[發明專利]一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法

在審

• 申請號: 201910081454.9
• 申請日: 2019-01-28
• 公開（公告）號: CN109711641A
• 公開（公告）日: 2019-05-03
• 發明（設計）人: 孫臣良;齊英;趙宇星;任超鵬
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06F17/50;G06N3/04;G06N3/12
• 代理公司: 沈陽亞泰專利商標代理有限公司 21107
• 代理人: 王春玲

1.一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，由如下步驟構成：

步驟一：回采面瓦斯涌出影響因素的選取。選取11個主要影響因素作為原始變量，包括開采層瓦斯含量、煤層埋藏深度、煤層厚度、煤層傾角、工作面長度、日推進速度、采出率、鄰近層瓦斯含量、層間距、層間巖性、開采強度；

步驟二：瓦斯涌出量相關因素主因子提取。原始數據中各因素的量綱和數值都存在較大差異。運用SPSS22.0對數據進行標準化處理，然后對標準化數據進行相關性診斷；

步驟三：瓦斯涌出量相關因素主因子得分計算；

步驟四：神經網絡預測模型參數選取。采用Matlab軟件對BP算法和添加動量項的GA-BP算法進行編程實現。兩種模型輸入數據都為主因子得分，且參數選取保持一致；

步驟五：獲得預測結果。

2.按照權利要求1所述的一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，附加動量法的本質是引用動量因子η(0<η<1)對權值變化方式進行修改，在前后兩次權值變化量之間按照式(1)建立一種映射關系：

Δw(k+1)＝ηΔw(k)+α(1-η)δx (1)

式中：t為訓練次數；Δw(t)表示權值在t次訓練過程中的變化量；α為學習速率；δx為誤差項對權值的梯度，在沿梯度反向修改權值的基礎上，動量項可以有效抑制誤差變化率過大，促使網絡在相對平緩的曲面進行運算，容易滑過淺的局部極小。

3.按照權利1所述的一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，在步驟一中，煤礦井下地質條件復雜，瓦斯涌出量影響因素很多，經過與現場人員溝通以及查閱相關資料，選取11個主要影響因素作為原始變量，包括開采層瓦斯含量x1(m³/t)、煤層埋藏深度x2(m)、煤層厚度x3(m)、煤層傾角x4(°)、工作面長度x5(m)、日推進速度x6(m/d)、采出率x7(％)、鄰近層瓦斯含量x8(m³/t)、層間距x9(m)、層間巖性x10、開采強度x11(t/d)。其中層間巖性x10屬于定性指標，無法直接測得，作為輸入數據需進行量化處理。中層間巖性屬于定性指標，無法直接測得，作為輸入數據需進行量化處理。由于煤層圍巖中影響瓦斯涌出卸壓范圍的重要特性是圍巖硬度，因此，按照公式(2)采用圍巖硬度加權平均值作為層間巖性的量化數值：

式中：n為圍巖所含巖層數量；為第m層巖層硬度，計算方法采用摩氏硬度計量法；f_m為第m層巖層厚度；H為開采層與鄰近層之間的圍巖總厚度。

4.按照權利1所述的一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，在步驟二中，原始數據中各因素的量綱和數值都存在較大差異。運用SPSS22.0對數據進行標準化處理，然后對標準化數據進行相關性診斷，得出各影響因素KMO檢驗量值為0.675(大于0.5)，表明各影響因素互相相關，Bartlett卡方值為0.000(小于0.05)，達到顯著水平，以上結果都表示主因子分析適用于原始數據的降維處理。由瓦斯涌出影響因素數據的主因子分析結果容易得知主因子f₁、f₂和f₃的累計貢獻率達到90.1％，表明f₁、f₂和f₃中包含90％以上的原始信息，滿足主因子提取條件，經過最大方差法對主因子進行旋轉，發現三個主因子的特征值都大于1，故選取f₁、f₂和f₃三個主因子替代原始變量。

5.按照權利1所述的一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，在步驟三中，主因子得分系數矩陣B可以直觀反映出主因子與瓦斯涌出量各影響因素之間的線性關系，旋轉后的因子得分按照公式(3)計算：

式中：B_ij為系數矩陣B對應的各個元素；x_j為標準化數據。主因子得分共同作為經典BP網絡以及改進GA-BP網絡的輸入數據，使輸入數據由11維變成3維，達到了降維的作用。

6.按照權利1所述的一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法，其特征在于，在步驟四中，采用Matlab軟件對BP算法和添加動量項的GA-BP算法進行編程實現。兩種模型輸入數據都為主因子得分，且參數選取保持一致。由Kolmogrov定理可知，隱層應該包括7個節點，最大訓練次數為5000，訓練誤差目標為0.001，學習率為0.05，激勵函數選取tansig函數。改進的GA-BP網絡中，添加動量因子η＝0.95，遺傳算法中個體編碼采用二進制編碼，二進制位數為10，種群大小為100，最大遺傳代數為50，交叉概率為0.7，變異概率為0.01，代溝取0.95。為了便于對比模型的預測效果，需另外創建一個經典BP網絡，輸入數據為原始數據，其他網絡參數保持不變。在模型仿真過程中，選取前13組數據訓練網絡，后5組數據對訓練好的網絡進行檢驗。