[发明专利]基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法

摘要

基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法，提出基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ‑CPSO‑BP煤体瓦斯渗透率预测方法。确定临界值将煤层埋深划分为两层；基于有效应力与瓦斯渗透率之间存在拐点关系，确定拐点值将有效应力划分为两段；采用LVQ将4个微观样本参数依据拐点特征进行分类识别，采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化；最后，基于样本案例对本发明构建的LVQ‑CPSO‑BP算法进行了预测结果验证，并与BP算法、GA‑BP算法及PSO‑BP算法预测的结果进行了对比分析。

主权项

1.基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法，其特征在于，由如下步骤构成：步骤一、煤层埋深划分及选择：对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以上，处于瓦斯风化带；而非浅埋层是指150m以下，最深达到1500m左右，大部分煤层处于200m‑700m之间，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层；步骤二，主要影响因素选择：选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素；有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓，将2MPa设为有效应力拐点；步骤三、在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类；步骤四、建立基于CPSO‑BP算法的煤体瓦斯渗透率预测子模型；步骤五、通过LVQ‑CPSO‑BP预测系统的训练，获得煤体瓦斯渗透率预测结果。