南桥煤矿的瓦斯地质特征及未采区瓦斯涌出量预测

在分析影响南桥煤矿５号煤层采掘瓦斯涌出量影响因素的基础上,对矿井未采区瓦斯等级及涌出量进行了预测。     

基于STL-EEMD-GA-SVR的采煤工作面瓦斯涌出量预测方法及应用

瓦斯涌出量准确预测可为矿井通风及瓦斯灾害防治措施提供重要依据。为提高采煤工作面瓦斯涌出量预测精度,根据陕西黄陵某矿采煤工作面绝对瓦斯涌出量监测数据,应用基于局部加权回归的周期趋势分解(Seasonal-Trend decomposition procedure based on Loess, STL),将监测数据分解成趋势项、周期项和不规则波动项;利用集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),将不规则波动项分解得到不同特征尺度的IMFs(Intrinsic Mode Functions, IMFs)分量以及残差余量;通过遗传算法(Genetic Algorithms, GA)参数寻优后的支持向量回归机(Support Vector Regression, SVR),对各项分解数据进行预测;叠加各分量模型预测结果,得到最终瓦斯涌出量预测结果。结果表明：在预测集为247、147和70组3种情景下,对比分析了STL-EEMD-GA-SVR模型(简称SEGS)、EEMD-GA-SVR模型、GA-SVR模型和高斯过程回归(Gauss...     

勘探阶段矿井瓦斯涌出量预测方法探讨

矿井瓦斯是当前影响煤矿安全生产的主要灾害因素,如何在矿井设计、建设前,建立一个比较可靠的矿井瓦斯涌出量预测方法,较准确地预测矿井瓦斯涌出量是一项重要工作。基于分源预测法,结合多年工作实践,建立了勘查阶段结束时,从整个井田及井田历史角度出发的矿井瓦斯涌出预测方法。根据瓦斯地质来源将其划分为邻近层瓦斯涌出、采出煤瓦斯涌出、井下残留煤瓦斯涌出、围岩瓦斯涌出、井田周围煤层瓦斯涌出等5类瓦斯源,并分别建立了相对应的预测公式。通过实例应用,证明该方法有一定的可靠性。     

R／S分析及矿井瓦斯涌出量的分形预测

介绍了分形理论中的时间序列（R／S）分析方法，讨论了赫斯特指数的理论意义和实际计算方法，并将其应用于矿井瓦斯涌出量预测。通过对矿井瓦斯涌出量时间序列的分形处理，根据极差、标准差的结构分维值的大小，对矿井瓦斯涌出量的增量趋势做了分形预测。     

陈家山煤矿采面瓦斯涌出量影响因素及建模预测

工作面瓦斯涌出量是采面通风设计及制定采面瓦斯防治措施的主要依据。在收集陈家山煤矿大量瓦斯地质资料基础上,分析了矿井主采4-2号煤层采面瓦斯涌出规律及其影响因素,研究认为,采面瓦斯涌出量为矿井主要瓦斯来源,其涌出量与煤层埋藏深度、煤层瓦斯含量、顶板含油气小街砂岩厚度及工作面日产量等主要控制因素呈正相关关系;采用数学建模方法建立了采面瓦斯涌出量预测模型,编制了采面瓦斯涌出量预测图,结果显示4-2号煤层采面绝对瓦斯涌出量总体呈现出由井田浅部向中部迅速增大,再由中部到深部逐渐减少的变化趋势。     

Excel回归分析及其在矿井瓦斯涌出量预测中的应用

回归分析方法是处理变量之间相关关系的有利工具,在很多领域都有应用。介绍了多元线性回归分析的数学原理,以及用MicrosoftExcel工作表进行多元回归分析的多种方法。在应用实例中用常村矿井的钻孔实测数据,演示了Excel多元线性回归各种方法的分析过程。     

同水平煤层相对瓦斯涌出量的回归分析模型

利用数理统计学原理,建立了淮南谢二矿-450m水平不同煤层的相对瓦斯涌出量与煤层厚度、煤层结构破碎程度的回归分析模型,表明在同一地质单元同水平条件下,煤层厚度越大,结构越破碎,其相对瓦斯涌出量越大。     

