[发明专利]一种基于改进GA-BP网络模型的瓦斯涌出量预测方法

说明书

本发明公开了一种基于改进GA‑BP网络模型的瓦斯涌出量预测方法，涉及煤矿井下回采工作面瓦斯防治技术领域。GA‑BP网络模型结合遗传算法和BP算法，在保留原有自适应性和容错性的基础上，通过全局搜索选取最优初始权值和阈值。不仅加快网络的学习速度，还在一定程度提高全局优化能力。GA‑BP网络模型结合主因子分析法，通过主因子分析提取主因子代替原始输入变量，简化网络结构，消除变量冗余信息。同时采用遗传算法(GA)优化网络初始权值和阈值，并通过添加动量因子来优化权值的更新方式，避免搜索陷入局部极小值，使预测准确性得到提高。最后选取实际瓦斯涌出监测数据作为标签数据与输入数据，并针对不同网络模型进行仿真与分析。

技术领域

本发明涉及煤矿井下回采工作面瓦斯防治技术领域，尤其涉及一种基于改进GA-BP网络模型的瓦斯涌出量预测方法。

背景技术

随着煤矿开采强度和深度不断增长，瓦斯治理逐渐成为制约矿井安全高效生产的重要因素之一，其中实现瓦斯涌出精准预测是瓦斯治理体系实施的必要前提。然而，瓦斯涌出是一个极其复杂的动态系统，各影响因素之间具有高度的非线性相关性，分源预测法等传统线性预测方法无法达到预期精度，因此，许多学者通过数值模拟对非线性预测方法进行深入研究，如吕伏等将主成分回归分析法应用于瓦斯涌出预测；李国祯等采用灰色理论对影响因素进行分析，实现瓦斯涌出预测；Sebald D J等提出一种基于支持向量机的非线性瓦斯涌出预测模型。白云霄等通过对现场瓦斯数据进行训练仿真，建立一种神经网络预测模型。以上研究均侧重于对非线性关系的映射效果，而人工神经网络能更准确地映射出瓦斯涌出量与各个影响因素之间的关系。近年来，许多学者致力于神经网络优化，如吉振光提出了GA-BP网络瓦斯涌出量预测模型；雷文杰等用灰色理论对BP网络参数进行优化，并应用于瓦斯涌出预测；卢国斌等提出了PCA-BP网络瓦斯涌出量预测模型。以上各种改进方法均可以提高神经网络的效率，但在收敛速度和滑过局部极小能力上仍存在局限性。

发明内容

针对现有煤程序升温实验装置的缺陷，本发明提供一种基于动态氧环境的油浴式煤程序升温实验装置，其设计合理、操作简便，能通过动态配气系统为煤样提供不同氧气浓度的程序升温环境，在油浴内对煤样加热，能够使各部分煤样受热均匀，提高实验精度和数据结果的准确性，采用自动定量气样采集系统能够实现煤氧化升温过程中气体产物的自动取样，可精准控制取样时间和气样体积，并实现气样的全自动智能化验和分析，弥补了人为取样不均匀、测量精度低等缺陷，简化了操作过程，缩短了实验时间。

为解决上述技术问题，本发明的目的在于提供一种基于改进GA-BP网络模型的瓦斯涌出量预测方法。其特征在于由如下步骤构成：

步骤一：回采面瓦斯涌出影响因素的选取。选取11个主要影响因素作为原始变量，包括开采层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、工作面长度、日推进速度、采出率、邻近层瓦斯含量、层间距、层间岩性、开采强度；

步骤二：瓦斯涌出量相关因素主因子提取。原始数据中各因素的量纲和数值都存在较大差异。运用SPSS22.0对数据进行标准化处理，然后对标准化数据进行相关性诊断；

步骤三：瓦斯涌出量相关因素主因子得分计算；

步骤四：神经网络预测模型参数选取。采用Matlab软件对BP算法和添加动量项的GA-BP算法进行编程实现。两种模型输入数据都为主因子得分，且参数选取保持一致；

步骤五：获得预测结果。

上述一种基于改进GA-BP网络模型的瓦斯涌出量预测方法，其特征在于，附加动量法的本质是引用动量因子η(0<η<1)对权值变化方式进行修改，在前后两次权值变化量之间按照式(1)建立一种映射关系：

Δw(k+1)＝ηΔw(k)+α(1-η)δx (1)