基于粒子群优化相关向量机的矿井瓦斯涌出量预测

矿井瓦斯涌出量受诸多因素影响,对瓦斯涌出量的预测研究是一项复杂且难度较高的工作。针对其复杂性及随机性,笔者提出了基于粒子群优化相关向量机的矿井瓦斯涌出量的预测控制方法。并利用相关向量机对矿井瓦斯涌出非线性系统进行建模,采用具有全局优化特点的粒子群优化算法进行参数优化,确保了模型精度和预测的准确性。结果表明,该模型预测控制方法精度高且可靠性强,预测效果理想。在矿井瓦斯涌出量的预测研究应用中,误差在工程许的范围内,对矿井的安全生产具有一定的参考意义。     

基于支持向量机理论的煤矿瓦斯涌出量预测研究

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,采用径向基核函数把支持向量机算法中的低维空间向量集映射到高维空间,进而建立基于实验数据的煤矿瓦斯涌出量预测模型。样本数据分为训练样本、测试样本和校验样本,结合MATLAB强大的运算功能,进行仿真研究。结果显示:整个系统具有较强的逼近和容错能力,以及较快的收敛速度,对煤矿瓦斯涌出量具有较好的预报效果。     

综掘工作面瓦斯涌出量的支持向量机预测模型

通过对支持向量机回归原理的分析,设计出预测综掘工作面瓦斯涌出量的支持向量机模型.然后,在所设计模型的基础上,采用Matlab语言,实现了该模型.运用训练样本对模型进行训练和实际数据样本进行仿真,得到了很好的预测效果.从预测结果可以看出,达到了工程实际能够接受的预测精度,说明该模型能够用于矿井的综掘工作面瓦斯涌出量预测.     

采煤工作面瓦斯涌出量预测研究

本文针对瓦斯涌出量不好确定的问题,将支持向量机方法应用于瓦斯涌出量预测的研究中,提出了瓦斯涌出量预测的支持向量机方法,该方法很好地表达了瓦斯涌出量与其影响因素之间的复杂的非线性关系,预测结果表明,该方法是科学、可行的,并且具有实时的特点和较高的精度.     

基于小波理论的支持向量机瓦斯涌出量的预测

将小波框架理论引入到支持向量机预测函数中,建立了基于小波理论的支持向量机预测模型。该模型通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,利用支持向量机进行预测。经实验表明该模型预测的结果比较准确,在时间复杂度上和预测精度上要优于以往的预测模型,能够达到指导实践的要求。     

基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法

针对当前回采工作面瓦斯涌出量预测方法选取不合理及预测精度不佳问题,借助机器学习方法对其展开研究,以交叉验证法处理现有数据,构建了支持向量回归模型与随机森林回归预测模型,并对输入数据降维前后2种模型的预测表现进行了对比分析。测试表明：经交叉验证及数据降维后2种预测模型趋于稳定、预测精度均有大幅提高,SVR模型的整体预测性能稍优于RFR模型,SVR模型每轮测试耗时约0.015 s,远低于后者;筛选后的SVR模型平均绝对误差约为0.18 m³/min,平均相对误差约3.26%,优于RFR预测模型;建立的回采工作面瓦斯涌出量预测模型均表现良好,经随机森林筛选的SVR预测模型耗时较短、误差较小、稳定性更好,可实现对瓦斯涌出量的有效预测,对简化数据采集工作及科学制定瓦斯防治措施起到参考作用。     

煤层瓦斯涌出量预测方法的改进

为了探讨瓦斯涌出量对于回采工作面的产量及安全方面的影响程度,对10个回采面的煤层瓦斯涌出进行了观测研究。研究结果重新确定了以总瓦斯含量作为预测瓦斯涌出量的基础,用残存瓦斯含量和残存瓦斯压力梯度描述瓦斯涌出空间。文中列举实例,给出了瓦斯涌出量的计算公式,这种新方法的预测误差,正常条件下在±20%范围内。研究还确认了原始瓦斯含量、开采煤厚及采掘速度是影响井下瓦斯涌出量最重要的参数。     

基于蚁群算法优化SVM的瓦斯涌出量预测

为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。     

瓦斯涌出量灰色预测

基于灰色系统原理和现场调研，针对矿井瓦斯防治现状，实例分析瓦斯涌出量在一个周期的变化规律，对现场预测瓦斯爆炸有一定的参考价值和实际意义。     

基于LS-SVM的回采工作面瓦斯涌出量预测

提出了一种基于最小二乘支持向量机（LS-SVM）的回采工作面瓦斯涌出量预测新方法.一方面,该方法基于结构风险最小化,能较好地解决小样本学习问题,避免了人工神经网络等智能方法在对回采工作面瓦斯涌出量进行预测时所表现出来的过学习、泛化能力弱等缺点;另一方面,该方法用等式约束代替不等式约束,降低了计算的复杂性,使得预测容易实现.实验表明,该方法具有预测精度高、速度快、容易实现等优点,适合对回采工作面瓦斯涌出量的预测.     

支持向量机在煤与瓦斯突出预测中的应用

为了准确预测煤与瓦斯突出危险,首先利用灰色关联分析的方法寻找出影响煤与瓦斯突出的关键性因素,然后利用MATLAB的SVM工具箱建立煤与瓦斯突出的预测模型,并应用此模型识别瓦斯突出的类型。该模型基于MATLAB的SVM工具箱加以实现。实验结果表明,基于灰色关联分析的SVM煤与瓦斯突出预测模型结果可靠,效果良好,应用性强。     

量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

基于支持向量机的矿震危险性预测

文章介绍了支持向量机二分类的基本原理及基于此原理的三元分类问题的解决办法,分析了矿震的主要影响因素,提出了一种基于支持向量机的矿震危险性预测新方法。通过对少量训练样本的学习,能很好地建立矿震危险性等级与其影响因素之间的非线性映射关系。算例结果表明,该预测方法是可行的,预测精度较高,具有良好的工程应用前景。     

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机(PSO-RVM)的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于支持向量机的电机故障预测研究

对现在比较盛行的状态监测与故障检测和预测做了阐述性的介绍,并且就故障预测方法在现代工业生产的应用性方面做了定性分析,并将支持向量机的这种对小样本数据比较有效的训练和处理方法引入到电机的故障预测中来。     

野毛冲煤矿矿井瓦斯涌出量预测

通过分源预测方法对野毛冲井田进行瓦斯涌出量预测,确定了矿井投产初期和后期的瓦斯涌出量,为矿井通风设计、瓦斯抽采等提供了理论基础数据。     

基于改进万有引力算法的KELM瓦斯涌出量预测

针对瓦斯涌出量受其他因素的影响,并且存在着复杂的非线性关系,将核极端学习机与改进的万有引力算法相结合建立基于改进万有引力算法-KELM的瓦斯涌出量预测模型(IGSA-KELM瓦斯涌出量预测模型)。首先将输入样本作为KELM网络的输入量,然后采用改进的万有引力搜索算法对KELM网络的核参数和输出权值寻优,优化KELM网络的性能。测试结果表明,基于该方法预测的绝对瓦斯涌出量误差在0.1 m^3/min以内,提高了预测精度和预测效率。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

程庄煤矿瓦斯涌出量预测分析

煤矿瓦斯涌出预测对于矿井通风设计和瓦斯管理非常重要。结合程庄矿煤层瓦斯的实际情况,对程庄煤矿9号煤层和15号煤层开采过程中的相对瓦斯涌出量和绝对瓦斯涌出量进行了预测。此外,还针对瓦斯涌出制定了防治措施。