基于遗传算法和模糊神经网络的边坡稳定性评价

边坡工程是一个动态的、模糊的、开放的复杂非线性系统,传统的分析方法有时难以对复杂边坡的稳定性做出符合实际的评价。影响边坡稳定性的因素复杂且具有随机性和模糊性。由于神经网络方法不仅能考虑定量因素,而且能考虑定性因素的影响,因而神经网络方法适用于解决非确定性的边坡稳定性评价问题。综合考虑影响边坡稳定性的各方面因素,建立了基于遗传算法的模糊神经网络模型,并利用大量工程资料对网络进行训练和测试。预测结果表明,该模型的预测精度明显高于目前同类方法。     

地质构造对煤层复杂性影响的定量评价方法

定量分析地质构造条件对煤层复杂性的影响,进行煤层复杂性的定量评价,对于不同复杂度煤层开采方法的选择等具有重要意义。经过分析和确定煤层复杂性的影响因素,提出"煤层复杂度"概念,并根据煤层复杂度对煤层进行了新的定量分类。通过对影响煤层复杂性关键因素——地质构造的多级定量分析,建立了基于地质构造条件的煤层复杂性评价指标体系,根据模糊数学建立了煤层复杂性评价模型,应用层次分析法确定了各级评价指标的权重,提出了煤层复杂性模糊综合评价方法,实现了煤层复杂性的定量评价。      

基于物化特性的煤层注水难易程度模型

增强煤层注水能力是目前需要亟待解决的问题,而煤层注水难易程度缺乏准确的判别标准。通过考虑煤体孔裂隙渗流分形结构特征和毛细作用下化学润湿特性,建立了煤层注水渗流量模型;基于概率论与数理统计方法基础,构建了集对联系度区间评价体系,划分了煤层注水的难易程度。结果显示：（1）注水效果受孔隙率、孔隙半径、接触角、液体的密度、表面张力、黏滞性系数、重力加速度等渗流结构参数和化学润湿特性等最简参数的影响,体系模型表征了煤体渗流结构和化学润湿特性与渗流量的关系。（2）在组合赋权下,孔隙率权重为0.32,对注水效果贡献较大,最大孔喉半径和接触角的贡献度次之;最小孔喉半径权重为0.17,对注水效果影响最小。（3）煤样X1、X2、X5评价指标值介于（0,0.25）,属于难注水煤层;煤样X3、X4评价指标值介于（0.25,0.50）,属于较难注水煤层。     

芦岭煤矿8煤层地质构造复杂程度综合评价

为提高芦岭煤矿8煤层地质构造复杂程度综合评价的准确性,在对其定性评价的基础上,遴选了断层密度、断层强度、断层走向影响指数和褶皱平面变形系数4个评价指标,采用灰色模糊综合评价方法对其进行了定量评价,得出了芦岭煤矿8煤层地质构造复杂程度定量评价结果图,划分了构造简单、构造中等、构造复杂和构造极复杂4类构造复杂程度等级。经对比,评价结果与煤矿实际揭露情况基本一致,证明了评价的合理性,为备采区Ⅲ一采区8煤层的采掘提供了科学依据。      

定量预测煤厚方法研究、影响因素分析及应用

煤层厚度预测的传统方法是利用钻孔资料的内插对比获得,精度很低。在实际应用中,人们又研究出了多种方法。这里从薄层理论出发,对这些方法进行了研究归纳,采用钻孔约束频域定量预测法(谱矩法)来编制相应的程序进行煤层厚度定量预测,并对影响煤厚变化的因素进行分析,得出了有用的结论。通过理论模型和实际资料运用,证明该方法预测精度较高,可取得令人满意的效果。     

煤与瓦斯突出预报的模糊聚类相似分析法

影响煤与瓦斯突出的因素多数是定性的或是模糊相似，采用模糊聚类分析方法对煤炭与瓦斯突出程度进行分析，建立模糊模式；应用模糊相似选择原理进行评价，以模糊模式为评价对象，以待预报样本为参考对象，根据模糊模式与以待预报样本的相似程度进行预测预报。哪一模式与预报样本最相近，等待预报样本即属于那一突出类型。采用模糊聚类及模糊相似原理2种方法结合分析预测，不仅克服了模糊聚类单一分析方法的不确定性，使定性预报转为定量预报，而且提高了预报效果的准确程度。实例分析表明，这是预报煤与瓦斯突出危险程度的一种较好的方法。     

