CN110766233B - 综采工作面安全指数预测方法 - Google Patents

综采工作面安全指数预测方法 Download PDF

Info

Publication number
CN110766233B
CN110766233B CN201911046186.3A CN201911046186A CN110766233B CN 110766233 B CN110766233 B CN 110766233B CN 201911046186 A CN201911046186 A CN 201911046186A CN 110766233 B CN110766233 B CN 110766233B
Authority
CN
China
Prior art keywords
concentration
gas
predicted
function
correlation function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911046186.3A
Other languages
English (en)
Other versions
CN110766233A (zh
Inventor
杨俊哲
屈世甲
安世岗
贺安民
武福生
赵美成
贺耀宜
叶庆树
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guoneng Ordos Engineering Design Co ltd
Guoneng Shendong Coal Group Co Ltd
Original Assignee
Shenhua Shendong Coal Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenhua Shendong Coal Group Co Ltd filed Critical Shenhua Shendong Coal Group Co Ltd
Priority to CN201911046186.3A priority Critical patent/CN110766233B/zh
Publication of CN110766233A publication Critical patent/CN110766233A/zh
Application granted granted Critical
Publication of CN110766233B publication Critical patent/CN110766233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种综采工作面安全指数预测方法，包括获取预定时间内第一气体的第一浓度数、第二气体的第二浓度数以及综采工作面的日推进度；根据第一浓度数、第二浓度数和日推进度，拟合第一关联函数；根据第一关联函数，确定第一气体、第二气体的影响因子，得到第二关联函数；根据第一浓度数、第二浓度数，利用预测算法分别计算第一预测浓度数和第二预测浓度数；将第一预测浓度数和第二预测浓度数带入第二关联函数中，计算得出多因素融合安全指数的最终预测值。利用本发明实施例不仅可削弱原始数据的随机干扰，提高安全指数预测结果的准确性，而且还可实现对工作面未来安全状态的准确预测，提高煤矿生产的安全系数。

