煤与瓦斯突出这种灾害属于复杂性质的灾害,常发生于煤矿井下,对我国煤矿安全生产存在着巨大威胁。从煤与瓦斯突出的孕育、发生、发展,直到结束通常存在一定的规律性,而究其本质,这些规律是由灾害发生地点本身和周边的瓦斯地质条件决定的,从这个角度来讲,瓦斯地质条件也影响着煤与瓦斯突出灾害的分布和危险性等级。瓦斯地质条件所蕴含的信息量非常巨大,如何从庞大的瓦斯地质信息库中找出主要的信息,并对这些主要信息进行优化处理,得出该地质信息所反映的煤与瓦斯突出灾害危险性的大小就显得至关重要,也可以此提高矿井的安全保障水平。通过现场实验、现场调查、研究实验以及理论分析等研究方法,论文中讲述了关于关联规则与智能信息的煤与瓦斯突出危险性评价手段。最开始开展了矿区的调查,地球物理资料的搜集以及瓦斯地质研究等一系列工作,矿井的地质结构出现褶皱,断裂等情况,构造煤发育又有很多的特征。对收集到的资料进行综合整理和分析,总结概括出研究区影响煤与瓦斯突出的瓦斯地质因素。同时利用数学地质方法提取了研究区煤与瓦斯突出的瓦斯地质数据特征,在分析比较经典关联规则Apriori算法和FP-growth算法的基础上,提出了新的关联规则挖掘算法——Class-FP-growth计算方法,并根据这个研究出对煤矿区域的瓦斯与地质因素关联规则,以及研究区突出强度关联规则等。此外,对煤与瓦斯突出信息处理的智能算法进行研究,采用和声搜索(Harmony Search,简称HS)智能算法对BP神经网络智能算法进行优化,利用遗传计算方法(Genetic Algorithm,简称GA)优化极限学习机计算方法(Extreme Learning Machine,简称ELM)的智能计算方法,分别提出了基于HS-BP智能算法和GA-ELM智能算法的煤与瓦斯突出危险性评价方法,并对这两种方法进行了仿真实验。最后在研究区选择了用于试验的工作面,提取了相应的工作面瓦斯地质数据,形成了 Bayes信息融合评价的HS-BP证据体和GA-BP证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,为煤与瓦斯突出危险性评价提供了新的技术支持。论文的研究内容主要分为以下几个方面:(1)研究区煤与瓦斯突出影响因素分析在对研究区构造背景和矿井瓦斯地质特征研究基础上,统计分析了研究区寺家庄矿20次煤与瓦斯突出的突出强度、地质条件和瓦斯条件等影响因素;以寺家庄矿和新景矿为例,探讨了煤层瓦斯压力、瓦斯浓度和瓦斯吸附特性等瓦斯参数对研究区煤与瓦斯突出的影响,其中通过压汞实验测试了新景矿5个不同类型煤样的孔容、比表面积、中值孔径、比表面积中值孔径和孔隙度等参数,并分析了其对瓦斯吸附特性的影响;同时利用研究区一矿、二矿、五矿和新景矿26组钻孔数据和寺家庄矿4组煤体结构参数,分析了煤层埋深、煤层厚度及煤体结构对煤与瓦斯突出危险性的影响,并利用新景矿煤层底板等高线和煤厚等值线数据分析了不同地质构造对煤与瓦斯突出的控制作用;在此基础上,形成了寺家庄矿20组煤与瓦斯突出的瓦斯数据和地质数据,包括瓦斯压力、瓦斯浓度、煤层埋深、煤层厚度、煤体破坏类型和地质构造6个因素,其中地质构造的量化通过综合考虑构造组合、断层数量和断层落差确定。(2)煤与瓦斯突出关联规则挖掘理论及算法研究在阐明突出危险性评价可行性条件下,用关联规则对突出因素进行挖掘,与传统的关联规则计算方法Apriori和FP-gro wth进行了对比,并分析两者的优缺点,Apriori算法在频繁项集数据量很大的时候,不仅产生大量的候选项集,而且重复扫描数据库,造成运行效率较低;FP-growth算法不产生候选项集,降低了运算复杂度,但把不同的类别属性作为不同的节点构造在FP-tree里面,等到有很大的挖掘数量信息时,也将增加空间开销。