为了对矿井深部瓦斯涌出量进行预测,介绍了灰色线性回归组合模型的建模方法,以某煤矿相对瓦斯涌出量统计数据为实例,利用灰色线性回归组合模型对其瓦斯涌出量进行预测,通过检验得出模型的精度等级为一级。结果表明:灰色线性回归组合模型可以使传统的灰色GM(1,1)模型不含线性因素的情形得到改善,在预测矿井深部瓦斯涌出量中取得了良好的预测效果,具有一定的实用价值。

为提高工作面瓦斯涌出量预测的效率和准确率,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的瓦斯涌出量预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM瓦斯涌出量预测模型。利用某矿瓦斯涌出量相关数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、高效地对工作面的瓦斯涌出量进行预测。

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。

矿井进行瓦斯涌出量预测是煤矿安全生产十分重要的工作，鉴于主成分分析和逐步回归分析方法的优点，将两种方法相结合共同建立瓦斯涌出量回归预测模型。以峻德煤矿30号煤层为例，通过主成分分析得到了影响回采工作面瓦斯涌出量的四个主成分因素，再采用逐步线性回归分析法预测回采工作面瓦斯涌出量。结果表明：采用主成分-逐步回归分析法减少了回归分析所需要考虑的变量个数，预测结果具有较好的准确性，预测精度明显优于一元回归预测和多元回归预测，具有较好应用前景。

为解决当前瓦斯涌出量预测过程中存在的因影响因素过多、预测指标与瓦斯涌出量之间非线性关系及其自身时变性等特点而导致预测精度降低的问题,采用SPSS因子分析法对瓦斯涌出量影响因素进行分析降维,将得到的预测指标由构建的BP神经网络与卡尔曼滤波相结合的瓦斯涌出量预测模型进行预测。研究结果表明:采用因子分析的方法能够有效筛选瓦斯涌出量影响因素,并得到了预测指标,降低了预测模型预算复杂度;经过BP神经网络与卡尔曼滤波耦合瓦斯涌出量预测模型,其预测精度明显高于直接采用神经网络模型预测的结果,预测性能明显改善,其平均误差仅为2.75%,表明所采取的瓦斯涌出量预测方法是可行和有效的。

回采工作面瓦斯涌出量受多种因素共同影响,很难用线性方法进行准确预测。广义回归神经网络(GRNN)是一种前馈神经网络,具有鲁棒性好和高容错率的优点,并且调节参数只有1个,因此,基于GRNN构建预测模型,运用改进的果蝇优化算法(FOA)对传统GRNN模型进行优化,应用主成分分析法(PCA)对样本数据进行降维简化处理,以减少次要因素对预测结果的干扰。选取晓明矿数据对模型进行验证,预测效果良好,其平均绝对误差为3.98%,低于传统GRNN模型的7.06%。

煤矿设计和开采受瓦斯涌出量的影响。由于地质条件不同,瓦斯涌出量也各有不同,传统方法预测瓦斯涌出量精确性很低。文章首先对灰色神经网络预测的现状做出介绍,然后分别介绍了灰色系统和神经网络的模型,最后结合灰色神经网络模型对煤矿瓦斯涌出量的应用实例做出分析。研究表明,灰色神经网络算法有很大的应用前景和推广价值。