煤层瓦斯含量PSO-BP神经网络预测模型及其应用

为提高煤层瓦斯含量预测的科学性及准确性,提出基于粒子群算法(PSO)优化误差反向传播(BP)神经网络的瓦斯含量预测模型(PSO-BP模型);研究试验矿井煤层瓦斯含量与埋深、煤厚、底板标高以及测点与断层垂距等因素之间关系;对比分析该模型与多元线性回归模型和BP神经网络模型的预测结果。结果表明:随着埋深、煤厚及测点与断层垂距的增大,瓦斯含量变大,煤层底板标高增大,瓦斯含量变小;PSO-BP神经网络预测模型相对误差为2.4%~4.8%(平均3.1%),多元线性回归模型为2.3%~77.4%(平均27.7%),BP神经网络预测模型为7.5%~14.8%(平均10.2%),PSO-BP神经网络预测模型预测精度最高。

基于KPCA-CMGANN算法的瓦斯涌出量预测研究

为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测。结果表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测。

小波-极限学习机在瓦斯涌出量时变序列预测中的应用

针对煤矿瓦斯涌出量预测中经常出现变量难以获取等问题,为了提高瓦斯涌出量的预测精度和可靠性,提出将小波包分解方法与极限学习机相结合,构建瓦斯涌出量的小波-极限学习机时变预测模型。首先,通过小波包分解重构将瓦斯涌出量时变序列分解成高、低频率不同的分量,然后采用极限学习机对小波包分解重构后的时间序列进行预测,再叠加预测值,得到最终的预测结果。以山西天池煤矿某工作面瓦斯涌出量监测时序样本为例,为体现模型的优越性,设置2个对照模型,即小波-BP模型和未经小波处理的极限学习机模型。结果表明:该模型预测相对误差为0.42%~10.45%,平均相对误差仅为2.50%,小波-BP模型的预测相对误差为0.33%~7.33%,平均相对误差为3.42%,未经小波处理的极限学习机模型的预测相对误差为1.59%~13.09%,平均相对误差为4.25%,小波-极限学习机模型的预测精度和泛化能力均高于对照模型;小波包分解重构方法的引入能有效降低数据复杂度,大幅度提高预测精度,为瓦斯涌出量时变序列的预测提供了新的思路。