基于灰色关联分析的GA-BP模型预测煤层瓦斯含量

为减少煤层瓦斯含量预测的误差并提高预测效率,先利用灰色关联分析量化指标,筛选主因,然后运用GA-BP预测含量的方法。采用Matlab构建模型,选取成庄矿3_#煤层的含量与指标作为实验数据进行预测。从预测结果来看,这种预测模型平均相对误差为2.77%,预测其它预测模型精确,可以准确预测煤层瓦斯含量。     

基于灰色理论-BP神经网络预测瓦斯含量

以山阳矿5号煤层为研究对象,运用瓦斯地质学和灰色关联分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋存的主要因素,并将其作为BP神经网络模型的输入端神经元,初步构建出瓦斯含量预测模型。结合地勘时期瓦斯钻孔的实际数据,进行网络训练,再对预测模型的可靠性进行检验。检验结果表明,采用该预测模型预测瓦斯含量,精度较高,效果较好,能满足工程要求。因此,采用灰色BP神经网络可以对未开采区域煤层瓦斯含量进行准确预测,为矿井瓦斯灾害防治提供了一定的参考依据。     

基于灰色理论-BP神经网络的煤层瓦斯含量预测研究

煤层瓦斯含量是矿井瓦斯灾害防治的主要参数之一,影响其分布特征的地质因素有很多。利用灰色理论的灰色关联分析法对选取的8个影响煤层瓦斯含量的地质因素进行了分析,筛选出断距、埋深、基岩厚度以及挥发分4个主要影响因素,并将其作为BP神经网络模型的输入端建立了煤层瓦斯含量预测模型。对该预测模型进行训练与仿真检验,并与传统的多元线性回归预测方法进行比较分析。     

基于灰色理论与BP神经网络的煤层瓦斯含量预测方法

运用瓦斯地质理论分析了影响煤层瓦斯赋存的主要因素,并采用灰色关联分析法对影响煤层瓦斯含量的主要因素进行了关联度分析,选取CH4(%)、围岩岩性、煤层埋深3个主要因素作为BP神经网络的输入端神经元,构建出了预测瓦斯含量的预测模型,并进行网络训练,最后对预测模型的可靠性进行检验。结果表明:采用BP神经网络模型预测瓦斯含量比多元线性回归法的精度更高,能满足工程要求,对于煤层瓦斯含量的准确预测具有一定指导意义。     

成庄矿3#煤层瓦斯赋存影响因素分析

 通过分析成庄矿3#煤层瓦斯含量值与井田地质构造关系,运用地质构造理论及相应的瓦斯含量变化数学模型,分析了成庄井田的瓦斯赋存特征,从瓦斯地质学的角度阐述了3#煤层瓦斯赋存与井田地质构造、煤层埋藏深度、煤层水分含量、煤层基岩厚度及顶板岩石厚度的关系,初步分析了井田内瓦斯赋存的有效影响因素,为今后有效地进行瓦斯预测及防治提供理论依据。     

基于灰色神经网络预测潘一东矿瓦斯含量

运用灰色关联分析影响潘一东矿井瓦斯含量的各因素,得出煤层标高、顶板岩性、煤厚、地质构造是影响瓦斯赋存的主要因素。选取这四种因素作为神经网络的神经元进行建模预测,结果表明,基于灰色关联度的神经网络模型预测瓦斯含量,预测精度高,证明了基于灰色理论与神经网络预测模型的可靠性。     

基于灰色关联度BP神经网络预测煤层瓦斯含量

以淮南矿区潘三矿13-1煤层为例,在分析潘三矿瓦斯地质资料的基础上,结合灰色关联度分析,确定煤层埋深、地质构造、煤层倾角、煤层厚度以及顶板岩性为影响煤层瓦斯含量的主要因素,建立瓦斯含量预测BP神经网络模型。对已建立的模型进行训练和检验,并预测煤层未开采区域瓦斯含量。结果表明:建立的预测模型能满足煤矿实际安全生产的要求,为矿井瓦斯灾害防治提供一定的参考依据。     