Description

综采工作面安全指数预测方法
技术领域
本发明涉及煤矿技术领域，具体涉及一种综采工作面安全指数预测方法。
背景技术
目前，对于煤矿的日开采量主要是工作人员根据采煤工作面的地质情况以及经验进行设计，开采一段时间后，再基于之前的日推进量对后续的日推进量进行调整。发明人在实现本发明的过程中发现，由于矿井条件复杂多变，仅依靠地质条件以及经验确认日推进度，安全指数不高，而且无法对工作面未来安全状态进行预测，存在很大的安全隐患。
发明内容
有鉴于此，本发明实施例提出一种综采工作面气体安全指数预测方法，以解决上述技术问题。
本发明实施例提供一种综采工作面安全指数预测方法，其包括：获取预定时间内第一气体的第一浓度数、第二气体的第二浓度数以及综采工作面的日推进度；根据第一浓度数、第二浓度数和日推进度，拟合第一浓度数、第二浓度数和日推进度的第一关联函数；根据第一关联函数，确定第一气体、第二气体对于多因素融合安全指数的影响因子，得到第二关联函数；根据第一浓度数、第二浓度数，利用预测算法分别计算第一气体的第一预测浓度数和第二气体的第二预测浓度数；将第一预测浓度数和第二预测浓度数带入第二关联函数中，计算得出多因素融合安全指数的最终预测值。
可选地，根据第一浓度数、第二浓度数和日推进度，拟合第一浓度数、第二浓度数和日推进度的第一关联函数包括：根据第一浓度数、第二浓度数和日推进度，选取线性函数、多项式函数、指数函数、幂函数作为待选函数模型；分别拟合第一浓度数、第二浓度数和日推进度的线性函数、多项式函数、指数函数、幂函数；利用最小二乘法计算每种函数的拟合残差；选取拟合残差最小的函数类型作为第一关联函数。
可选地，根据第一关联函数，确定第一气体、第二气体对于多因素融合安全指数的影响因子，得到第二关联函数包括：根据第一关联函数，确定第一浓度数的第一系数和第二浓度数的第二系数；将第一系数和第二系数作为第一气体、第二气体对于多因素融合安全指数的第一影响因子和第二影响因子；计算第一影响因子和第二影响因子各自的影响比例；根据影响比例得出第二关联函数。
可选地，预测算法包括：相空间重构预测算法、灰色预测算法和三次指数平滑预测算法。
可选地，根据第一浓度数、第二浓度数，利用预测算法分别计算第一气体的第一预测浓度数和第二气体的第二预测浓度数包括：为每种预测算法建立对应的数学模型；将第一浓度数、第二浓度数分别带入每种数学模型中，计算得到多个第一初始预测浓度和多个第二初始预测浓度；多个第一初始预测浓度根据组合预测算法计算得到第一预测浓度数；多个第二初始预测浓度根据组合预测算法计算得到第二预测浓度数。
可选地，采用MATLAB软件建立数学模型。
可选地，计算得出多因素融合安全指数的最终预测值之后，还包括：将最终预测值作为后续的日推进度，进行开采。
可选地，所述第一关联函数为多元一次函数。
可选地，所述第二关联函数为多元一次函数。
可选地，所述第一气体为瓦斯，第二气体为CO。
本发明实施例提供的综采工作面安全指数预测方法利用有害气体浓度与日推进度的历史数据，拟合出第一关联函数，由此确定有害气体对于多因素融合安全指数的影响因子，从而得出第二关联函数，在后续工作中只需将有害气体的预测浓度数带入即可得到多因素融合安全指数的预测结果，不仅可削弱原始数据的随机干扰，提高安全指数预测结果的准确性，而且还可实现对工作面未来安全状态的准确预测，提高煤矿生产的安全系数。
附图说明
图1是本发明实施例的综采工作面安全指数预测方法的流程图。
图2是本发明实施例的瓦斯的第一浓度数的连线图。
图3是本发明实施例的CO的第二浓度数的连线图。
图4是本发明实施例的综采工作面日推进度的连线图。
图5是本发明实施例的第一关联函数的拟合过程演示图。
图6是本发明实施例的有害气体浓度预测值的计算原理图。
具体实施方式
以下结合附图以及具体实施例，对本发明的技术方案进行详细描述。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
图1示出了本发明实施例的综采工作面安全指数预测方法的流程图，如图1所示，本发明实施例提供的综采工作面安全指数预测方法，其包括：
S100，获取预定时间内第一气体的第一浓度数、第二气体的第二浓度数以及综采工作面的日推进度；
在本实施例中，第一气体为瓦斯，第二气体为CO(一氧化碳)，两种气体均为有害气体。
可以设定预定时间为90天，观测周期为天，第一浓度数、第二浓度数以及综采工作面的日推进度的观测数据均为90个，如图2-4所示。
S200，根据第一浓度数、第二浓度数和日推进度，拟合第一浓度数、第二浓度数和日推进度的第一关联函数；
根据第一浓度数、第二浓度数及日推进度可知，随着第一气体和第二气体浓度的增加，综采工作面的日推进度呈现出降低趋势，然后可选用常见的函数类型可分为以下几类：其中，x为自变量，y为因变量，a,b等为参数)
①线性函数类型：y＝ax+b
②多项式函数类型：y＝a1xn+a2xn-1+a3xn-2+....+an-1x+an(一般情况下，n不宜过高，n＝3较适宜)
③指数函数类型：y＝aebx
④幂函数类型：y＝axb。
根据图2-4中的数据，分别拟合第一浓度数、第二浓度数和日推进度的线性函数、多项式函数、指数函数、幂函数。
利用最小二乘法计算每种函数的拟合残差，如图5所示。其中，拟合的结果及残差平方和见表1；
表1
Figure GDA0002311261370000051
