bp算法在煤矿瓦斯浓度预测中的应用

《bp算法在煤矿瓦斯浓度预测中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、BP算法在煤矿瓦斯浓度预测中的应用摘要:影响煤矿瓦斯浓度的各种因素具有非线性特征,BP算法能实现对这些因素的非线性映射,达到对煤矿瓦斯浓度进行预测的目的。　　关键词:煤矿瓦斯浓度BP预测　　:TP389.1:A:1007-9416(2010)08-0088-02　　　　煤矿瓦斯事故大多具有突发性和不确定性,现在使用的煤矿安全监测系统一般都不具备预测和预报的能力[1]。如何根据各个影响因素预测计算煤层瓦斯含量是一个非常复杂的问题,对这个问题的研究多采用定性的比较分析、综合评价方法和线性回归分析法,这些方法能大致确定各种因素的重要程度,但难以准确地确定各影响因素对煤层瓦斯赋存规律的影响程度,预

2、测误差较大[2-3]。　　　　1影响瓦斯浓度的因素　　通常煤矿井下有人员活动和设备的地方必须使瓦斯浓度保持在一定的值以下,以防止瓦斯爆炸,保证人员的安全和健康。煤矿井下瓦斯的稀释主要依靠矿井通风来实现。影响瓦斯涌出量的因素很多,比如对于采煤工作面而言,影响瓦斯涌出量的因素主要有煤层厚度、煤层埋藏深度、煤层瓦斯含量、工作面日产量及风速等。对于特定的采煤工作面而言,由于相关条件的变化,其瓦斯浓度的影响是复杂的,变化的,不是简单的线性关系。虽然这种变化有规律可循,但真正要发现单个工作面的规律并指导实际工作,工作强度大,难度大。对于普遍技术力量较弱的煤炭企业而言,基本上不具有可行性。　　　　2瓦斯

3、浓度预测建模　　2.1模型结构　　用三层前馈型BP神经X络,将煤层深度、煤层厚度、煤层瓦斯含量、日产量、风速作为输入层的5个节点,用向量表示。输出层为单个节点,对应瓦斯浓度,用向量表示,期望输出用向量表示。隐含层节点采用Kolmogorov映射X络存在定理确定,即:　　(1)　　其中,为输入层节点数,为隐含层节点数。因此,确定隐含层包含11个节点,用向量表示,见图1。　　2.2学习算法　　输入层到隐含层及隐含层到输出层的权值矩阵设置如下:　　(2)　　其中,为输入层第i个节点到隐含层第j个节点的权向量,隐含层节点阈值为。为隐含层第j个节点对输出层第k个节点的权向量,输出层节点阈值为。　　隐

4、含层特性函数采用式(3)连续可微分的Sigmoid函数,输出层特性函数采用式(4)的简单线性函数。　　(3)　　(4)　　为了提高神经X络的训练效率,在输入层利用式(5)对数据进行归一化处理,将其换算到[0,1]区间。　　(5)　　训练完成后,在输出层利用式(6)对数据进行反归一化处理,将其换回。　　(6)　　其中,是归一化后的数据,是未归一化的数据,是数据的最小值,是数据的最大值。　　　　3算法实现　　笔者统计了一组贵州习水富邦煤矿开采中1514采面煤层瓦斯浓度及影响因素实测数据,利用MATLAB神经X络工具箱提供的newff函数创建BP神经X络模型,用训练样本对创建好的X络模型进行训练

5、,训练参数设定为:学习率0.05,最大训练次数10000,训练要求精度0.001。　　当X络趋于稳定时,用5组非训练样本数据,对训练好的预测模型进行检验,结果如表1所示。通过对表1实测值和预测值的综合对比后发现,BPX络的预测值与实测值吻合较好,该预测模型可以用于预测煤矿瓦斯浓度。　　　　4结语　　煤矿瓦斯浓度是多种影响因素综合作用的结果,利用BP算法能很好地实现对非线性因素进行映射逼近,比较真实地反映煤矿瓦斯浓度与各种因素之间复杂的非线性关系。　　算法的实现以大量样本数据为基础,对中小规模的煤矿来说,由于生产设备、技术工艺等有较大的限制,各影响因素的数据统计工作并不到位,会导致模型所需要

6、的样本数据不足或代表性较差,无法实现预测目的。