基于数据挖掘技术的瓦斯涌出量预测方法研究

摘要

瓦斯灾害是煤矿的主要灾害之一,不仅会给工作人员的生命安全造成很大的威胁而且还会带来大量的财产损失。做好瓦斯防治工作至关重要,而瓦斯涌出量预测是瓦斯防治中的重要环节,在很大程度上影响着煤矿的安全生产。因此,根据不同的矿井的情况,选择与其适应的瓦斯涌出量预测方法对指导矿井安全作业和制定行之有效的瓦斯灾害治理措施具有十分重要的意义。
　　本文采用数据挖掘的相关技术与方法,对某矿瓦斯涌出影响因素及涌出量进行分析与预测研究,并利用Poly Analyst与MATLAB软件进行建模与计算。
　　(1)运用Poly Analyst与MATLAB分别对瓦斯涌出量及影响因素进行相关分析与灰色关联分析,并得出以下结果:①某矿的瓦斯涌出量与煤层瓦斯含量、煤层埋深、煤层厚度、开采强度、邻近层瓦斯含量成正相关,与推进速度和工作面采出率成负相关;②以上各影响因素与瓦斯涌出量的相关系数的绝对值都在0.71以上,呈显著相关或高度相关。③经两种分析方法共同确定的影响因素为煤层瓦斯含量、煤层厚度、开采强度、煤层埋深、邻近层瓦斯含量。
　　(2)利用Poly Analyst软件平台的支持向量回归机模型对瓦斯涌出量进行预测。通过对训练数据的预测,选取了支持向量回归机两种核函数的参数。由预测结果可知:①当多项式核函数参数及多项式的次数为5时,平均相对误差最小为0.91％。②当高斯核函数参数及标准偏差为2.1时,平均相对误差最小为8.59%。
　　(3)通过已选的两种核函数参数对测试数据进行预测,由预测结果可知:多项式核函数预测的平均相对误差为3.04%,高斯核函数的平均相对误差为5.39%,前者的预测精度优于后者。运用Poly Analyst支持向量回归机模型进行瓦斯涌出量预测,简单易行,便于掌握,能够充分运用瓦斯涌出量影响因素的各项数据,实现速度快、预测精度高,省去了大量繁琐的计算工作,并且能够取得良好的预测效果,为瓦斯涌出量的预测的实现提供了一条新途径。但是,在模型应用的过程中,要注意根据所研究对象的性质,选用合适的核函数及其参数。
　　(4)利用MATLAB软件创建了一个满足网络设计要求的BP神经网络。通过对训练数据与测试数据的预测,可得出如下结论:①隐含层节点数的增加,虽可以提高网络的映射能力,但预测的精度不一定提高②对测试数据预测的精度较高,其最大相对误差为8.14%,平均相对误差为3.68%,误差小于10%满足精度要求。③为了使网络预测精度进一步提高,收集的样本数据应尽可能的多而准确,还要确定合适的收敛误差。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 本课题研究的背景

1.2 本课题研究的意义

1.3 本课题研究的现状

1.4 课题研究的内容思路及方法

2 瓦斯预测的数据挖掘理论与方法

2.1 数据挖掘技术概述

2.2 瓦斯数据挖掘预测的相关方法

2.3 支持向量机理论

2.4 BP神经网络

2.5 Poly Analyst软件简介

2.6 本章小结

3 影响煤与瓦斯涌出因素分析及确定

3.1 瓦斯涌出的影响因素

3.2 瓦斯涌出量预测指标的确定

3.3 相关分析确定瓦斯涌出量预测的指标

3.3 灰色关联分析确定瓦斯涌出量预测的指标

3.4本章小结

4 基于支持向量回归机的瓦斯涌出量预测

4.1 瓦斯涌出量预测模型建立的思路及步骤

4.2 支持向量回归机核函数参数的选取

4.3瓦斯涌出量预测模型的建立

4.4 本章小结

5 基于BP神经网络的瓦斯涌出量预测

5.1数据的预处理

5.2 网络的结构与参数的选取

5.3训练函数及隐含层节点数的选取

5.4 瓦斯涌出量的预测

5.5 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献

在学研究成果

致谢