基于BP神经网络的未采区瓦斯含量预测

为提高预测模型的可靠性,实现对煤层未采区域瓦斯含量的精确预测,以山阳煤矿5#煤层为研究对象,进行未采区瓦斯含量的预测。运用瓦斯地质学和多元线性回归分析法,得出基岩厚度、煤层厚度和埋深是影响该矿瓦斯赋存的主要因素,并将其作为BP神经网络模型的输入端神经元,初步构建出瓦斯含量预测模型;结合地勘时期瓦斯钻孔的实际数据,进行网络训练,再对预测模型的可靠性进行检验。结果表明:该预测模型预测瓦斯含量,精度较高,效果较好,能满足工程要求。采用多元线性回归-BP神经网络可以对未开采区域煤层瓦斯含量进行准确预测,为矿井瓦斯灾害防治提供一定的参考依据。     

基于BP神经网络灰色关联分析的煤与瓦斯突出危险性预测

基于BP神经网络理论和灰色关联分析,建立了煤与瓦斯突出危险性预测模型,使用数学软件MATLAB7.0,对收集资料的煤层进行了突出危险程度预测,预测结果与矿井实际情况相符。表明灰色关联BP神经网络模型对煤与瓦斯突出危险性预测准确性高,具有较高的实用性。     

基于RBF神经网络的瓦斯含量预测研究

以淮南矿区潘一矿13-1煤层为研究对象,确定了煤层埋深、煤层厚度、顶板岩性和构造是影响煤层瓦斯含量的主要因素;在分析勘探钻孔资料的基础上,利用RBF神经网络方法建立了瓦斯含量预测模型,结合实际数据,对预测模型进行训练和检验,预测结果表明,该模型比使用线性回归和BP神经网络模型预测能获得更高的精度,说明预测模型可靠.     

神经网络技术在煤层瓦斯含量预测中的应用

将瓦斯含量预测技术与神经网络原理结合,利用Matlab强大的神经网络工具箱,采用BP模型对钱家营矿区域瓦斯含量进行预测。根据对井田地质条件的分析研究,选取了9个反应本矿瓦斯含量的特征指标,用13个学习样本对网络进行训练,得到了影响因素与瓦斯含量之间的关系。实验表明预测结果能较好的与实际相吻合,证明神经网络技术可以用来准确预测煤层瓦斯含量。     

分源预测法在生产矿井瓦斯涌出量预测中的应用

通过对成庄矿3#煤层进行煤层含量测定,并结合矿井地勘期间煤层瓦斯含量测试数据,得出了该矿3#煤层含量分布规律,根据煤层含量分布规律,使用分源预测法对成庄矿3#煤层采掘工作面、生产盘区和矿井进行了瓦斯涌出量预测。     

基于ACSOA-BP神经网络的瓦斯含量预测模型

针对煤矿瓦斯含量预测问题,以陈四楼煤矿为例,在煤层瓦斯含量影响因素分析的基础上,通过对种群进行混沌初始化,并引入自适应混沌算法和非线性收敛因子,提出了自适应混沌海鸥算法(ACSOA),建立了基于自适应混沌海鸥算法优化BP神经网络的瓦斯含量预测模型(ACSOA-BP),将模型应用于矿井进行预测效果检验。结果表明:陈四楼煤矿二2煤层瓦斯含量与不同因素呈非线性关系,地质构造是控制煤层瓦斯分布的主要因素,ACSOA-BP模型具有更高的预测精度和稳定性。     

基于多元线性回归与BP神经网络的矿井瓦斯预测模型应用

矿井瓦斯涌出量受众多因素的影响。经研究表明,煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进度及日产量是影响瓦斯涌出的主要因素。利用多元线性回归和BP神经网络理论,分别对矿井瓦斯涌出量进行了预测,最后建立了多元线性回归与BP神经网络的组合预测模型。该模型兼顾了多元回归分析的非线性特性和神经网络的时序特性,通过具体的实例研究,对比了各种方法的预测结果。结果显示,组合预测的结果与实际有较高的拟合度,可靠性高。     

