基于Monte Carlo方法的回采面瓦斯涌出量预测

针对现有回采工作面瓦斯涌出预测方法的数据大都是基于回采工作面单一传感器的瓦斯浓度序列,存在无法将工作面持续推进过程中空间位置变化的监测点位置进行记录的问题,提出了以回采工作面传感器各监测点瓦斯浓度序列

结合灰色系统理论和马尔可夫链理论，提出了灰色马尔可夫预测模型来预测矿井瓦斯涌出量。 GM（1，1）模型首先建立用于灰色数据的模型。 为了消除误差，提高模型的预测精度，在GM（1，1）模型的基础上进行了

通过对基于保护层开采的工作面分源预测理论与开采保护层条件下覆岩采动生成裂隙的分布规律进行研究,选取分源预测法对山西汾西瑞泰正太丈八煤矿开采保护层条件下的11301工作面瓦斯涌出量进行预测,涌出量预测结

以预测工作面绝对瓦斯涌出量为研究目的,通过对回采工作面瓦斯涌出量原始数据取自然对数为基础,建立改进的GM(1,1)模型,然后将其与马尔柯夫模型相结合,建立了改进的灰色马尔柯夫模型,并将该模型应用到中岭

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,

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

在煤矿生产过程中存在着瓦斯涌出现象,严重威胁着煤矿的安全生产。瓦斯涌出检查在矿井设计、建设和开采作业过程中显得尤为重要。文章采用神经网络有效地对矿井瓦斯气量进行检测分析,利用分析结果进行准确预测。文中

为了提高瓦斯涌出量预测精度，针对瓦斯涌出量影响因素的多重相关性、复杂性等问题，结合主成分分析法和分源预测理论，对开采层、邻近层、采空区的瓦斯涌出量数据分别进行主成分分析降维，得到预测指标。针对极限学习

为解决瓦斯涌出量预测过程中存在的预测指标过多而导致预测精度降低的问题,构建因子分析与BP神经网络相结合的瓦斯涌出量预测模型。采用SPSS因子分析法对瓦斯涌出量影响因素进行了分析降维,并对BP神经网络模

根据义马中部井田瓦斯地质规律,选取埋深、开采强度、开采顺序和煤层厚度作为自变量,瓦斯涌出量为目标量,构建自变量矩阵和参考序列,进行瓦斯涌出量影响因素灰色关联度分析;由于各瓦斯地质影响因素与瓦斯涌出量的