江苏省矿山地质环境质量的模糊评价

矿山地质环境质量评价是一项复杂的系统工作,由于影响因素较多,难以用统一的标准进行度量,至今仍未形成一套标准的评价方法。文章选取影响矿山地质环境的地形地貌、岩土体工程地质性质、开采矿种、开采方式、对自然景观、人文景观及地质遗迹的破坏、对水资源的破坏、占用破坏土地、地质灾害易发程度、地质灾害危害程度、矿产资源开发利用规划、矿山生态恢复治理难易程度等11个因素作为评价因子,应用模糊评价的原理与方法,通过建立模糊数学模型和隶属度矩阵,将江苏省的矿山地质环境质量划分为良好、较好、较差及差4个等级,评价结果为江苏省矿山地质环境保护和整治规划提供了依据。     

人工神经网络理论在地下水水质评价中的应用

本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价，与动用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高。     

模糊信息优化处理方法在采空区地表移动变形预计中的应用

将模糊信息优化处理方法应用到采空区地表移动变形预计下沉系数的求取中.选取深厚比、普氏系数和煤层倾角三个因素,通过信息扩散,模糊近似推论,分别建立各指标与下沉系数的模糊关系,得到模糊关系矩阵,最后使用实际资料对其进行验证.预测结果与实际资料符合程度较高.该方法清晰、易用,得出的精度较高,能使更多的影响因素参与评判.其中评价因素的选取较为关键,要与实际相结合.     

熵权耦合层次分析赋权在煤层底板突水评价中的应用

为克服层次分析法主观确权的弊端,同时避免熵权客观确权与主控因素实际重要程度相悖的错误,以山西长治三元煤矿3号煤层底板奥灰突水危险性评价为例,将熵权与层次分析耦合确定煤层底板突水主控因素权重并建立脆弱性指数模型,采用K均值聚类法对脆弱性指数值进行聚类分区,确定阈值3个,按照突水危险程度将研究区分为安全区、相对安全区、过渡区和危险区4个区域。经对比验证评价结果符合实际情况。      

基于LSTM神经网络的煤矿突水预测

针对煤层底板突水预测问题,在总结现有突水预测方法和理论的基础上,通过特征选择实验得出水压、距工作面距离、砂岩段厚度、煤层厚度、煤层倾角、断层落差、裂隙带、开采面积、采高、走向长度是影响突水发生的主要因素,这些因素具有复杂、非线性的特点。提出基于长短时记忆（LSTM）神经网络构建的突水预测模型,将煤矿突水实例的数据作为样本数据对模型进行训练。最后,将LSTM神经网络模型与遗传算法-反向传播（GA-BP）神经网络模型和反向传播（BP）神经网络模型进行对比实验。实验结果表明,LSTM神经网络模型在测试集上的预测正确率更高,稳定性更好,更适用于煤层底板突水预测。      

基于投影寻踪技术的矿井突水水源判别模型——以新庄孜煤矿为例

投影寻踪是一种降维处理技术,它可以将高维分析问题通过投影方向转化为低维问题分析.应用该法的关键在于寻求最佳投影方向,这可以转化为一个复杂的非线性优化问题,结合Matlab的遗传算法工具箱进行优化求解.本文以淮南新庄孜煤矿为例,建立突水水源判别投影寻踪模型,并与模糊综合评判模型、神经网络模型、灰色聚类模型进行分析比较.结果表明:投影寻踪判别模型能够有效地判别突水水源,比模糊综合评判、神经网络模型、灰色聚类模型具有更高的准确性,为矿井突水水源判别提供了一个新途径.     

Bayes方法在矿井突水水源判别中的应用

快速有效地判别突水水源是矿井安全生产的重要保障。选取各含水层多项水质指标,应用Bayes方法建立适用于不同水质类型的矿井突水水源快速判别模型。结合SPSS软件,以淮南顾桥矿为例,并与模糊综合评判模型、神经网络模型进行分析比较。结果表明:贝叶斯多类线性判别模型能够有效地判别突水水源,比模糊综合评判有更高的准确性,与神经网络模型的判别准确率相同。Bayes多类线性判别模型又以其计算过程简单、模型结构稳定而优于神经网络模型。既提高判别准确率又提高判别速度,实现对突水水源快速有效判别。      

