基于模糊聚类和SVM的瓦斯涌出量预测

为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。     

采煤工作面瓦斯涌出量的聚类预测

以预测回采工作面瓦斯涌出量为研究目的,应用模糊C均值聚类算法对回采工作面瓦斯涌出资料进行聚类分析,得到各样本的类别、聚类中心和样本对于各类的隶属度;根据瓦斯涌出量值建立分类标准,验证了模糊C均值聚类算法在瓦斯涌出量分类方面的实用性;根据瓦斯涌出量的影响因素和聚类中心,应用灰色关联分析法建立回采工作面瓦斯涌出量的归类预测模型,对待测样本进行预测,实现了瓦斯涌出量的聚类预测;最后,用实例论证了该方法的可行性和有效性.     

基于模糊模式识别的煤与瓦斯突出区域预测

借助于成熟的模糊理论与技术可以较客观地实现突出预测中不精确信息与不精确关系的正确表达与处理，综合考虑突出影响因素，提出了煤与瓦斯突出区域预测的模糊模式识别新方法.首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类，建立不同程度的模糊模式.然后对待预测样本进行模糊模式识别，根据择近原则，哪一种模式与预测样本最接近，待预测样本即属于哪一种突出类型.此方法克服了模糊聚类单一分析方法的不确定性，实现了多指标定量化的预测，提高了预测效果的准确程度.通过实例验证，证明了预测的可靠性.     

煤与瓦斯突出预测的模糊ISODATA聚类方法研究

煤与瓦斯突出影响因素复杂,是不确定性问题,即不仅具有随机性,又具有模糊性。提出将模糊ISODATA聚类应用于煤与瓦斯突出的预测,以平顶山八矿煤与瓦斯突出相关因素指标为基础,对潜在的突出危险区域进行了聚类分析,预测结果与矿井生产实践相一致。     

基于模糊K-均值聚类法的煤与瓦斯突出危险性评价

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素的复杂性,通过收集突出矿井的相关资料,分析并合理选取对矿井煤与瓦斯突出影响的主要指标,结合基于模糊数学理论的K-均值聚类法对煤与瓦斯突出矿井进行聚类分析,并利用最小二乘法获取合理的分类和聚类中心矩阵,来预测煤与瓦斯是否突出,以供技术人员参考,以便提前预防突发事故.结果表明此模型的评价结果与实际相符,为高瓦斯矿井的煤与瓦斯突出危险性评价提供了一种科学的理论方法.     

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.     

基于层次分析与模糊综合评判的突出危险程度预测

针对煤与瓦斯突出预测缺乏定量评价方法,将层次分析与模糊综合评判运用到煤与瓦斯突出危险程度预测中,使用层次分析法确定了煤与瓦斯突出各影响因素权重系数,运用模糊综合评判法建立了煤与瓦斯突出危险程度预测模型。最后,对某煤矿9煤层进行了煤与瓦斯突出危险性预测。结果表明,应用层次分析与模糊综合评判进行煤与瓦斯突出危险程度预测是可行的。     

灰色聚类评估法在煤与瓦斯突出预测中的应用

将灰色聚类评估法引入到煤与瓦斯突出预测中,选取瓦斯压力、瓦斯含量、瓦斯放散初速度、煤的坚固性系数、煤的破坏类型、构造发育程度作为本次煤与瓦斯突出预测的6个主要参考因素,权重分别为0.2、0.2、0.1、0.2、0.1、0.2。在理论分析的基础上,结合4个突出矿井的瓦斯基础参数进行了预测,预测结果与实际发生的突出情况完全相符,证明灰色聚类评估法在煤与瓦斯突出预测中有很好的适应性和科学性。     

回采工作面瓦斯涌出量的聚类分析及归类预测模型的建立

为了预防瓦斯灾害的发生,以实现回采工作面瓦斯涌出量的准确预测,在对回采工作面瓦斯涌出量实测数据统计的基础上,应用模糊C均值聚类算法进行回采工作面瓦斯涌出量的聚类分析,得出各数据的聚类中心和样本数据对于分类的隶属度;建立回采工作面瓦斯涌出量的归类预测模型,对待测瓦斯涌出样本进行预测,实现了瓦斯涌出量的归类预测;最后,用实例论证了该方法的可行性和有效性.研究结果表明:隶属度表征样本属于各个类别的程度,同时也证明了瓦斯涌出量与各个影响因素之间的关系是非线性的;采用归类预测模型对待测样本进行归类预测,通过比较样本与聚类中心的关联度大小,判定样本的归属类别,避免了人为的主观性和盲目性;该方法可行、实用,是一种有效的瓦斯涌出量归类预测方法.     