由表1可知，多项式函数拟合方程的残差最小，因此，第一关联函数为y＝-0.54*x1-1.46*x2+20.31，属于多元一次函数中的二元一次函数。其中，x1为瓦斯的第一浓度数，x2为CO的第二浓度数，y为日推进度。
S300，根据第一关联函数，确定第一气体、第二气体对于多因素融合安全指数的影响因子，得到第二关联函数；
在一个具体实施例中，S300包括：
S301，根据第一关联函数，确定第一浓度数的第一系数和第二浓度数的第二系数；
S302，将第一系数和第二系数作为第一气体、第二气体对于多因素融合安全指数的第一影响因子和第二影响因子；
由S200中得出的第一关联函数为y＝-0.54*x1-1.46*x2+20.31，则第一气体的第一影响因子为-0.54，第二气体对应的第二影响因子为-1.46。
S303，计算第一影响因子和第二影响因子各自的影响比例；
第一影响因子的第一影响比例为：-0.54/(-0.54-1.46)＝27％。第二影响因子的第二影响比例为-1.46/(-0.54-1.46)＝73％。
S304，根据影响比例得出第二关联函数。
将第一影响比例、第二影响比例作为系数，构建第二关联函数：f(x1,x2)＝0.27x1+0.73x2。第二关联函数也属于多元一次函数中的二元一次函数。
S400，根据第一浓度数、第二浓度数，利用预测算法分别计算第一气体的第一预测浓度数和第二气体的第二预测浓度数；
在本实施例中，第一浓度数、第二浓度数至少采用三种预测算法计算第一预测浓度数和第二预测浓度数，分别为相空间重构预测算法、灰色预测算法和三次指数平滑预测算法。
在本实施例中，采用MATLAB软件为相空间重构预测算法、灰色预测算法、三次指数平滑预测算法分别建立数学模型。
一、相空间重构预测模型
A、相空间参数的确定
相空间重构过程中有两个非常重要的参数:延迟时间τ和嵌入维数m。它们选择得好与坏直接关系到相空间重构的质量。
利用C-C法采用关联积分，计算公式如下：
Figure GDA0002311261370000061
其中：
Figure GDA0002311261370000062
关联积分是个累积分布函数，表示相空间中任意两点之间距离小于r的概率。这里点与点之间的距离用矢量之差的无穷范数表示。
定义检验统计量：
S(m,N,r,t)＝C(m,N,r,t)-Cm(1,N,r,t) (3)
来描述非线性时间序列的相关性，并由统计量S(m,N,r,t)来寻找延迟时间τ和嵌入维数m。统计量S(m,N,r,t)的计算过程为：将时间序列分解成t个互不重迭的子序列，t为重构时延，即：
Figure GDA0002311261370000071
这里N为t的整数倍。
定义的统计量采用分块平均的策略：
Figure GDA0002311261370000072
令N→∞时，有：
Figure GDA0002311261370000073
最佳时延t可以取S(m,r,t)对所有半径r相互差别最小的时间点。选择最大和最小的两个半径r，定义差量：
ΔS(m,t)＝max{S(m,rj,t)}-min{S(m,rj,t)} (7)
ΔS(m,t)度量了S(m,r,t)对半径r的最大偏差。由于ΔS(m,t)总为正数，最佳时延τ可以取ΔS(m,t)～t第一个局部最小值所对应的时间点。由于
Figure GDA0002311261370000074
均反映了原时间序列的自相关特性，定义指标：
Figure GDA0002311261370000075
寻找Scor(t)的全局最小值所对应的t即可获得最佳嵌入窗tw。
相空间重构的嵌入窗法认为时间延迟τ的选取不应独立于嵌入空间维数m，而应依赖于嵌入窗tw＝(m-1)τ，由此可计算出嵌入空间维数m。
B、相空间重构预测法
根据拟合相空间中吸引子的方式可分为全局法和局域法两种方法。所谓全局法是将轨迹中的全部点作为拟合对象，找出其规律，即得f(*)，由此预测轨迹的走向。局域法是将相空间轨迹的最后一点作为中心点，把离中心点最近的若干轨迹点作为相关点，然后对这些相关点做出拟合，再估计轨迹下一点的走向，最后从预测出的轨迹点的坐标中分离出所需的预测值。
在局域法中，依据与中心点的邻近点的值或走向来预测相空间轨迹。以一阶近似拟合的局域法为例，在相空间中以第n点的一个小邻域来推测下一点的走势。
所谓一阶近似是指以X(t+1)＝a+bX(t)来拟合第n点周围的小邻域。根据C-C法，求得参数延迟时间τ和嵌入维数m。在相空间重构的过程中，设N是时间序列长度，M是相空间中点的个数，则M＝N-(m-1)*τ，相空间轨迹的表达式为：
X(t+τ)＝f(X(t)) (9)
X(t+τ)可视为f(X(t))的映射，则
X(t)＝[x(t),x(t+τ),...,x(t+(m-1)τ)] (10)
上述映射可表示为时间序列：
Figure GDA0002311261370000081
加权一阶局域法多步预测模型(AOLMM)。设中心点XM的参考向量集{XMi},i＝1,2,...,q,其演化k步后的相点集为{XMi+k}，一阶局域线性拟合为:
XMi+k＝ake+bkXMi,i＝1,2,...,q (12)
根据加权最小二乘法有：
Figure GDA0002311261370000091
其中
Figure GDA0002311261370000092
是参考向量XMi的第j个元素。将上式看成是关于未知数ak，bk的二元函数，两边求偏导并化简得：
Figure GDA0002311261370000093
写成矩阵形式为：