地震多属性聚类分析煤层中岩浆侵入影响范围

在淮北杨柳矿区,层状或脉状侵入的岩浆岩导致主采煤层呈现较人范嘲的吞蚀、烧变、焦化、变溥现象,Ⅲ常规地震时间剖面及顺层层拉平切片上难于确定其分布范同。为了精细确定主采煤层巾岩浆侵入的影响范田．基于煤层反射波振幅、波形、能量的同一性及差异性特征,利用优化后的地震多属性尤监督神经网络聚类分析技术对其进行分析。解释结果表明,3煤层未受到岩浆侵入,而10煤层岩浆侵入比较明显,其在成果图上呈现出犬范围的黄色团块状及脉状特征。与实际钻孔揭露资料对比,利用地震多属性聚类分析技术圈定的岩浆岩分布范嗣符合率达78％,具有较高准确度。     

基于CNN神经网络的煤层底板突水预测

为了提高煤层底板突水预测的准确性,建立了基于卷积神经网络的煤层底板突水预测模型。通过综合分析,确定了15个影响煤层底板突水的因素,将这些影响因素进行拼接组合,运用建立的深度计算结构模型对影响因素及其相互联系进行特征提取。用已知的115组数据对模型进行学习训练,并进行了预测。为验证模型的准确性,利用相同的数据对BP神经网络模型和LeNet-5模型进行训练,将建立的模型与BP神经网络模型和LeNet-5模型进行对比。结果表明:该模型通过加深模型的计算深度,综合考虑了影响底板突水因素间的相互联系,提高了突水预测准确性。基于卷积神经网络构建的模型可以对煤层底板突水进行预测,并且准确率相对较高。     

模糊神经网络用于储层预测

利用模糊理论和ＢＰ网络相结合组成的模糊神经网络系统,能够克服ＢＰ网络单独使用的局限性,可在地质条件较复杂地区进行储层及油气预测。通过实际资料应用表明,应用单个ＢＰ网络进行储层及油气预测效果较差的地区,采用模糊神经网络能取得较好的效果。     

Application of a BP neural network in predicting destroyed floor depth caused by underground pressure

Predicting the destroyed floor depth caused by the mining of coal seams is of great importance in judging whether the mining of a deep coal seam can be safely performed above a confined aquifer and to prevent the inrush of water from the floor. Thirty sets of coal mining data on destroyed floor depth were selected for study. A comprehensive analysis of the factors that influence the depth of destruction of coal seam floor strata was performed and combined with the ability of a BP neural network to address dynamic nonlinear information. Then, a set of test samples was assembled and used to construct a predictive model using a BP neural network. The model was then used to predict the destroyed floor depth of the 7105 working face of the Baizhuang Coal Mine in the Feicheng coal field. To verify the effectiveness of the model, the depth of the destroyed strata comprising the coal seam floor was measured using equipment called the “Double Sided Sealed Borehole Water Injection Device.” By comparing the predictions made by the BP neural network with actual measurements, the conclusion was reached that a BP neural network model can effectively be used to predict the destroyed floor depth caused by the mining of a coal seam.     

Prediction of groundwater inrush into coal mines from aquifers underlying the coal seams in China: vulnerability index method and its construction

Groundwater inrushes often occur in the coal mines of China. One of the water sources is the aquifers underlying the coal seams. Because such a water hazard is affected by many factors, data collected from various sources need to be evaluated to predict its occurrence. This paper introduces an innovative approach in which the water inrush risk is represented by the vulnerability index. This method combines the geographic information system and the artificial neural network. The artificial neural network is used to estimate the weight of each factor. Unlike the traditional prediction method in which two controlling factors are often evaluated without regard to their relative importance, this new approach incorporates multi-factors and describes the non-linear dynamical processes.     

Using random forest for the risk assessment of coal-floor water inrush in Panjiayao Coal Mine,northern China

Coal-floor water-inrush incidents account for a large proportion of coal mine disasters in northern China, and accurate risk assessment is crucial for safe coal production. A novel and promising assessment model for water inrush is proposed based on random forest (RF), which is a powerful intelligent machine-learning algorithm. RF has considerable advantages, including high classification accuracy and the capability to evaluate the importance of variables; in particularly, it is robust in dealing with the complicated and non-linear problems inherent in risk assessment. In this study, the proposed model is applied to Panjiayao Coal Mine, northern China. Eight factors were selected as evaluation indices according to systematic analysis of the geological conditions and a field survey of the study area. Risk assessment maps were generated based on RF, and the probabilistic neural network (PNN) model was also used for risk assessment as a comparison. The results demonstrate that the two methods are consistent in the risk assessment of water inrush at the mine, and RF shows a better performance compared to PNN with an overall accuracy higher by 6.67%. It is concluded that RF is more practicable to assess the water-inrush risk than PNN. The presented method will be helpful in avoiding water inrush and also can be extended to various engineering applications.