矿井涌水量灰色模型预测

对于仅具有涌水量动态观测数据,而缺乏其它水文地质基础资料的矿区地下水系统,利用灰色模型可以容易地对未来水量作出较为可靠的预报。本文扼要地介绍了这一方法,并用一实例加以说明。     

灰色系统理论在东北地震活跃期预测研究中的应用

运用灰色系统理论,对东北地区下一个地震活跃期开始时间以及活跃期内可能发生的最大地震的震级进行预测。分别取两个地震活跃期之间的时间间隔和每一活跃期内的最大地震的震级为原始数据列,用五步建模法建立灰色GM(1,1)模型。 用所建模型进行预测,得到东北地区下一个地震活跃期约于1997年开始,活跃期内可能发生的最大地震为7.2级。文中对预测结果的多解性进行了探讨。     

改进的灰色系统理论预测矿井涌水量

基于我国东部许多大水矿区煤炭资源日渐枯竭,衰老矿井涌水量变化巨大的现状,以灰色系统理论为基础,提出了一种新的矿井涌水量预测组合模型——GM (1,1)–Markov–新陈代谢组合模型以及用于预测结果综合评价的指数Z。模型验证结果表明,该组合模型的预测结果优于其他模型,减小了序列数据波动性大、新旧信息更替差异所造成的误差,能够较好地解决时间跨度下采空区残留涌水、意外突水等不确定因素对衰老矿井涌水量预测精度和可靠性的影响。将该组合模型及其他模型应用于开滦集团荆各庄衰老矿井涌水量的预测,结果显示：GM (1,1)–Markov–新陈代谢组合模型的综合评价指数最高,达到0.475;荆各庄矿2011—2015年的矿井涌水量将分别为13.055 m³/min、12.730 m³/min、12.579 m³/min、12.493 m³/min和12.503 m³/min。     

基于灰色模型的煤矿涌水量预测研究

孟加拉巴拉普库利亚煤矿位于孟加拉国西北部,为一独立的半断陷冈瓦纳群含煤盆地。该矿主采的Ⅵ煤层为特厚煤层,煤层均厚36m。受矿井水文地质条件等因素影响,目前仅在南翼采区进行开采。根据煤矿Ⅵ煤一分层开采2000-2012年的涌水量实测资料,建立灰色理论模型并进行模型精度检验。在此基础上,利用灰色理论的预测方法,基于Matlab软件编程计算,对2013-2018年的矿井涌水量动态变化进行预测,并将模型预测值与实测资料进行对比。结果表明,所建立的灰色系统模型具有可靠性和适用性,涌水量预测成果可为矿井排水系统的设计提供依据。     

矿井深部地温的灰色数列预测

运用灰色系统理论中数列预测方法,对某矿井的近似稳态测温孔的深部地温进行了预测和检验,取得了远比公式法计算的精度高得多的效果。     

灰色预测在地下水位预测中的应用

针对小南海泉域地下水位的预测影响因素多,数据量少,不确定性较大的特点,本文由实测的数据按照井号,每月为一组,由方差的已定范围来选择置信度,并求出灰度值,从而得出,灰色理论适用于地下水位的预测。然后,用GM(1,1)为预测模型对小南海泉域的地下水位进行了预测,每四个数据一组得到预测数据,对比原始数据与预测数据,其变化趋势基本一致,误差在允许范围内,用GM(1,1)模型进行地下水位的预测,能够得到较为准确的预测结果,可以应用于实际的预测工作。     

灰色理论在干旱预测中的应用

介绍灰色系统理论及其建模原理,利用沁河流域上游沁源气象站42年的实测降水量资料建立灰色预测GM(1,1)灾变模型,对干旱灾害进行预测,经残差、后验差检验等分析,模型精度较高平均达98.8%.并对实测资料进行检验,效果较理想,为沁河流域上游抗旱及供水提供必要的预测信息.     

中心逼近式灰色GM(1,1)模型在滑坡变形预测中的应用

黄龙西村滑坡位于甘肃天水,属黄土高势能滑坡,滑体体积3.9105m3,基底为花岗闪长岩。为了提高滑坡灰色GM(1,1)模型的预测精度,采用一种改变背景值的方法--中心逼近式灰色GM(1,1)模型。通过黄龙西村滑坡实例验证分析,结果表明中心逼近式灰色GM(1,1)模型的预测值与该滑坡实际监测值十分接近,且其残差平方和及平均误差百分比明显比传统灰色GM(1,1)模型的残差平方和及平均误差百分比小,具有较高的预测精度。同时,可通过调整模型中参数m的取值,使中心逼近式灰色GM(1,1)模型具有更高的预测精度。经计算,当m=6时,中心逼近式灰色GM(1,1)模型的预测精度比传统灰色GM(1,1)模型提高了5.34%。     

未达到破坏的单桩极限承载力的灰色预测

如何利用未达到破坏的试桩资料来确定其极限承载力是一个重要的工程问题。根据灰色系统理论的预测模型,建立了预测单桩竖向极限承载力的非等步长GM(1,1)模型群。工程实例表明,该模型能够满足工程的需要,且带有残差修正的自调整非等步长GM(1,1)模型的精度最高。     

基于灰色理论的变形智能预测模型库研究

针对传统GM(1,1)模型在变形预测中精度不高和适应性不强的问题,将传统GM(1,1)模型从多个角度进行改进,并将传统模型及其改进模型进行集成,建立了预测模型库。利用灰色评价模型对模型库的预测结果进行评价,从而实现智能预测,并利用编程语言对模型库和评价模型进行了程序实现。最后利用盘古山钨矿变形数据对该模型库进行检验,结果表明,该模型库能根据不同特点数据,智能化地得到最佳预测结果,具有重要的应用价值     