基于LVQ-GA-BP神经网络的煤矿瓦斯涌出量预测

针对煤矿瓦斯涌出量影响因素多、非线性、复杂性等特点,提出了学习向量量化神经网络(LVQ)与GA-BP神经网络相结合的方法。通过LVQ对诸多影响因素进行分类并选出主要影响因素,再用遗传算法(GA)优化BP神经网络的权值和阈值,构建煤矿瓦斯涌出量预测模型,并通过相关数据将建立的LVQ-GA-BP预测模型与BP神经网络进行了对比分析,结果表明通过这种方法平均相对误差为0.025 51,低于BP神经网络训练的平均绝对误差,网络收敛速度也显著提高了。     

晋城成庄井田3~#煤层瓦斯含量分布特征

掌握煤层瓦斯含量的分布规律,是煤层气资源合理开发利用和有效防治瓦斯灾害的前提和科学依据。结合成庄煤矿3#煤层实测的煤层瓦斯含量,通过对影响煤层瓦斯赋存的主要地质因素的综合分析,认为煤层上覆基岩厚度是影响成庄煤矿3#煤层瓦斯赋存的主控因素,煤层瓦斯含量有随上覆基岩厚度的增加而明显增大的总体规律,以此绘制了瓦斯含量趋势等值线图,更加直观的反映瓦斯含量分布特征,其它地质因素影响其局部变化。     

基于LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量，设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理，然后建立了基于LM-BP神经网络煤层瓦斯预测模型，最后采用地勘钻孔的相关参数制作样本进行模型训练和预测，将设计的预测模型的性能与基于BP神经网络模型进行对比，结果表明，2种模型在预测准确率方面达到基本一致，都在90%以上，在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。     

影响晓南矿未开采煤层瓦斯赋存的地质因素

为了解决晓南矿二水平未开采煤层的安全开采问题，以14号煤层为例，系统地分析了影响瓦斯赋存的地质因素.采用灰色关联方法，对各影响因素进行了研究，建立了灰色关联模型，并计算出各项因素的关联度.研究结果表明：影响晓南矿14号煤层瓦斯赋存的主要地质因素为煤的变质程度、地质构造、岩浆岩侵入、煤层厚度及煤层埋深等因素，并用多元回归对其进行了瓦斯含量预测，为二水平煤层的安全开采提供了基础资料.     

基于灰色关联分析与GA-BP神经网络的拉斗铲生产能力预测

为了解决拉斗铲生产能力的测量问题,本文提出一种基于灰色关联结合GA-BP 神经网 络的预测方法。 对影响拉斗铲生产能力的12个因素进行灰色关联分析,选取实动时间、出动率、 有效抛爆量和有效抛掷率4个灰色关联度大于0.7的影响因素作为输入变量,拉斗铲月生产能 力作为输出变量,建立了GA-BP神经网络和BP 神经网络预测模型。 结果表明,GA-BP 神经网 络最大相对误差为8.786% ,平均相对误差为3.385% ,平均相对误差方差为0.0156,迭代次数 为18次,各项性能均优于常规BP神经网络。 GA-BP神经网络模型对拉斗铲生产能力预测的泛 化性能更好,精度更高,为拉斗铲生产能力的预测提供了一种较为有效的方法。     

屯留煤矿瓦斯含量主控因素分析

结合屯留矿3#煤层实测的瓦斯含量数据,认为煤层埋深和上覆基岩厚度是影响3#煤层瓦斯赋存的主控因素。构建多元回归预测模型对其进行分析,找出对屯留矿瓦斯含量分析更为有效的方法,为屯留煤矿瓦斯治理提供依据。