灰色关联理论在矿井瓦斯涌出灾害预测中的应用

基于灰色理论分析方法,建立了煤层瓦斯涌出量及其影响因素的数学模型,根据某煤矿14^#煤层各影响因素的灰色关联度来对煤层瓦斯涌出情况进行预测;最后对推导结果进行了实际检验。检验成果表明用该方法对煤层瓦斯涌出量进行预测是可行的,可为矿井瓦斯灾害预测提供参考依据。     

韩城桑树坪煤矿瓦斯涌出特征及其影响因素定量分析

在总结桑树坪煤矿瓦斯涌出量分布特征的基础上，通过定性与定量分析方法，研究了影响综采工作面瓦斯涌出量的主控因素，为该矿瓦斯涌出量定量预测研究奠定了基础。     

神经网络分析方法在瓦斯预测中的应用

论述了瓦斯预测技术的研究现状及其在现代矿业中面临的新问题，介绍了神经网络技术在处理复杂地质条件方面的优越性，探讨了瓦斯预测技术与人工神经网络等高新技术相结合的可能性与必要性，并举例论证了它们在瓦斯预测过程中的适用性。实践证明：瓦斯预测技术与人工神经网络相结合所建立的预测模型，不仅能够综合考虑各种影 响因素，较好地处理地质条件中的各种非线性关系，而且预测精度高，结论可靠，为瓦斯预测技术的进一步发展提供了新的思路。     

煤体瓦斯渗透率的PSO-LSSVM预测模型

结合有关煤体渗透率的众多研究成果,总结出影响煤体渗透率的3个主要因素为有效应力、温度和瓦斯压力。采用粒子群优化算法(PSO)对最小二乘支持向量机(LSSVM)的参数进行优化选择,并以上述3个因素和抗压强度为输入值,以渗透率为目标输出值,建立煤体瓦斯渗透率的PSO-LSSVM预测模型。利用25组数据进行PSO-LSSVM模型与BP神经网络及支持向量机的比较实验,PSO-LSSVM预测结果与实际值拟合程度优于其他两个模型,且具有更小的误差。实验结果表明,采用PSO-LSSVM模型可由有效应力、温度和瓦斯压力对渗透率进行较高精度的预测。     

矿山边坡地表变形的PSO-ELM预测模型

为提高矿山边坡地表变形预测模型的精度,从矿山边坡地表变形影响因素角度考虑,建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法,提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系;采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据,应用ELM建立预测模型,并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化,以提高其预测精度。研究表明,经过PSO的优化,将预测模型的最大相对误差（4.705×10^-8）、均方误差（6.243×10^-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10^-8,1.158×10^-5和0.003,说明PSO-ELM预测模型具有更高的预测精度,该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中,以期提升矿山生产安全。     

基于SAGA-FCM的煤与瓦斯突出预测方法

为提高模糊C-均值聚类（Fuzzy C-Means Clustering Algorithm,FCM）算法在煤与瓦斯突出预测中的准确度,提出一种将模拟退火算法（Simulated Annealing Algorithm,SA）与遗传算法（Genetic Algorithm,GA）相结合用于模糊C-均值聚类分析的煤与瓦斯突出预测方法。该方法综合了模拟退火算法全局搜索、高精度的优点和遗传算法强大的空间搜索能力,将经遗传模拟退火算法优化后的初始值赋给FCM,避免了由于聚类中心初始值选择不当造成FCM算法收敛到局部极小点上。结合典型突出矿井数据进行分析,结果表明：遗传模拟退火算法优化后的FCM算法较单一,预测准确度高。     

基于APSO-WLS-SVM的含瓦斯煤渗透率预测模型

为了较准确预测含瓦斯煤渗透率,有效预防瓦斯安全事故,提出自适应粒子群算法（APSO）优化的加权最小二乘法支持向量机（WLS-SVM）算法。根据对含瓦斯煤渗透率的相关理论及文献研究分析,选取有效应力、瓦斯压力、温度和抗压强度作为主要特征指标,采用APSO算法对WLS-SVM模型的组合参数（C、σ）寻优,建立APSO-WLS-SVM含瓦斯煤渗透率预测模型。结合现场实测资料中的40组数据作为训练样本,其余10组为预测样本,对该模型进行训练与检验,并将其预测结果与利用PSO-WLS-SVM和WLS-SVM模型的预测结果进行对比。结果表明：APSO-WLS-SVM模型的预测效果优于另外2个模型,提高了煤体渗透率的预测性能与泛化能力。     

