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。     

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IAHP-EWM-TOPSIS模型的煤与瓦斯突出倾向性预测

为了更加准确的预测煤与瓦斯突出倾向性,以平煤天安十三矿为例,选取7个主要的影响指标和12组煤与瓦斯突出样本数据进行分析,利用改进层次分析法(IAHP)和熵权法(EWM)分别计算诱发煤与瓦斯突出的各评价指标权重,再根据组合赋权计算各指标的最优权重,结合逼近理想解排序法(TOPSIS)构建煤与瓦斯突出预测模型。结果表明:煤层瓦斯压力是影响煤与瓦斯突出的主要因素,瓦斯含量对煤与瓦斯突出的影响较低;预测结果与实际情况基本一致,验证了组合赋权-TOPSIS法对煤与瓦斯突出倾向性预测的可行性。     

BP神经网络在煤与瓦斯突出预测中的应用

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子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

构造运动强度量化表征及其对潘一矿煤与瓦斯突出控制

为了实现矿井尺度煤与瓦斯突出预测,采用直接反映煤层受构造影响强弱3参数,煤层几何形态及其变化、构造煤发育及煤层变形程度,构建了构造运动强度对煤与瓦斯突出控制定量表征方法,并据潘一矿现场资料建立了其与煤与瓦斯突出预测指标关系。结果显示:煤与瓦斯突出危险性的综合指标与构造煤百分比和煤厚残差呈较好的正相关关系,而与构造曲率呈明显的负相关关系。在煤与瓦斯突出危险性的综合指数与反映构造运动强度3方面分析基础上,利用多元非线性回归方法构建了构造运动强度预测模型,模型检验结果显示构造运动强度指数与潘一矿13-1煤已发生煤与瓦斯动力现象位置对应较好,即均分布在构造强度大于18区域。基于此模型,预测潘一矿13-1煤层煤与瓦斯突出危险区域主要分布在中区9、15、13、14、18号钻孔区域附近。     

煤与瓦斯突出预测的SOFM模型及应用

煤与瓦斯突出是煤矿生产活动中常见的一种动力灾害之一,其危险性等级评价是煤矿安全生产的必要前提和保证。文章综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件,选取地质破坏程度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及开采深度作为煤与瓦斯突出危险性预测的评价指标。基于此,文章借签一种自组织特征映射(SOFM)神经网络,建立煤与瓦斯突出危险性预测的SOFM神经网络模型,将SOFM神经网络模型应用于国内26个典型矿井的煤与瓦斯突出危险性预测。研究表明,SOFM神经网络模型预测效果较好,其正判率为92.31%。说明该模型可为小样本、多指标的煤与瓦斯突出预测提供一种新的思路。     

基于支持向量机的矿井瓦斯浓度预测应用研究

以高河煤矿回采工作面刮板输送机机尾瓦斯浓度变化为例,运用PSO-SVM与GA-SVM算法分别对核参数g和惩罚因子c进行寻优,建立最优组合参数瓦斯浓度预测模型,进行瓦斯浓度预测。结果表明,基于支持向量机的瓦斯浓度预测模型在井下瓦斯浓度预测中具有一定的有效性与实用性;且相对于PSO-SVM模型,GA-SVM模型的预测效果更佳。     

基于特征选择与机器学习的煤与瓦斯突出危险等级协同预测方法

煤与瓦斯突出危险性预测可有效防止煤矿井下突出灾害事故。为进一步提高煤与瓦斯突出危险等级预测的科学性及准确性,构建了基于多算法和多元分析的煤与瓦斯突出动态预测模型。选择51组煤与瓦斯突出工程案例数据作为样本集,对样本数据进行空值填补、数据标准化等预处理,通过引入6种特征选择方法及6种有监督机器学习算法构建了42种煤与瓦斯突出危险等级预测模型。采用准确率、混淆矩阵、Kappa系数及F1值等指标对预测模型的性能进行验证与评估,筛选出精度及稳定度高的4种机器学习算法和3种特征参数组合,确定了8种最优分类模型,并对8组典型的煤与瓦斯突出事故案例进行等级预测。结果表明：8种最优分类预测模型准确率为0.667～0.961,Kappa系数为0.625～0.920,F1值为0.615～1;实际案例煤与瓦斯突出预测准确率为100%,突出等级预测准确率为87.5%。所构建的多参数、多算法、多组合、多判定指标的煤与瓦斯突出等级协同预测模型精度较高,且具有一定的普适性,可为煤与瓦斯突出危险等级预测提供一种新思路。     

