瓦斯涌出量的灰色模型预测与曲线拟合预测对比

为了研究矿井瓦斯涌出量预测的规律,分析了2种常用预测模型数据的处理方法.结合顾桥煤矿1116(1)工作面瓦斯涌出量监测数据,将灰色GM(1,1)模型与曲线拟合方法应用于该工作面瓦斯涌出量的数据处理和预测结果的分析、检验,精度满足瓦斯涌出量预测要求,并运用F检验法,对2种预测结果进行相关性分析,得出了合理选择灰色GM(1,1)预测模型预测矿井瓦斯涌出量的基本结论.     

基于改进灰色模型的矿井瓦斯涌出量预测

为了对矿井深部瓦斯涌出量进行预测,介绍了灰色线性回归组合模型的建模方法,以某煤矿相对瓦斯涌出量统计数据为实例,利用灰色线性回归组合模型对其瓦斯涌出量进行预测,通过检验得出模型的精度等级为一级。结果表明:灰色线性回归组合模型可以使传统的灰色GM(1,1)模型不含线性因素的情形得到改善,在预测矿井深部瓦斯涌出量中取得了良好的预测效果,具有一定的实用价值。     

基于灰色线性回归组合模型的瓦斯涌出量预测研究

利用线性回归和灰色系统理论,分别构建了一元线性回归及GM(1,1)模型,在此基础上建立瓦斯涌出量的灰色线性回归组合模型。并同时运用以上3种模型进行了现场预测对比,结果表明,对于小样本数据模拟计算,灰色线性回归组合模型的预测精度要优于GM(1,1)模型,说明前者用于瓦斯涌出量的预测是可行的。     

基于灰色GM(1,1)新陈代谢模型的矿井瓦斯涌出量动态预测

矿井工作面瓦斯涌出是一个动态不确定的过程,因此最新瓦斯涌出数据的研究至关重要,本文将灰色GM(1,1)模型瓦斯涌出量预测结果加入原始数列,对原始数据序列的信息进行更新,建立了矿井瓦斯涌出量GM(1,1)新陈代谢动态预测模型,采用残差检验法对该模型精度进行检验,其平均相对误差为3.861%,预测精度明显优于GM(1,1)模型,提高了灰色GM(1,1)模型预测瓦斯涌出量的精度。     

运用灰色系统理论预测矿井瓦斯涌出量

矿井瓦斯涌出量的变化可以认为是一灰色系统。本文将灰色系统理论中的GM(1,1)模型引进矿井瓦斯涌出量预测中,预测矿井瓦斯涌出量变化动态及其结果。     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型,对贵州某矿矿井瓦斯涌出量进行预测预报.采用残差识别方法修正GM(1,1)模型进行瓦斯涌出量预测,预测精度更高.利用灰色灾变预测理论,对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型,并对矿井瓦斯涌出量变化趋势进行预测.通过建立灰色预测模型,进行矿井瓦斯涌出量灾变性预测.     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

贵州煤矿瓦斯涌出量灰色预测的应用

运用灰色理论建立巷道瓦斯涌出量的灰色模型，对贵州某矿矿井瓦斯涌出量进行预测预报．采用残差识别方法修正GM（1，1）模型进行瓦斯涌出量预测，预测精度更高。利用灰色灾变预测理论，对某矿矿井工作面瓦斯涌出资料进行分析、研究建立煤矿瓦斯涌出量灰色预测模型，并对矿井瓦斯涌出量变化趋势进行预测。通过建立灰色预测模型，进行矿井瓦斯涌出量灾变性预测。     

优化神经网络在矿井瓦斯涌出预测中的应用

为有效预测矿井瓦斯涌出量,减少瓦斯灾害事故,通过分析得出影响瓦斯涌出量影响因素关系为原始瓦斯含量煤层厚度工作面长度推进速度煤层埋深煤层倾角,运用优化神经网络模型及MATLAB软件模拟预测矿井瓦斯涌出量。结果显示,预测结果与实测结果平均误差仅为2.3%,证明优化神经网络模型能达到较好预测效果,预测精度较高,可应用于矿井瓦斯涌出量预测中。     

GM(1,1)灰色预测模型在矿井瓦斯涌出量预测中的应用

瓦斯是造成煤矿生产过程中事故频发的重要因素.以预测矿井瓦斯涌出量为研究目的,运用灰色系统理论,通过对矿井瓦斯涌出资料进行分析、研究建立GM(1,1)瓦斯涌出量灰色预测模型对瓦斯涌出量变化趋势进行预测,并与现场实际瓦斯涌出量比较,结果表明该模型精度较高,能够很好用于矿井瓦斯涌出量的预测,为井下安全生产和瓦斯监测提供依据,从而避免瓦斯事故的发生.     