Figure GDA0002311261370000094
其中：
Figure GDA0002311261370000095
Figure GDA0002311261370000096
则
Figure GDA0002311261370000097
根据求得的ak、bk，代入k步预测公式XM+1＝ake+bkXM，即可得到演化k步后的相点预测值：
XM+k＝(xM+k,xM+k+τ,...,xM+k+(m-1)τ) (16)
这里，XM+k中的第m个元素xM+k+(m-1)τ即为原序列的k步预测值。
二、灰色预测模型(GM(1，1)模型)
灰色预测模型将一个不甚明确的、整体信息不足的系统，从结构上、模型上及关系上变得清晰。
GM(1，1)建模是灰色系统理论中一种动态序列处理方法，它是仅包含单变量的一阶微分方程。
设x(0)为非负序列：
x(0)＝{x(0)(1),x(0)(2),...,x(0)(n)} (17)
其中x(0)(k)＞0,k＝1,2,...。x(1)为x(0)的一阶累加序列：
x(1)＝{x(1)(1),x(1)(2),...,x(1)(n)} (18)
其中
Figure GDA0002311261370000101
则GM(1，1)模型相应的微分方程为：
Figure GDA0002311261370000102
式中：α为发展灰数；u为灰色作用量。
参数向量
Figure GDA0002311261370000103
利用最小二乘法求解得：
Figure GDA0002311261370000104
式中：
Figure GDA0002311261370000105
将计算求得的参数α、u代入式(19)，并求解，取x(1)(0)＝x(0)(1)，即得灰色预测模型：
Figure GDA0002311261370000106
由式(21)得到的是依次累加值
Figure GDA0002311261370000107
的模拟值，再由一次累减得到真实的预测值：
Figure GDA0002311261370000108
其中，t＝1,2,...,n。
三、三次指数平滑法预测模型
三次指数平滑法是利用对历史数据进行平滑来消除随机因素的影响，基本原理是对原始数据经过三次指数平滑处理后，用以估计二次多项式参数，从而建立预测模型。
设时间序列为X1,X2,X3,...,Xn，用S表示指数平滑值，第t期一次指数平滑值记为
Figure GDA0002311261370000111
二次指数平滑值记为
Figure GDA0002311261370000112
三次指数平滑值记为
Figure GDA0002311261370000113
平滑初始值的确定：
Figure GDA0002311261370000114
则指数平滑值计算公式为：
Figure GDA0002311261370000115
Figure GDA0002311261370000116
Figure GDA0002311261370000117
其中α∈[0,1]为平滑系数，平滑系数α可由实际情况确定其合理大小，一般根据最小均方差选取，即分别对不同α值进行指数平滑预测，分别计算均方差，取最小均方差的α值作为平滑系数。
对预测周期为T天、基数为第t天的指标预测值Yt+T，其三次指数平滑法的数学模型为：
Yt+T＝at+btT+ctT2 (27)
其中：at,bt,ct均为平滑系数，计算公式为：
Figure GDA0002311261370000118
Figure GDA0002311261370000119
Figure GDA00023112613700001110
将预定时间内的第一气体的第一浓度数、第二气体的第二浓度数输入MATLAB软件，计算得到三个第一初始预测浓度值和三个第二初始预测值。
如图6所示，多个第一初始预测值根据组合预测算法计算得到第一预测浓度数；多个第二初始预测值根据组合预测算法计算得到第二预测浓度数。
其中，组合预测算法可以根据具体情况采用等权组合或者不等权组合，通过加权方法计算预测浓度数。例如，三个第一初始预测浓度值采用等权组合，计算第一预测浓度数。
S500，将第一预测浓度数和第二预测浓度数带入第二关联函数中，计算得出多因素融合安全指数的最终预测值。
将S400计算得到的第一预测浓度数和第二预测浓度数带入到f(x1,x2)＝0.27x1+0.73x2，计算得到多因素融合安全指数的最终预测值。
进一步地，S500之后，还包括将最终预测值作为后续的日推进度，进行开采。
第一关联函数是第一浓度数、第二浓度数与日推进度得到的，而第二关联函数经第一关联函数推到得出，因此，第二关联函数得到的也是日推进度。该日推进度是基于考虑到多因素得到的安全指数，因此，会更加安全。并且，f(x1,x2)越大，说明开采越安全。
本发明实施例提供的综采工作面安全指数预测方法利用有害气体浓度与日推进度的历史数据，拟合出第一关联函数，由此确定有害气体对于多因素融合安全指数的影响因子，从而得出第二关联函数，在后续工作中只需将有害气体的预测浓度数带入即可得到多因素融合安全指数的预测结果，不仅可削弱原始数据的随机干扰，提高安全指数预测结果的准确性，而且还可实现对工作面未来安全状态的准确预测，提高煤矿生产的安全系数。
以上，结合具体实施例对本发明的技术方案进行了详细介绍，所描述的具体实施例用于帮助理解本发明的思想。本领域技术人员在本发明具体实施例的基础上做出的推导和变型也属于本发明保护范围之内。

