共查询到17条相似文献，搜索用时 718 毫秒
1.
随煤层开采深度的不断增加,煤矿生产过程中面临着复杂的突水机理和多变的突水主控因素,且各因素间相互联系的不确定性,使底板突水预测的难度不断增加。为准确预测底板突水危险性,针对底板突水的小样本、非线性问题,首先利用遗传算法(Genetic Algorithm,GA)将网络随机赋值的初始权值和阈值初次优化,再选取搜索能力强、稳定性较好的麻雀搜索算法(Sparrow Search Algorithm,SSA)对权值和阈值进行二次寻优,从而建立SSA-GA-BP神经网络底板突水预测模型。分析整理山东省滨湖煤矿地质及水文地质资料,选取含水层水压、含水层厚度、隔水层厚度、断层密度、断层分维值、渗透系数、单位涌水量、底板破坏深度共8个因素,作为预测底板突水的主控因素,绘制各主控因素3D映射投影曲面图;利用Surfer软件中的克里金插值法提取50个数据点作为模型的输入样本(分为训练集40个,测试集10个),对模型进行训练学习,训练误差精度达到要求后,对滨湖煤矿3个未开采工作面的12个数据点进行突水危险性预测。为了验证所建模型的准确性,利用BP、GA-BP、SSA-GA-BP这3种模型对测试集进行预测;为避免模型仅与BP网络预测对比的片面性,同时选取以熵权法确定权重的模糊综合评判法对测试集进行预测;将各网络模型及方法的预测结果与实际值进行对比分析。结果表明:基于SSA优化的GA-BP神经网络模型突水预测误差较小,预测结果准确率更高,为矿井水害预测预报提供了科学的评价方法和理论依据。 相似文献
2.
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。 相似文献
3.
针对当前煤层底板突水预测存在的问题,在突水概率指数法预测预报系统的基础上,用matlab开发出了一套新型煤层底板突水预测系统软件。通过对地质、水文地质等信息数据进行分析处理,从而确定导致煤层底板突水的主控因素及次级影响因素,并分别赋予其相应的权重值,将各因素在底板突水中所起的作用定量化。特别是对于不同矿区不同控制因素的影响,其相应权重值的大小可以灵活改变。建立赋权求和数学模型,绘制出各个主要控制因素的专题图,并根据各个主要控制因素的不同权重值,叠合绘制出底板突水概率指数法突水分区图。同时计算出煤层底板突水概率指数。将系统软件应用于工程实际,预测效果与实际情况相吻合。 相似文献
4.
为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。 相似文献
5.
6.
矿井煤层底板突水预测新方法研究 总被引：8，自引：1，他引：7
本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络系统（以下简称神经网络）,进行煤层底板突水预测。以作者们研制,使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。 相似文献
7.
导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。 相似文献
8.
矿井水害一直是制约我国煤炭安全生产的重要隐患之一,对其进行准确的预测评价具有十分重要的理论意义和实用价值。本文根据煤层底板突水各影响因素之间的关系是灰色关系并且具有非线性特征的特点,建立了定量与定性指标为一体的煤层底板突水评价指标体系及等级划分标准。同时将灰色关联分析法(GRA)和模糊层次分析法(FAHP)相结合。构建了能真实反映影响因素与底板突水之间灰色关系和非线性关系的底板突水危险性评价模型,并应用模型对某典型工作面突水危险性等级进行了评价,可为今后煤层底板突水预测评价的研究提供一定的借鉴和依据。 相似文献
9.
10.
11.
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. 相似文献
12.
基于FlAC（3D）模型的新集一矿岩溶水危险性研究 总被引：1，自引：0，他引：1
新集一矿1#煤层为矿区埋深最大的山西组煤层,太原组灰岩含水层是1#煤层开采时威胁最大的含水层。为合理评价1#煤层受太原组灰岩突水的威胁及煤层的可采性,按照煤层底板隔水层厚度、岩性组合及其力学性质,建立了FlAC3D模型。通过该数值模型对1#煤层进行模拟40m、80m、120m三次开挖,并用顶底板岩层的主应力差来反映其所处的变形阶段,分析了顶板来压前后底板的不同应力状态对突水危险性的影响,获得了开采1#煤层的顶板最大悬顶距、底板最大破坏深度等参数,认为开挖长度达到105m时,是最易突水位置,从而为后续详细勘探和工作面设计工作提供了参考。 相似文献
13.
The prediction and prevention of floor water inrush is directly related to the safety of the coal mine production. The previous evaluation method of floor water inrush was more one-sided and lacked main control factors related to mining conditions. In order to evaluate the floor water inrush more accurately, under the project background of geological data of Wanglou coal mine, stope width, mining depth, fault scale index, water pressure, water abundance and thickness of aquifer were selected as main controlling factors of floor water inrush. Combined with the subjective weight analytical hierarchy process and the objective weight variation coefficient method, the weight coefficients corresponding to the main controlling factors were obtained respectively. The thematic map of the risk assessment of coal seam floor water inrush was drawn by combining the constructed comprehensive weight vulnerability index model and geographic information system. The results show that: ① according to the actual geological data of mine, two fault related factors were removed. And stope width and mining depth were increased as the main controlling factors to evaluate floor water inrush. It is easier to compare and calculate the weight of evaluation factors. ② The constructed comprehensive weight vulnerability index model can comprehensively evaluate the risk of floor water inrush. And the results of the evaluation are more accurate. ③ The related thematic maps can directly reflect the risk of floor water inrush, which is of guiding significance for the prediction and prevention of coal seam floor water inrush. 相似文献
14.
华北地区下组煤资源丰富,却深受奥灰水困扰,有必要进行煤层底板突水评价及矿井涌水量预测。文章首先简要介绍了常见的底板突水评价及矿井涌水量预测方法,指出了各自的优缺点及适用条件。之后以显德汪矿9#煤层为例开展案例研究,研究结果表明：矿区中南部可划为底板突水危险区;若将突水危险区-200m水平奥灰水压降至安全水压,预测涌水量为2 000m3/h;目前实际开采9#煤突水过渡区,在使用必要的注浆措施后,发现回采是安全可行的。本研究在提升煤炭资源保障能力、延长矿山开采年限和加强煤炭安全生产方面具有理论与实践意义。 相似文献
15.
卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例 总被引：1，自引：0，他引：1
大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。 相似文献
16.
17.
分析了矿井巷道煤层底板突水的影响因素，这些因素是突水治理工艺选择的基础。对矿井巷道钻孔注浆工艺进行了简要讨论。最后介绍了钻孔注浆堵水工艺流程和工艺参数。 相似文献