针对两种算法的不足,提出了新的关联规则挖掘算法——Class-FP-growth关联规则挖掘算法,该算法不仅克服了 Apriori算法处理大量频繁项集数据库的不足,而且减少了用FP-growth算法造成的冗余分支,并基于此建立了基于Class-FP-growth算法的煤与瓦斯突出危险性评价关联规则挖掘模型,选择Webdosc、Aucho Docs和Accidents共3个数据库对算法进行仿真测试,比较分析最小支持度为0.01%、0.1%,1%、10%、20%、30%、40%、50%、60%、70%和 80%时的 FP-growth 算法和 Class-FP-growth 算法的性能,证明了 Class-FP-growth算法在挖掘数据库较大时或者约束条件严格时要比FP-growth 算法具有一定 的优势,并将该模型应用于研究区寺家庄矿 20 次煤与瓦斯突出危险性等级数据分析,得出了研究区寺家庄矿支持度为30%的煤与瓦斯突出评价因素关联规则,以及不同突出强度关联规则。(3)煤与瓦斯突出危险性评价HS-BP神经网络智能算法研究在研究煤与瓦斯突出危险性评价BP神经网络算法的结构和基本原理的基础上,分析了 BP神经网络训练时间长,容易训练瘫痪以及陷入局部最小值的问题,然而HS算法相比于传统的优化算法其有参数设置少,随机搜索不需衍生信息,比对效率高,容易信息共享等优点。为了克服BP神经网络上的不足,根据其神经网络自身的特点,运用HS算法对BP神经网络进行一定的改进,从而使其得到优化,改良其原先的缓慢收敛,使其在自身局部最小值问题上达到了目标要求,并选取单峰Sphere函数、Rosenbrock函数和多峰Griewank函数3个测试数值优化算法性能的标准基准测试函数,来验证HS-BP算法的正确性和有效性,在经过200次独立实验后,HS-BP算法的最优适应度函数值的平均值、平均标准差优于PSO-BP神经网络算法、GA-BP神经网络算法和BP神经网络算法,也由此说明了 HS-BP模型具有更好的评价精度和泛化能力。与此同时,利用HS-BP神经网络算法对其目标值进行对比,得到的结果0.000125,在一定程度上比利用HS-BP、PSO-BP、GA-BP和BP求得的0.0086、0.0072和0.0364更加精准,结果表明和声搜索算法改进BP网络在用于煤与瓦斯突出危险性评价时,在一定程度上具有科学性和优越性。(4)煤与瓦斯突出危险性评价GA-ELM智能算法研究阐述了 ELM算法的基本原理,并将其与SLFN算法和BP算法进行比较,指出ELM算法所用激活函数可以使用不连续的函数,只需要对隐藏神经元的数量进行设置,将计算方法的训练时间进行降低,可以避免SLFN容易出现梯度下降和陷入局部的极值问题,泛化能力强。但是在ELM算法实施的过程中容易出现输入值矩阵和隐含层偏差随机性影响ELM的问题,因此引入遗传算法(GA)对其进行优化,提出了一种煤与瓦斯突出危险性评价新方法。并分别用GA-ELM算法、ELM算法和BP算法对寺家庄矿煤与瓦斯突出样本数据做了危险性评价模型分析,将评价结果相互对比,对比结果显示采用ELM算法评价准确率为60%,采用BP算法评价准确率为60%,而GA-ELM算法准确率为80%,GA-ELM算法具有较高的准确率。因此遗传算法(GA)与极限学习机(ELM)相结合的模型评价精度较高,对煤与瓦斯突出问题的评价效果具有较强的准确性。(5)在关联规则和智能算法的基础上对煤与瓦斯在突出危险性评价进行现场应用根据研究区域瓦斯地质因素的不同和矿井的实际情况,构建了煤与瓦斯突出危险性评价研究方面的15组数据信息样本,提取了相应的工作面瓦斯地质数据,形成了Bayes信息融合评价的HS-BP证据体和GA-ELM证据体,通过Bayes融合形成了试验工作面更为有效的煤与瓦斯突出危险性评价方法,并在煤与瓦斯突出数据关联规则与智能算法优化技术研究基础上,提出了煤与瓦斯突出危险性评价过程,在进行煤与瓦斯的危险性评价时,将HS-BP神经网络算法、GA-ELM算法、关联规则与智能计算方法和试验实际的结果进行比对,结果表明基于关联规则与智能算法优化的煤与瓦斯突出危险性评价准确性较高,达93.33%,为煤与瓦斯突出危险性评价提供了新的技术支撑。