Claims (9)

1.一种综采工作面安全指数预测方法，其特征在于，包括：
获取预定时间内第一气体的第一浓度数、第二气体的第二浓度数以及综采工作面的日推进度；
根据第一浓度数、第二浓度数和日推进度，拟合第一浓度数、第二浓度数和日推进度的第一关联函数；
根据第一关联函数，确定第一气体、第二气体对于多因素融合安全指数的影响因子，根据第一关联函数，确定第一浓度数的第一系数和第二浓度数的第二系数，将第一系数和第二系数作为第一气体、第二气体对于多因素融合安全指数的第一影响因子和第二影响因子；计算第一影响因子和第二影响因子各自的影响比例，根据影响比例得到第二关联函数；
根据第一浓度数、第二浓度数，利用预测算法分别计算第一气体的第一预测浓度数和第二气体的第二预测浓度数；
将第一预测浓度数和第二预测浓度数带入第二关联函数中，计算得出多因素融合安全指数的最终预测值。
2.如权利要求1所述的方法，其特征在于，根据第一浓度数、第二浓度数和日推进度，拟合第一浓度数、第二浓度数和日推进度的第一关联函数包括：
根据第一浓度数、第二浓度数和日推进度，选取线性函数、多项式函数、指数函数、幂函数作为待选函数模型；
分别拟合第一浓度数、第二浓度数和日推进度的线性函数、多项式函数、指数函数、幂函数；
利用最小二乘法计算每种函数的拟合残差；
选取拟合残差最小的函数类型作为第一关联函数。
3.如权利要求2所述的方法，其特征在于，预测算法包括：相空间重构预测算法、灰色预测算法和三次指数平滑预测算法。
4.如权利要求3所述的方法，其特征在于，根据第一浓度数、第二浓度数，利用预测算法分别计算第一气体的第一预测浓度数和第二气体的第二预测浓度数包括：
为每种预测算法建立对应的数学模型；
将第一浓度数、第二浓度数分别带入每种数学模型中，计算得到多个第一初始预测浓度和多个第二初始预测浓度；
多个第一初始预测浓度根据组合预测算法计算得到第一预测浓度数；
多个第二初始预测浓度根据组合预测算法计算得到第二预测浓度数。
5.如权利要求4所述的方法，其特征在于，采用MATLAB软件建立数学模型。
6.如权利要求1-5任一所述的方法，其特征在于，计算得出多因素融合安全指数的最终预测值之后，还包括：
将最终预测值作为后续的日推进度，进行开采。
7.如权利要求1-5任一所述的方法，其特征在于，所述第一关联函数为多元一次函数。
8.如权利要求7所述的方法，其特征在于，所述第二关联函数为多元一次函数。
9.如权利要求8所述的方法，其特征在于，所述第一气体为瓦斯，第二气体为CO。
CN201911046186.3A 2019-10-30 2019-10-30 综采工作面安全指数预测方法 Active CN110766233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911046186.3A CN110766233B (zh) 2019-10-30 2019-10-30 综采工作面安全指数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911046186.3A CN110766233B (zh) 2019-10-30 2019-10-30 综采工作面安全指数预测方法