瓦斯涌出量灰色-RBF网络模型的建立与应用

为了减少瓦斯事故给煤矿生产带来的损失,本文在灰色模型预测煤矿瓦斯涌出量的基础上,结合神经网络理论,构建了灰色-RBF网络模型,充分利用灰色模型的"小样本、贫信息"的预测特点及RBF神经网络自学习、自适应能力特点。首先使用灰色模型对瓦斯涌出量进行初步预测,然后建立RBF网络模型进行再次预测,得到瓦斯涌出量的最终预测值;RBF网络模型的训练和预测计算用MATLAB软件完成。通过对安徽省某矿瓦斯涌出量的预测结果对比,灰色-RBF网络模型的预测误差分别为0.325和0.221,灰色模型预测误差为2.51和2.45,结果表明灰色-RBF网络模型预测明显高于单一灰色模型预测的预测精度。为煤矿瓦斯涌出量预测提供一种预测精度高的方法。     

基于广义回归神经网络GRNN的矿井瓦斯含量预测

煤矿瓦斯涌出量和瓦斯突出受控于多种因素。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题。近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力。广义回归神经网络(GRNN)具有网络结构自适应确定、输出与初始权值无关等优良特性,能够逼近任意连续的非线性函数,可以处理系统内在的难以解析的规律。本文以某矿13-1煤层为研究对象,在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上,应用GRNN神经网络方法建立某矿13-1煤层瓦斯含量预测模型,以达到对井田未开采区域进行瓦斯含量预测的目的。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

基于GRNN模型的硫化矿石堆氧化自热温度预测

为得到硫化矿石堆氧化自热温度的变化规律,自主设计硫化矿石堆氧化自热模拟试验装置,以含硫量、矿石块度、升温梯度作为试验影响因素,将硫化矿石堆氧化自热温升速率作为试验判定指标,采用L9(34)正交表构造三因素三水平回归正交试验。运用MATLAB建立硫化矿石堆氧化自热温度的GRNN神经网络模型,通过K-折交叉验证优选得到GRNN神经网络的最佳光滑因子σe,并与RBF神经网络模型、灰色神经网络模型预测效果进行对比。结果表明：GRNN神经网络在小样本预测模型中网络逼近能力、收敛速度、算法稳定性等方面具有优势,对硫化矿石堆氧化自热温度的预测精度高,预测误差为3.51%。     

基于卡尔曼滤波及神经网络的瓦斯涌出量预测

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。     

基于神经网络算法的煤矿瓦斯涌出量预测模型研究

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中将介绍神经网络预测的整体构建过程,结合仿真实例,分析煤矿瓦斯涌出量预测模型的可靠性。     

基于偏最小二乘回归的回采工作面瓦斯涌出量预测模型

针对回采工作面瓦斯涌出量回归建模过程中自变量间出现多重共线性问题,提出应用偏最小二乘回归(PLS)对瓦斯涌出量进行预测的建模思路。选取地质及采矿2个方面共12个参数指标作为回归因子,利用15个瓦斯涌出实例为建模样本,建立了回采工作面瓦斯涌出量的偏最小二乘回归模型。建立的模型对训练样本拟合效果良好,最大误差为6.09%,平均误差仅为2.06%;对其余几个案例进行预测,精度优于主成分分析和BP神经网络,与最小二乘-支持向量机模型相当。研究表明,基于偏最小二乘回归进行工作面瓦斯涌出量预测是一种有效可行的方法。     

基于灰色神经网络的我国原煤产量预测

文章采用灰色神经网络进行我国煤炭产量预测模型的建模,灰色神经网络具有灰色系统模型的可以用少量样本数据来建模与神经网络精度高的特性,克服在进行煤炭产量预测样本数据少的问题,仿真结果表明,此种模型预测结果的相对误差是1.57%,只使用灰色模型预测结果的相对误差是9.8%,采用此模型提高了预测的准确性和精度。     

基于灰色理论的回采工作面瓦斯涌出量动态预测研究

瓦斯涌出量的准确预测直接关系到煤矿企业的宏观决策及系统布局。为了提高回采工作面瓦斯涌出量的预测精度,提出了采用灰色预测法对瓦斯涌出量动态预测进行研究,以车集矿2316回采工作面为例,通过重组瓦斯监测数据构建了灰色GM（1,3）动态预测模型,并依据后验差检验比值c及小概率精度p对模型预测效果进行了分析。研究结果表明,数据重组后的GM（1,3）模型的动态预测值平均相对误差为5.65%,后验差检验比值c<0.35,小误差概率p>0.95,预测精度达到了1级,在对2316工作面后期的瓦斯涌出量动态预测结果与实测值十分接近,平均相对误差仅有2.26%,变化趋势也高度吻合,灰色GM（1,N）预测模型能够实现对工作面瓦斯涌出量的实时、动态、准确预测。     

基于灰色神经网络算法的煤矿瓦斯涌出量预测模型研究

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。