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。     

基于神经网络和遗传算法的瓦斯含量预测研究

为了准确预测矿井瓦斯含量,研究了神经网络和遗传算法的井下瓦斯预测算法.首先构建以煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比等5个参数作为输入量、瓦斯含量为输出量的神经网络模型;然后结合所建模型,采用遗传算法对神经网络模型进行优化计算.试验结果表明,所建瓦斯预测模型的预测精度高,煤层瓦斯含量预测效果良好.     

基于灰色关联分析-GA-BP模型预测煤层瓦斯含量

为提高煤层瓦斯含量预测的精度和效率,提出用灰色关联分析从影响因素中筛选主要因素,结合运用GA-BP神经网络预测煤层瓦斯含量的方法。通过遗传算法(GA)优化BP神经网络的权值和阈值,解决BP神经网络易过早收敛极小值以及收敛速度慢的问题。用Matlab构建灰色关联分析-GA-BP神经网络、GA-BP神经网络和BP神经网络模型。选取成庄矿3#煤层的含量与影响因素作为实验数据对该模型进行实验分析,比较三个的预测模型的预测结果。实验结果表明:顶板泥岩厚度、煤层厚度、基岩厚度、煤层深度是影响成庄矿3#煤层瓦斯含量的主要因素。灰色关联分析-GA-BP神经网络预测模型平均相对误差为2.77%,比后两种预测模型的预测结果好,能准确预测煤层瓦斯含量。     

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。     

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。     

鄂尔多斯盆地临兴区块测井含气量解释方法

煤层含气量不仅是煤层气储层综合评价的一个重要参数,同时,准确预测煤层含气量也是预防瓦斯爆炸事故的重要手段,因此准确确定煤层含气量是至关重要的。针对这一问题,以鄂尔多斯盆地东缘临兴区块为研究对象,结合前人研究成果,同时引入了基于决策树模型的集成算法模型,依据研究区实测数据,分别建立了煤层含气量的SVM模型、神经网络模型、随机森林模型、梯度提升树模型4种预测模型,分析并对比了各模型的性能。结果表明,基于决策树模型的集成算法模型预测效果更好,稳定更强,在样本量较少、维度较低的样本集上比SVM模型和ANN模型更有优势。     

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.     

基于灰关联方法对突出预测敏感指标的研究

屯兰矿为煤与瓦斯突出矿井,主采8号煤层为突出煤层.突出预测的准确性及有效性是影响煤巷掘进速度的主要因素,经在煤巷测定煤层瓦斯含量和突出预测指标,利用灰关联分析方法对钻屑瓦斯解吸指标△h2及K1、钻屑量S的敏感性进行了研究.分析表明,钻屑瓦斯解吸指标K1可更准确反映工作面前方煤体的突出危险程度,可作为屯兰矿煤巷掘进突出预测的敏感指标.     

淮北许疃矿抽采后瓦斯含量损失影响因素分析及预测

抽采后残余瓦斯的存在对于矿井生产依然具有危险性,研究残余瓦斯的赋存规律及其预测是十分必要的。分析了淮北煤田许疃煤矿3_233采区地质条件,通过断层分维、煤层底板构造曲率和煤层倾角等指标的计算和统计,并分别赋予0.35,0,35和0.30的权重,计算得到研究区的构造指数及其分布,根据选取的42组数据,讨论了构造指数、煤层埋深、煤厚和原煤瓦斯含量等影响因素对抽采残余瓦斯赋存的影响,运用多元线性回归方法,拟合了瓦斯含量损失与构造指数、煤层埋深、煤厚等影响因素指标之间的相关关系,运用BP人工神经网络模型研究了预测抽采后瓦斯含量损失的可行性。结果表明:构造指数可以更精确地定量表征矿井构造复杂程度。瓦斯含量损失的主要影响因素为构造指数、煤层埋深、煤厚和原煤瓦斯含量。瓦斯含量损失总体上与构造指数呈负相关,而与其他因素的指标均呈正相关。经过数理统计的F检验,F=20.82F_(0.01)(3,38)=4.35,故多元线性回归的结果是显著的,表明瓦斯含量损失与各影响因素指标之间具有较密切的内在联系,其中构造指数对瓦斯含量损失的影响程度最大,煤层埋深影响程度最小,煤厚的影响程度介于构造指数与煤层埋深之间。以瓦斯含量损失为输出指标,以构造指数、埋深、煤厚和原始瓦斯含量为输入指标,建立了4×10×1结构的BP人工神经网络模型,模型经过学习训练后预测精度高,相对误差为1.19%～1.34%,表明可以运用人工神经网络模型预测未采区抽采后的瓦斯含量损失,残余瓦斯含量即为原煤瓦斯含量减去瓦斯含量损失,故可以间接预测抽采后残余瓦斯含量。     

BP神经网络技术在煤层瓦斯含量预测中的应用

文章以赵庄煤矿2号井3号煤层地质条件为背景,依据煤层瓦斯含量影响因素,应用人工神经网络的理论与方法,建立了煤层瓦斯含量的BP神经网络预测模型。应用该网络对井田范围内未知区域进行煤层瓦斯含量预测和分析,从而绘制出较为准确的井田瓦斯含量预测图。为煤层瓦斯含量预测提供新的研究方法和研究手段。     

基于多元非线性回归理论的煤层瓦斯含量预测

以黄陵矿煤层瓦斯含量与相关因素的数据为例,采用基于多元非线性回归理论的数学方法,建立了一种适合矿井实际的预测模型:多元非线性瓦斯含量预测模型,通过该模型进行了煤层瓦斯含量预测,预测精度较高,适用性较强。     

基于AVO反演技术的煤层含气量预测

为预测煤层气含气量,结合山西寺河煤矿实际资料,在分析不同含气量AVO异常特征的基础上,通过反演得到AVO属性,建立多地震属性与含气量之间的相关关系,从而获得煤层含气量分布。对于含气量不同的钻井,高含气量的煤层一般能形成较强的AVO异常,低含气量的煤层AVO异常很小。基于截距和梯度属性,可获得纵波阻抗、横波阻抗、极化参数、密度和伪泊松比等地震属性。地震属性与煤层含气量之间具有相关性,其中截距、纵波速度、纵波阻抗、横波阻抗、极化参数、密度、伪泊松比等属性与含气量具有较大相关性。研究表明,井孔处煤层含气量预测结果与实测瓦斯含量预测误差低,吻合性好,表明基于AVO反演技术预测煤层含气量是一种可行的方法。     

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。