Publications (2)

Publication Number Publication Date
CN110766233A CN110766233A (zh) 2020-02-07
CN110766233B true CN110766233B (zh) 2022-08-12

Family

ID=69334514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911046186.3A Active CN110766233B (zh) 2019-10-30 2019-10-30 综采工作面安全指数预测方法

Country Status (1)

Country Link
CN (1) CN110766233B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113190535B (zh) * 2021-01-19 2023-04-18 云南卫士盾科技有限公司 一种基于改进灰色-长短期记忆神经网络组合模型的瓦斯浓度预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014109233A (ru) * 2013-01-18 2016-02-20 Хунгуан ЛЮ Система и способ предотвращения взрыва газа в угольных шахтах
CN108805339A (zh) * 2018-05-24 2018-11-13 中国神华能源股份有限公司 煤矿工作面瓦斯涌出量预测方法、存储介质及电子设备
CN109376919A (zh) * 2018-10-12 2019-02-22 西安科技大学 一种煤矿综采工作面瓦斯涌出量的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103643986B (zh) * 2013-11-21 2015-07-15 中国矿业大学 自回热型煤矿低浓度瓦斯与通风瓦斯协同氧化一体化装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2014109233A (ru) * 2013-01-18 2016-02-20 Хунгуан ЛЮ Система и способ предотвращения взрыва газа в угольных шахтах
CN108805339A (zh) * 2018-05-24 2018-11-13 中国神华能源股份有限公司 煤矿工作面瓦斯涌出量预测方法、存储介质及电子设备
CN109376919A (zh) * 2018-10-12 2019-02-22 西安科技大学 一种煤矿综采工作面瓦斯涌出量的预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
和顺天池103工作面瓦斯涌出规律及治理技术研究;聂荣军等;《中州煤炭》;20110325(第03期);第79-81页 *
四棵树煤矿自燃"三带"考察及影响因素分析;黄森林;《煤矿安全》;20181219(第12期);第185-188页 *
深部特厚煤层首采工作面瓦斯涌出特征及规律研究;刘前等;《科技创新与应用》;20131118(第32期);第16-17页 *
煤、油、气共存矿井瓦斯涌出量主控因素的确定;郭龙等;《陕西煤炭》;20060830(第02期);第22-24页 *