模糊聚类评估法在煤与瓦斯突出预测中的应用

通过模糊聚类分析将影响煤与瓦斯突出的地质构造综合起来考虑,应用灰色系统理论中的多维灰色评估方法,对煤与瓦斯突出的样本集进行了分析研究,不仅可靠程度高,而且能定量描述待报样本与模式的危险程度。研究结果表明,该方法能准确对煤与瓦斯突出灾害进行预测,从而说明了该方法的可靠性。     

基于混沌理论的掘进工作面煤与瓦斯突出特征研究

煤与瓦斯突出是一种极其复杂的动力现象,属于非线性动力系统在时空演化过程中的灾变行为。探索煤与瓦斯突出的规律性,对预防煤与瓦斯突出具有非常重要的理论和实践意义。为此,针对某掘进工作面的2组瓦斯涌出数据,应用非线性理论对其进行研究,探索煤与瓦斯突出预测的新方法。首先对经过预处理的时间序列进行相空间重构,分析了时间序列的混沌特征量,证明其混沌特性,并根据时间序列的混沌特征量提出了此时间序列的最大可预测时间。在此基础上,建立了基于混沌特征量的神经网络突出预测模型。     

基于决策树ID3改进算法的煤与瓦斯突出预测

为提高工作面突出预测指标预测的准确率,根据灰色相关理论和决策树ID3算法,提出了基于决策树ID3改进算法的煤层工作面煤与瓦斯突出预测方法。该方法以工作面的钻屑解吸指标作为主要决策属性,以地质构造、瓦斯浓度变化等现场较为直观的突出征兆作为辅助决策属性,同时根据矿井实际工作面煤与瓦斯突出数据建立预测样本数据集,把决策属性的相对灰色关联度作为决策树ID3改进算法的最大信息增益计算权重,建立了煤层工作面煤与瓦斯突出决策树预测模型,并采用该预测模型对10组煤与瓦斯突出数据进行了预测,结果表明,该模型预测的准确率显著高于采用单一钻屑指标预测的准确率。     

基于瓦斯涌出特征的煤与瓦斯突出连续预测技术及应用

针对现阶段煤与瓦斯突出预测技术难以实现时间和空间领域的全方位预测,预测结果准确率低、预测结果发布滞后且影响工作面正常采掘作业生产等技术缺陷,提出了一种利用工作面瓦斯涌出特征预测工作面前方煤与瓦斯突出危险情况的非接触式、连续预测方法。通过对煤矿监测数据结构特征进行综合分析,确定了瓦斯涌出特征突出预警系统的预警指标,建立了煤与瓦斯突出连续预测技术模型,并引入单项预测指标权重评判集,采用加权平均设计思路,构建形成了煤与瓦斯突出预警综合评判规则。在此基础上,采用C/S、B/S双架构系统开发模式,设计开发了瓦斯涌出特征突出预警系统平台。通过下峪口煤矿应用结果显示,该系统平台总体预警准确率达到了86%,且能够超前准确地预测工作面前方的煤与瓦斯突出危险情况,为突出矿井的正常掘进生产提供了安全保障。     

Research on prediction for coal and gas outburst based on Matlab neural network toolbox and its application

In order to predict the danger of coal and gas outburst in mine coal layer correctly, on the basis of the VLBP and LMBP algorithm in Matlab neural network toolbox, one kind of modified BP neural network was put forth to speed up the network convergence speed in this paper. Firstly, according to the characteristics of coal and gas outburst, five key influencing factors such as excavation depth, pressure of gas, and geologic destroy degree were selected as the judging indexes of coal and gas outburst. Secondly, the prediction model for coal and gas outburst was built. Finally, it was verified by practical examples. Practical application demonstrates that, on the one hand, the modified BP prediction model based on the Matlab neural network toolbox can overcome the disadvantages of constringency and, on the other hand, it has fast convergence speed and good prediction accuracy. The analysis and computing results show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needs more memory. And the resuits show that the prediction results are identical with actual results and this model is a very efficient prediction method for mine coal and gas outburst, and has an important practical meaning for the mine production safety. So we conclude that it can be used to predict coal and gas outburst precisely in actual engineering.     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。     

煤矿煤与瓦斯突出的非线性预测系统研究

煤与瓦斯突出一直是影响煤矿安全生产的重要因素,而对于煤与瓦斯突出的预测一直缺乏有效可靠的预测方法,本论文分析研究了煤与瓦斯突出的机理,及其发生突变的约束条件,在此基础上重点探讨了煤与瓦斯突出的非线性预测系统的设计,给出了系统功能设计和层次结构设计方案,在传统局域预测算法基础上进行了改进,提出了非线性预测算法,仿真结果表明,改进后的预测算法较传统的局域预测算法,具有更低的预测误差和更高的预测可靠性,对于进一步提高煤矿煤与瓦斯突出预测方面的研究,无论是在理论研究方面还是在实际应用方面均具有一定指导和借鉴意义。     

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ASP技术的煤与瓦斯突出危险性预测系统

结合煤与瓦斯突出预测的现状,提出了一种基于ASP技术的煤与瓦斯突出危险性预测系统。该系统把KBD 7瓦斯预报仪器和ASP技术结合起来运用到突出预测中,把计算机系统和网络平台结合起来,创建了煤与瓦斯突出预测的新方法、新途径,不仅提高了煤与瓦斯突出预测的可靠性和准确性,而且实现了煤与瓦斯突出预测的动态连续性。