大数据灰色系统GM(1,1)模型在吉林省煤炭发展对策研究中的应用

选取2005—2013年吉林省煤炭消费量数据进行灰色系统GM(1,1)建模,并对所建立的模型进行后验差检验,检验结果为后验差比值小于0.35,最小误差率大于0.95,说明此模型适用于吉林煤炭消费量的预测。预测2014年和2015年煤炭消费量结果分别为114.84×106t和117.98×106t。同时,对吉林省煤炭发展对策进行讨论。     

矿井明渠流量测定方法

讨论了各种矿井水流量测定方法在矿井中实际测量时遇到的技术难题,提出了合理使用矿井流量测量装置获取正确测量结果的技术方法。实际应用证明,正确的测量方法可以达到2%³%的测量精度。     

灰色系统理论在煤层气含量预测中的应用

煤层含气量是一个受多因素影响的反映煤层含气性的定量指标。以晋城矿区为例,根据煤层气地质基本理论,利用改进的斜率关联度法,分析了煤层气含量的影响因素;进而,由灰色多变量静态模型GM(0,N)预测了煤层气含量,并与多元回归分析的结果进行比较。结果表明,用改进斜率关联度进行灰色关联分析所确定的煤层气含量的主要影响因素是可信的;由GM(0,N)模型预测煤层含气量所需样本数据少,原理简单,计算方便,且预测精度较高。     

GM(1,1)分解模型与ARIMA模型在岩溶地下水模拟中的对比研究——以柳林泉流量模拟为例

本文运用GM(1,1)分解模型和ARIMA模型分别模拟柳林泉流量。根据影响特征将泉水流量变化分为两个时段研究:1957—1973年泉水流量处于自然状态;1974—2009年泉水流量受气候变化和人类活动双重影响。运用第1时段的数据建模获得自然状态下泉水流量的模型,将模型外推,获得第2阶段自然状态下泉水流量,然后根据水量平衡原理,减去同期实测流量,获得人类活动对泉水流量衰减的贡献。GM(1,1)分解模型的结果显示,从20世纪70年代到21世纪初柳林泉衰减量为2.26m3/s;ARIMA模型的结果为2.32m3/s;与同期实际衰减量2.27m3/s比,相对误差分别为0.44%和2.20%,表明两种模型都适用于泉水流量的模拟。对比人类活动和气候变化对柳林泉流量衰减的贡献,两个模型得到同样结果,即人类活动的贡献是气候变化的8～9倍。实证研究显示,GM(1,1)模型适用于指数序列的模拟,对具有周期波动的泉水流量,可通过周期修正提高精度;而ARIMA模型能够较好地反映泉水流量相对于降水量的时间滞后效应,能比较准确地模拟泉水流量与降水量的量化关系。      

张集煤矿灰岩含水层数值模拟及涌水量预测

为了正确评价淮南煤矿张集煤矿灰岩含水层对煤层开采的影响,探明详细的水文地质条件,本文利用–536 m水平放水成果资料,利用GMS建立了张集煤矿C3I 组灰岩含水层水文地质模型及其数值模型,经识别和验证后,获得了灰岩含水层水文地质参数,并结合“突水系数”,进行数值模拟分析,计算水文地质参数,预计灰岩疏水量,并利用数值模拟参数分别模拟计算了–536 m、–565 m 水平、–566 m水平的安全开采下的疏放量,依据此次计算结果,给张集煤矿采煤过程中灰岩水的防治提供了一定借鉴。     

大数据灰色系统GM（1,1）模型在吉林省煤炭发展对策研究中的应用

选取2005—2013年吉林省煤炭消费量数据进行灰色系统GM（1,1）建模,并对所建立的模型进行后验差检验,检验结果为后验差比值小于0.35,最小误差率大于0.95,说明此模型适用于吉林煤炭消费量的预测。预测2014年和2015年煤炭消费量结果分别为114.84×106t和117.98×106t。同时,对吉林省煤炭发展对策进行讨论。     

不同时间序列模型在岩溶山区矿井涌水量预测中的应用

矿井涌水量预测的精度对于煤矿开采安全有着至关重要的作用。文章以老鹰山煤矿为例,分析降雨与矿井涌水量的相关关系,结果表明：同期月及前第1个月降雨量与涌水量相关性具有逐渐减弱的趋势,而与前第2个月至第5个月的相关性有逐渐升高的趋势;基于矿井涌水量及降雨量,建立了单因素季节性时间序列SARIMA模型及多元季节性时间序列SARIMAX模型对矿井涌水量进行预测,预测结果表明：两种模型91.7%的预测值达到B级探明的矿井涌水量,预测精度均较高,SARIMAX模型预测结果的MAPE为18.57%,小于SARIMA模型的25.27%,预测精度更优。     

边坡位移预测组合灰色神经网络方法

边坡位移的发展受地质条件、气候环境及人类活动等因素影响,变化趋势复杂,难以建立准确的经典数学模型对其进行全面描述。为了较准确地得到边坡位移数据,采用多模型信息融合技术对其进行预测。首先,将边坡这类影响因素复杂的系统作为一个灰色系统,分别采用GM(1,1)模型、Verhulst模型及DGM(2,1)模型对位移值进行预测;其次,考虑到神经网络的高速并行计算能力和类似人类思维活动的处理机制,利用神经网络方法对不同的灰色预测模型组合,生成灰色神经网络模型。通过反复训练、学习,自动调节,得出各模型在组合模型的合理权重,输出满意的结果。对比发现,利用组合灰色神经网络模型预测的位移值较单独的灰色模型预测的位移值具有更高的精度。