简介：煤矿瓦斯涌出量和瓦斯突出受控于多种因素。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题。近年来迅速发展起来的神经网络具有较高的非线性映射和并行处理能力。广义回归神经网络（GRNN）具有网络结构自适应确定、输出与初始权值无关等优良特性，能够逼近任意连续的非线性函数，可以处理系统内在的难以解析的规律。本文以某矿13-1煤层为研究对象，在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上，应用GRNN神经网络方法建立某矿13—1煤层瓦斯含量预测模型，以达到对井田未开采区域进行瓦斯含量预测的目的。

简介：影响煤与瓦斯突出的因素众多，应用神经网络进行预测时，选取突出预测指标是关键。基于经验和所谓“多多益善”原则的选择方法都有一定的不合理、不科学性。笔者应用灰色关联分析筛选突出预测指标，结合神经网络建模进行突出预测，使突出预测指标的选择由定性分析转化为定量分析，实现了灰色理论同神经网络在煤与瓦斯突出预测领域内的结合。经过实例验证，本方法是可行的。

简介：为了精细监测和了解排采过程煤储层参数的动态变化,本文提出了一种基于BP神经网络补偿算法,对未来一定时期的产气、产水量进行了预测。对大佛寺典型的煤层气水平井(DFS-C02井)进行实例分析,结果表明,未来30d的产水量、产气量的平均相对误差分别为0.79%(0.07~0.26%)和0.72%(0.01~2.4%),预测结果较准确。BP神经网络补偿算法为煤层气井的产量预测提供了一种新方法,同时为排采工作制度提供依据。

简介：

简介：随着对煤层气井排采规律认识的不断提高,煤层气井在自动排采控制过程中非线性、时变性的增加,传统的PID调节已不能满足生产需要。通过采用基于神经元人工网络智能控制理论和智能动态专家库技术的控制方式,实现了对煤层气井井底流压的精确控制,满足了生产需求。