以非线性预测评价为基础,采用BP神经网络模型,利用遗传算法优化网络初始权值和阈值,建立一个新的煤矿底板突水危险性预测的网络模型,通过收集不同突水矿井的资料,综合考虑多种影响底板突水的因素。运用Matlab编程对网络原始数据进行训练,并对不同工作面底板是否突水及突水量进行预测分析,结果表明,该模型收敛速度快、预测精确度高,且具有较强的泛化能力。
2024-01-08 19:32:30
621KB
1
基于Bayes判别分析的基本思想,建立煤层底板突水危险性的Bayes判别分析模型。选用煤层的含水层富水性、含水层水压、隔水层厚度、断层导水性和构造发育程度5个指标作为该模型的判别因子,以不同地区煤矿的14组煤层实测数据作为训练样本,建立了Bayes判别分析模型。为了验证模型的准确性,用回代判别方法对14组煤层实测数据进行判别,并用工程实例进行了验证。研究结果表明,Bayes判别分析模型误判率较低,能快速有效地判别出煤层底板突水危险性的等级,在实际工程中有较强的适用性。
2022-09-16 16:19:50
215KB
1
在系统收集及分析矿区水文地质资料的基础上,确定影响煤层底板突水的主要因素,并引入主成分分析法对影响底板突水的因素进行定量评价。以新安煤矿为例,利用主成分分析法,确定各突水影响因素的权重,建立煤层底板突水模型,对影响煤层开采的底板奥灰突水危险性进行分区预测,为奥灰水的防治提供了重要依据。
2022-01-26 16:35:36
776KB
1