[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

本發明公開了一種基于改進GA?BP網絡模型的瓦斯涌出量預測方法，涉及煤礦井下回采工作面瓦斯防治技術領域。GA?BP網絡模型結合遺傳算法和BP算法，在保留原有自適應性和容錯性的基礎上，通過全局搜索選取最優初始權值和閾值。不僅加快網絡的學習速度，還在一定程度提高全局優化能力。GA?BP網絡模型結合主因子分析法，通過主因子分析提取主因子代替原始輸入變量，簡化網絡結構，消除變量冗余信息。同時采用遺傳算法(GA)優化網絡初始權值和閾值，并通過添加動量因子來優化權值的更新方式，避免搜索陷入局部極小值，使預測準確性得到提高。最后選取實際瓦斯涌出監測數據作為標簽數據與輸入數據，并針對不同網絡模型進行仿真與分析。

技術領域

本發明涉及煤礦井下回采工作面瓦斯防治技術領域，尤其涉及一種基于改進GA-BP網絡模型的瓦斯涌出量預測方法。

背景技術

隨著煤礦開采強度和深度不斷增長，瓦斯治理逐漸成為制約礦井安全高效生產的重要因素之一，其中實現瓦斯涌出精準預測是瓦斯治理體系實施的必要前提。然而，瓦斯涌出是一個極其復雜的動態系統，各影響因素之間具有高度的非線性相關性，分源預測法等傳統線性預測方法無法達到預期精度，因此，許多學者通過數值模擬對非線性預測方法進行深入研究，如呂伏等將主成分回歸分析法應用于瓦斯涌出預測；李國禎等采用灰色理論對影響因素進行分析，實現瓦斯涌出預測；Sebald D J等提出一種基于支持向量機的非線性瓦斯涌出預測模型。白云霄等通過對現場瓦斯數據進行訓練仿真，建立一種神經網絡預測模型。以上研究均側重于對非線性關系的映射效果，而人工神經網絡能更準確地映射出瓦斯涌出量與各個影響因素之間的關系。近年來，許多學者致力于神經網絡優化，如吉振光提出了GA-BP網絡瓦斯涌出量預測模型；雷文杰等用灰色理論對BP網絡參數進行優化，并應用于瓦斯涌出預測；盧國斌等提出了PCA-BP網絡瓦斯涌出量預測模型。以上各種改進方法均可以提高神經網絡的效率，但在收斂速度和滑過局部極小能力上仍存在局限性。

發明內容

針對現有煤程序升溫實驗裝置的缺陷，本發明提供一種基于動態氧環境的油浴式煤程序升溫實驗裝置，其設計合理、操作簡便，能通過動態配氣系統為煤樣提供不同氧氣濃度的程序升溫環境，在油浴內對煤樣加熱，能夠使各部分煤樣受熱均勻，提高實驗精度和數據結果的準確性，采用自動定量氣樣采集系統能夠實現煤氧化升溫過程中氣體產物的自動取樣，可精準控制取樣時間和氣樣體積，并實現氣樣的全自動智能化驗和分析，彌補了人為取樣不均勻、測量精度低等缺陷，簡化了操作過程，縮短了實驗時間。

為解決上述技術問題，本發明的目的在于提供一種基于改進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。

上述一種基于改進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)