基于正交试验和GA-SVM的硅胶发泡工艺参数优化

针对硅胶发泡工艺参数优选时存在的耗时、成本高和准确率低等问题,提出了一种基于遗传算法改进的支持向量机优化方法,该方法在正交试验的基础上利用遗传算法和支持向量机的优点,进行了极差、方差分析,建立了基于遗传算法优化的支持向量机模型GA-SVM,利用该模型对硅胶泡沫材料的表观密度进行了优化,并测试了优化后的硅胶泡沫材料微观结构、力学性能及阻燃性能。结果表明:将正交试验、遗传算法与支持向量机三者结合用于硅胶发泡工艺参数的优化可以明显提高发泡工艺设计效率,GA-SVM优化算法得到的预测值与实测值的相对误差在1.1%以内,且GA-SVM优化算法可获得比单纯使用正交试验更优的硅胶发泡方案,为硅胶发泡工艺参数优化提供了一种新的思路。     

煤自燃预测的支持向量回归方法

煤自燃温度的准确预测是矿井煤自燃防控的关键。为了科学准确地预测采空区煤自燃温度,在大佛寺煤矿40106综放工作面开展现场观测实验,以现场束管监测系统数据为基础,采用粒子群优化算法(PSO)优化支持向量回归(SVR)参数,建立了煤自燃温度预测的PSO-SVR模型;同时,在保证训练和测试样本不变的前提下,建立了标准SVR模型、BP神经网络(BPNN)模型和多元线性回归(MLR)模型,并与PSO-SVR模型预测结果进行对比分析。MLR,BPNN,SVR和PSO-SVR模型训练样本预测结果的平均绝对百分比误差(MAPE)分别为:5.75%,0.84%,4.16%和1.13%,测试样本预测结果的MAPE分别为:5.17%,3.03%,3.83%和1.34%.结果表明:MLR模型预测结果最差,说明煤自燃温度与气体指标之间的非线性关系更显著,线性模型不宜于煤自燃预测;BPNN模型训练样本预测效果极佳,但测试样本预测效果较差,易出现"过拟合"现象,泛化性较差;PSO-SVR模型预测精度较标准SVR模型有了极大提高,更适宜于煤自燃预测。     

煤自燃指标气体分析与分级预警

煤自然发火严重制约矿井安全生产。为实现煤自然发火危险性精准预测预报,采用程序升温试验系统测试分析了沙曲一号煤矿不同粒径煤样各种气体产物及其浓度变化规律,进一步引入随机森林集成学习方法建立了煤自然发火危险性分级预警模型,并通过大佛寺煤矿自然发火试验进行了验证分析。结果表明：粒径越小,煤氧接触面积越大,煤氧反应越激烈,气体产物浓度越大;C₂H₆气体属于煤体赋存气体,在试验初始阶段就出现了,但C₂H₄气体在温度升高至120℃左右才出现,是煤氧化裂解的产物,可以作为沙曲一号煤矿自然发火指标气体;基于随机森林建立的煤自然发火危险性分级预警模型训练样本预测准确率达到100%,在默认参数条件下,测试样本预测准确率高达96.7%,通过自然发火试验数据验证分析得到测试集预测准确率为98.9%,变量重要度评估结果为CO和C₂H₄气体对煤自然发火危险性影响最大,这与现场实际情况吻合。随机森林用于处理煤自然发火危险性与气体产物之间的复杂非线性关系十分理想,适合于煤自然发火危险性预...