基于粒子迁徙的粒群优化算法及其在岩土工程中的应用

受自然界物种迁徙的启发,提出了一种新的改进的粒群优化算法(MPSO)。算法初始化时,将粒子随机地划分为若干个子粒群,每个子粒群按照给定的策略独立演化,在演化中的指定时段进行粒子的随机迁徙和自适应变异,以保持整个种群的多样性,避免早熟收敛。基准测试函数的计算结果表明,MPSO算法的性能优于其他几种改进算法。堆石体幂函数流变模型,参数较多,具有很强的非线性,将MPSO算法应用到堆石体幂函数流变模型的参数反演中。计算结果表明,利用反演的流变模型参数计算的坝体流变变形与实测变形在发展规律和数值上均比较吻合,证明MPSO算法在多参数、强非线性的复杂模型参数反演中的优越性。     

基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测

岩溶地表塌陷是由多个影响因素共同作用导致地面形成塌陷坑（洞）的一种动力地质现象,具有隐蔽性和突发性的特点,常规简单数学模型难以对地表塌陷危险性准确预测。文章先通过主成分分析法（PCA）对选取的地下水位、地下水位波动幅度、给水度等11个影响因素提取5个主成分,对导致地表塌陷危险性的主成分进行全新的解释,同时引入粒子群算法（PSO）优化的支持向量机（SVM）方法,建立PCA-PSO-SVM岩溶地表塌陷危险性预测模型,并结合凡口铅锌矿地区工程实例,将预测结果与单一的SVM模型预测结果进行对比,表明PCA-PSO-SVM危险性预测模型精度更高,可以更好地为岩溶地表塌陷防治工作提供依据。     

基于贝叶斯正则化改进BP神经网络的页岩气有机碳含量预测模型

页岩气总有机碳(TOC)含量是评价岩性气藏的关键指标,受复杂地质及岩芯采集等多种因素的影响,常规室内测试分析获得的TOC含量的数据有限且结果有失准确。为合理准确预测页岩气TOC含量,本文首先通过对页岩气储层TOC含量测井资料综合分析选取8条测井曲线,并结合主成分分析法(Principal Component Analysis,PCA)提取四个主成分;其次基于贝叶斯正则化(Bayesian Regularization)改进的BP神经网络方法建立页岩气TOC含量预测的BR-BP模型;最后利用该模型对研究区A区页岩气TOC含量进行预测,并与常规的LM-BP神经网络模型的预测结果进行对比。结果表明：BR-BP模型有较强的非线性拟合能力,能够真实地反映出页岩气TOC含量与各测井参数之间的非线性关系,其模型预测结果与实际值基本吻合,与常规的LM-BP神经网络模型相比,其数据敏感性增强,预测精度有所提高,该研究方法具有一定的理论意义和参考价值,为我国TOC含量预测提供了一种新的技术方法和手段。     

围岩力学参数反演的GSA-BP神经网络模型及应用

针对遗传算法（GA）存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法（SA）,组成改进的遗传模拟退火算法（GSA）提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。     

位移反分析的粒子群优化-高斯过程协同优化方法

针对采用随机全局优化技术进行岩土工程位移反分析存在数值计算量大、效率低的问题,将粒子群优化算法与高斯过程机器学习技术相结合,提出了位移反分析的粒子群优化-高斯过程协同优化方法。该方法利用全局寻优性能优异的粒子群优化算法进行寻优的基础上,采用高斯过程机器学习模型不断地总结历史经验,预测包含全局最优解的最有前景区域,通过提高粒子群搜索效率并降低适应度评价次数,进而有效地降低位移反分析过程中的数值计算工作量。多种测试函数的数学验证和工程算例的研究结果表明该方法是可行的,与传统方法相比较,可显著地降低位移反分析的计算耗时。