Also Published As

Publication number Publication date
CN110766233A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN109165664B (zh) 一种基于生成对抗网络的属性缺失数据集补全与预测方法
CN112365029B (zh) 用于空调负荷预测的缺失值处理方法及空调负荷预测系统
CN111553407A (zh) 一种基于马尔科夫灰色模型的工程项目成本预测方法
CN106295995A (zh) 一种用于确定生产计划的数据分析方法与设备
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN112381334B (zh) 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法
CN110766233B (zh) 综采工作面安全指数预测方法
US20200050718A1 (en) Simulation apparatus, simulation method, and storage medium
CN111639111A (zh) 面向调水工程的多源监测数据深度挖掘和智能分析方法
Nolting et al. Can energy system modeling benefit from artificial neural networks? Application of two-stage metamodels to reduce computation of security of supply assessments
CN104632188A (zh) 一种单油井产量的预测方法及装置
CN115421216A (zh) 一种基于stl-arima-nar混合模型的中长期月降雨预报方法
Sabzi et al. Numerical comparison of multi-criteria decision-Making techniques: A simulation of flood management multi-criteria systems
Setiyoko et al. Minimax approach for semivariogram fitting in ordinary kriging
CN111144636A (zh) 一种边坡变形预测方法
Dong et al. Point and interval prediction of the effective length of hot-rolled plates based on IBES-XGBoost
CN112363140B (zh) 一种基于循环神经网络的热力约束外推客观订正方法
Pant et al. Machine Learning Techniques for Analysis of Mars Weather Data
CN109583749B (zh) 一种基于动态规划的软件研制成本智能控制方法及系统
CN109376957B (zh) 一种火电厂负荷的预测方法
CN116956433A (zh) 基于ppln的时序组合预测模型
CN102184329A (zh) 一种边坡三维实体变形预测方法
Pavlov et al. Models and methods for multicriteria situational flexible reassignment of control functions in man-machine systems
He et al. Singular-Value Decomposition Feature-Extraction Method for Cost-Performance Prediction
Kesumawati et al. Forecasting Bank Indonesia Rate based on Fuzzy Time Series with Higher Forecast Accuracy Rate

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 017209 North of Jinlong Road, Wulanmulun Township Bay, Ijinholuo Banner, Ordos City, Inner Mongolia Autonomous Region (Raw Coal Sea Mall)

Patentee after: Guoneng Shendong Coal Group Co.,Ltd.

Country or region after: China

Address before: 719315 room 1814, science and technology building, Shendong Coal Group, Daliuta Town, Shenmu county, Yulin City, Shaanxi Province

Patentee before: Shenhua Shendong Coal Group Corp.,Ltd.

Country or region before: China

CP03 Change of name, title or address
TR01 Transfer of patent right

Effective date of registration: 20240226

Address after: 017209 Wulanmulun Town, ejinholo banner, Ordos City, Inner Mongolia Autonomous Region

Patentee after: Guoneng Ordos Engineering Design Co.,Ltd.

Country or region after: China

Address before: 017209 North of Jinlong Road, Wulanmulun Township Bay, Ijinholuo Banner, Ordos City, Inner Mongolia Autonomous Region (Raw Coal Sea Mall)

Patentee before: Guoneng Shendong Coal Group Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right