基于TreeNet算法的煤与瓦斯突出预测模型构建研究

针对煤与瓦斯突出矿井防突措施实施过程中,大量的突出预兆信息没有被充分利用,难以指导煤矿有效预测突出的问题,提出了采用 CART 算法构建突出预兆工程信息测试样本空间,采用分步式迭代逼近方式的 TreeNet算法的煤与瓦斯突出预测模型构建方法,通过建立分类预测模型,通过算法找到了测试样本中的重要预测变量,同时通过预测变量对目标变量的贡献归因分析,得到了预测指标取值的最危险区间,以此构建矿井突出预测敏感指标体系.通过对原利民煤矿历年突出资料进行测试分析,发现坚固性系数、最大钻屑量、瓦斯涌出量对突出发生有着较为明显的对应关系,可作为该矿井煤与瓦斯突出预测的敏感指标.研究结果表明:基于 TreeNet算法的煤与瓦斯突出预测模型构建是一种机器学习的工作面预测指标的敏感性判别方法,可用于煤矿建立工作面突出预测敏感指标体系.     

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.     

煤矿在线智能应急预警系统的研究与应用

根据瓦斯地质异常、采矿应力和瓦斯排放特征,考虑我国煤、瓦斯突出防治技术和矿山规律,结合矿山生产过程、地质资料和多种历史气体动态现象,对多源信息进行综合分析,建立了综合预警指标系统和煤矿模型,确定并建立了煤和瓦斯突出预测的指标模型和系统。此外,利用该模型建立在线综合系统和数据库,进行了瓦斯突出的预测,实现了煤矿工作面爆发危险的实时监测和智能识别。预测系统的应用结果表明,系统软硬件可以保证瓦斯突出的连续稳定预警,预警结果及时且准确,与矿山的实际风险一致。     

煤与瓦斯突出危险等级预测

针对我国对煤与瓦斯突出进行统一定级,统一管理,煤与瓦斯突出的防治工作存在盲目性等现象,提出采用层次分析法和模糊综合评判法,预测神仙坡煤矿工作面的突出危险等级,将突出程度划分为三个等级,对煤与瓦斯突出矿井的管理具有一定的指导意义。     

瓦斯含量多元数据融合分析及突出临界值确定

新建矿井由于运行时间较短,对瓦斯含量和地质信息勘探较少,在煤与瓦斯突出预测中存在较大困难。以山西某矿为研究背景,利用地勘钻孔瓦斯含量、瓦斯涌出量反演瓦斯含量以及瓦斯压力正演瓦斯含量相结合的多元数据融合分析方法,对山西某矿瓦斯含量进行预测,对突出危险预测敏感指标及其临界值进行确定。采用3种方法对瓦斯含量进行多元对比分析,结果表明,山西某矿瓦斯含量符合常规瓦斯地质规律,即与标高呈正相关关系;三者数据样本稳定,使得多元数据综合预测瓦斯含量更为可靠;通过对山西某矿10号煤层瓦斯含量预测可知,百米瓦斯含量增加2.6 m³/t,瓦斯风化下界为-257 m;根据邻近矿井煤与瓦斯动力参数与0.74 MPa下的瓦斯含量对比,确定瓦斯含量6 m³/t为该矿发生瓦斯突出的临界值。     

距离判别分析理论在突出预测中的应用

为了更加准确的预测煤与瓦斯突出的危险性,基于距离判别分析理论,选取电磁辐射预测指标(电磁辐射强度E和脉冲数N)和常规指标R指标、钻孔瓦斯涌出初速度q及钻屑量S作为判别因子,选取演马庄矿某掘进工作面2011年4、5月日常预测数据作为训练样本,建立了工作面突出预测的距离判别分析模型。用所建立的模型对该掘进工作面待检验的6月份日常预测数据进行分析,预测结果与实际情况吻合良好,结果表明:距离判别分析模型方法简单、预测精度较单一指标有明显提高,误判率低,实现了动态预测和静态预测的有效结合,该方法在煤与瓦斯突出预测中具有较好的可行性和实用性。     

利用MATLAB神经网络进行煤与瓦斯突出预测的研究

从煤与瓦斯突出的机理出发，考虑煤与瓦斯突出的综合影响因素，利用MATLAB神经网络工具箱，在VC 中嵌入MATLAB神经网络模块，建立了能够准确预测煤与瓦斯突出的神经网络预测模型，并制成了相应的预测软件。应用该软件进行实际检验，预测结果完全与实际相吻合，可以用来准确预测工作面煤与瓦斯突出。