發(fā)布時間：2018-05-11 14:17

  本文選題：底板突水 + 危險性��； 參考：《中國安全科學學報》2015年08期

【摘要】：為準確有效地預測煤層底板突水的危險性,在分析大量觀測實例數(shù)據(jù)的基礎上,選取底板含水層水壓、煤層采高、隔水層厚度、斷層落差、煤層傾角和斷層距工作面距離等6項指標作為影響煤層底板突水的初始特征指標。針對指標之間具有相關性的問題,利用主成分分析(PCA)法提取6項特征指標的主成分,將其作為概率神經(jīng)網(wǎng)絡(PNN)的輸入向量,建立基于PCA的煤層底板突水危險性的PNN預測模型。選取21組煤礦實測數(shù)據(jù)作為學習樣本,用于訓練模型。采用回代估計法對模型回檢。利用學習好的模型,預測另外4組礦井突水數(shù)據(jù)樣本。結果表明,該方法有效降低了指標數(shù)據(jù)相關性,實現(xiàn)了降維,使PNN模型工作復雜度減弱。將該模型應用于工程實例中,所得預測結果準確率為100%。
[Abstract]:In order to accurately and effectively predict the risk of water inrush from coal seam floor, on the basis of analyzing a large number of observation data, the water pressure of floor aquifer, mining height of coal seam, thickness of water-separating layer and fault drop are selected. Six indexes, such as dip angle of coal seam and distance between fault and working face, are used as the initial characteristic indexes to influence water inrush of coal seam floor. In order to solve the problem of correlation between indexes, the principal components of 6 characteristic indexes were extracted by principal component analysis (PCA) method, and used as input vectors of probabilistic neural network (PNN), and the PNN prediction model of water inrush risk of coal seam floor based on PCA was established. 21 groups of coal mine measured data were selected as learning samples for training model. The model was checked by the method of back-generation estimation. Four other groups of mine water inrush data samples were predicted by using the model. The results show that the method can effectively reduce the correlation of the index data, reduce the dimension and reduce the complexity of the PNN model. The model is applied to an engineering example, and the prediction accuracy is 100%.
【作者單位】： 遼寧工程技術大學系統(tǒng)工程研究所;
【基金】：國家自然科學基金資助(71371091) 遼寧省高等學校杰出青年學者成長計劃(LJQ2012027)
【分類號】：TD745

【參考文獻】

相關期刊論文 前10條

1 肖江;連生土;;基于PNN神經(jīng)網(wǎng)絡的地下水水質評價及應用[J];工程勘察;2012年09期

2 王雨虹;付華;張洋;;基于KPCA和CIPSO-PNN的煤與瓦斯突出強度辨識模型[J];傳感技術學報;2015年02期

3 曹慶奎;趙斐;;基于模糊-支持向量機的煤層底板突水危險性評價[J];煤炭學報;2011年04期

4 陳凱;董青紅;杜占吉;褚宏寬;;基于Fisher判別法的煤層底板突水預測模型及其應用[J];煤礦安全;2013年02期

5 李潤求;施式亮;朱川曲;;基于PNN的巷道圍巖穩(wěn)定性分類[J];礦業(yè)工程研究;2013年03期

6 念其鋒;施式亮;李潤求;羅文柯;;基于PNN的煤礦安全生產風險綜合預警研究[J];中國安全生產科學技術;2013年10期

7 施龍青;譚希鵬;王娟;季小凱;牛超;徐東晶;;基于PCA_Fuzzy_PSO_SVC的底板突水危險性評價[J];煤炭學報;2015年01期

8 楊凌霄;朱亞麗;;基于概率神經(jīng)網(wǎng)絡的高壓斷路器故障診斷[J];電力系統(tǒng)保護與控制;2015年10期

9 林海明,張文霖;主成分分析與因子分析的異同和SPSS軟件——兼與劉玉玫、盧紋岱等同志商榷[J];統(tǒng)計研究;2005年03期

10 廖巍;周榮義;李樹清;;基于小波神經(jīng)網(wǎng)絡的煤層底板突水非線性預測方法研究[J];中國安全科學學報;2006年11期

相關碩士學位論文 前1條

1 林旭東;煤礦奧灰水預測理論與方法研究[D];太原理工大學;2013年

【共引文獻】

相關期刊論文 前10條

1 周賢剛;楊闖;楊麗霞;;中西醫(yī)結合治療腰椎間盤突出癥療效的影響因素[J];中醫(yī)藥臨床雜志;2008年02期

2 王新建;張秋娟;何威;楊淑紅;丁鑫;;豫楸1號4種砧木嫁接苗在干旱脅迫下保護酶系統(tǒng)的變化[J];安徽農業(yè)科學;2007年34期

3 伍慶;王興寧;夏品華;;土壤養(yǎng)分因子對杜仲有效成分含量影響研究[J];安徽農業(yè)科學;2008年25期

4 秦鐘;章家恩;駱世明;葉延瓊;;近20多年來廣東省農業(yè)經(jīng)濟效益的因子分析與評價[J];安徽農業(yè)科學;2008年34期

5 王明慧;陸廣春;陶四海;崔健;李玉英;;農民工的社會保障現(xiàn)狀及參保意愿研究——以河北省唐山市為例[J];安徽農業(yè)科學;2009年24期

6 王勛建;;開放教育園藝專業(yè)畢業(yè)生追蹤調查分析研究[J];安徽農業(yè)科學;2009年28期

7 周永博;田逢軍;林青;;城市濱水旅游意象分析——以南京市為例[J];安徽農業(yè)科學;2009年35期

8 高u!;劉建;吳大千;葛秀麗;王仁卿;;基于條件價值法的行業(yè)生態(tài)補償標準研究——以山東日照花崗石材行業(yè)為例[J];安徽農業(yè)科學;2010年18期

9 文卓立;于清;;縉云山次生演替植物群落土壤抗蝕性研究[J];安徽農業(yè)科學;2010年25期

10 申雷明;徐梅;王福林;張浩;;基于因子分析法的黑龍江商品糧基地區(qū)域經(jīng)濟綜合評價[J];安徽農業(yè)科學;2010年28期

相關會議論文 前10條

1 付強;王濤;劉德惠;徐林通;;主成分分析在環(huán)境空氣質量評價中的應用[A];2011中國環(huán)境科學學會學術年會論文集（第二卷）[C];2011年

2 徐林清;許倩;;誰是快遞公司的月結客戶:基于logistic模型的制造業(yè)與服務業(yè)聯(lián)動分析[A];2011’中國快遞論壇論文集[C];2011年

3 曲振濤;仲深;王春宇;;基于層次聚類分析的我國勞動爭議案件地區(qū)比較分析[A];2008年度（第六屆）中國法經(jīng)濟學論壇論文集（上）[C];2008年

4 楊維;郭亞偉;;河流水質對底泥重金屬污染響應程度研究——以遼寧省千山河為例[A];創(chuàng)新沈陽文集（A）[C];2009年

5 李陽;黃思寧;李珊珊;方秀玉;賴偉臣;王s，

本文編號：1874301