标Δh2,q值和S值的分析研究,提出了综合指标F为符合该试验地点的突出预测敏感指标,并确定了临界值。

高精度矿用瓦斯突出预测仪设计

针对现有矿用瓦斯突出参数仪测量精度不高,压差分辨率低,操作复杂导致测定结果准确率下降等问题,设计了一种以测量瓦斯解析指标K1为主要功能的高精度矿用瓦斯突出预测仪。仪器以STM32F103ZET6为控制核心,利用高精度数字表压型传感器MEAS1220A测量瓦斯突出压力,利用24位精度的A/D转换器ADS1218把传感器输出的电压值转换成数字量并进行数字滤波,采用最小二乘拟合算法对传感器进行静态校准,极大的提高了测量精度。矿井下的实际测量表明仪器具有测量精度和压差分辨率高、性能稳定、易操作、功耗低、响应速度快、预测结果准确等特点。

基于小波KPCA与IQGA-ELM的煤与瓦斯突出预测研究

为有效预防煤与瓦斯突出灾害,针对煤与瓦斯突出预测精度和效率不高问题,提出基于小波核主成分分析(KPCA)和改进的极限学习机(IQGA-ELM)的煤与瓦斯突出预测方法。通过小波核主成分分析法对原始致突指标进行非线性降维处理,提取出致突指标主成分序列,将其作为极限学习机(ELM)网络神经的输入,利用改进量子遗传算法(IQGA)对ELM的输入层权值和隐含层阈值进行优化,建立小波KPCA-IQGA-ELM预测模型,模型的输出为煤与瓦斯突出强度的预测结果。研究结果表明,该模型泛化能力强,可以对煤与瓦斯突出强度进行有效预测。

DBC优化算法在瓦斯突出预测中的应用

针对煤矿瓦斯突出因素的复杂性,提出一种新的智能优化算法-双混沌搜索蜂群(DBC)优化算法,应用于煤矿瓦斯突出的预测中.DBC优化算法对人工蜂群算法进行有效改进,在人工蜂群算法的基础上,将混沌优化机制引入蜂群的寻优过程中,利用混沌序列初始化食物源,以提高食物源的质量,防止算法的早熟收敛;同时利用混沌搜索机制进行局部搜索,以改善蜂群的区域搜索能力,解决算法易陷入局部极小值的问题.最后,利用DBC对MLPNN进行训练,建立瓦斯突出预测模型.实验结果表明,该方法对瓦斯突出具有较好的预测结果.

《采区煤与瓦斯突出预测图》编图规则探讨

采用统计的方法,对矿区瓦斯地质及矿井地质资料进行综合分析,对相关资料进行了约定,规范了在多种抽放方式并存的矿井中瓦斯涌出量的统计方法.应用新编图对淮北矿区瓦斯地质规律进行了分析预测,取得了一定认识,在开展瓦斯综合防治及保障矿区安全生产方面起到了指导作用.