基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真.pdf

《基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2010年8月矿业安全与环保第37卷第4期基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真姜雷(重庆工程职业技术学院，重庆400037)摘要：在分析影响煤矿瓦斯浓度的各种因素具有非线性特征的基础之上，采用BP算法构建煤矿瓦斯浓度预测模型，实现对各种因素进行非线性映射，进而达到对煤矿瓦斯浓度进行预测的目的。MATLAB仿真结果表明，该模型具有预测精度较高、预测速度快、预测效果好等优点。关键词：煤矿安全；瓦斯浓度；BP神经网络；预测；模型中图分类号：TP389．1文献标志码：A文章编号：1008—4495(2010)04—003

2、7—03煤矿瓦斯事故大多具有突发性和不确定性，现为广泛的应用j。为此，笔者采用BP算法建立预测在使用的煤矿安全监测系统一般都不具备预测和预模型，以达到在煤矿开采过程中对瓦斯浓度进行预报的能力。如何根据各个影响因素预测计算煤层测的目的。瓦斯含量是一个非常复杂的问题，对该问题的研究1BP神经网络原理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，BP神经网络是基于误差反向传播神经网络但难以准确地确定各影响因素对煤层瓦斯赋存规律(BackPropagationNeuralNetwork)的

3、简称，属于多层的影响程度，预测误差较大。前馈神经网络，网络模型一般由输入层、隐含层、输正常条件下，煤层埋藏越深，煤层中的瓦斯向地出层以及层问节点连接组成。各层节点仅与相邻层表逸散就越困难，煤层在上覆压力的作用下降低了节点之间有前向连接，各层内节点之间无任何连接，透气性，更加有利于瓦斯的聚积，煤层瓦斯涌出量基各层节点之间无反馈连接。其中，输入层节点数对本上随煤层埋藏深度的增加而增加。一般来说，同应于BP网络可感知的输入个数，输出层节点数与一煤层随着厚度的增加，开采过程中瓦斯生成量大BP网络的输出个数相对应，中间层节点的数目则根

4、且含量增加，煤层厚度与瓦斯含量呈正相关关系。据需要设置。煤层瓦斯含量是煤内游离和吸附两种状态瓦斯量的BP神经网络的学习过程由信息的正向传播和总和，煤层瓦斯含量越高，开采过程中瓦斯生成量越误差的反向传播两个过程组成。通过周而复始的信大。煤矿日产量是影响瓦斯浓度的一个重要因素，息正向传播和误差反向传播过程，调整各层权值，使煤层瓦斯涌出量随着日产量的增加而增加。井下风得网络输出的误差减少到可以接受的程度，或者预速也是影响瓦斯浓度的一个重要因素，风速越大，单先设定的学习次数。位时间内从井下带出的瓦斯越多。井下瓦斯浓度往往受到以上5个

5、因素的综合影2预测模型构建响，各种因素波动较大，具有高度的非线性。而近年2．1BP神经网络结构来迅速发展起来的神经网络具有较高的非线性映射由于单隐含层的BP神经网络具有无限逼近非和并行处理能力，其中BP神经网络能够逼近任意连线性连续函数关系的性质，因此选择单隐含层的BP续的非线性函数，可以处理系统内在的难以解析的神经网络，即构建三层前馈型BP神经网络。将煤层规律，在函数拟合、优化计算和最优预测等领域有较深度、煤层厚度、煤层瓦斯含量、日产量、风速作为预收稿日期：2009—10—12；2010—03—30修订测模型输入层的5个节

6、点。输出层为单个节点，对作者简介：姜雷(1977一)，男，四川1名山人，硕士，讲师，应瓦斯浓度。而隐含层节点数的确定至今没有通用主要从事系统集成、计算机应用教育与研究工作。的理论指导，隐含层节点太少，网络很难适应，而太·37·2010年8月矿业安全与环保第37卷第4期多的话，又可能设计出超适应的网络，因此采用对于输出层有：Kolrnogorov映射网络存在定理来确定隐含层的节点0：g(net)，net=∑w~kyj，k=1，2，⋯，z(5)数，即：m=2n+1(1)式中：net为输出层第个节点的输入，0为输出层第k个节点的实

7、际输出。式中：n为输入层节点数，m为隐含层节点数。2．3数据归一化处理因此，确定隐含层包含11个节点。BP神经网络结构如图1所示。在使用Sigmoid函数作特性函数时，输入数据绝对值相差较大会造成某些数值低的输入被淹没，扩大输出误差。为了提高神经网络的训练效率，在输入煤层深度层利用式(6)对数据进行归一化处理，将其换算到煤层厚度瓦[0，1]区间；训练完成后，在输出层利用式(7)对数煤层瓦斯含量斯浓据进行反归一化处理，将其换回：度日产量：一—(、6v)，一风速maxmin=面(m一mm)+mi(7)式中：是归一化后的数据；是未

8、归一化的数据；输入层隐含层输出层是数据的最小值；是数据的最大值。i图1BP神经网络结构2．4误差处理与权值调整网络实际输出与期望输出不相等时，会出现网设输入层输入向量为X=(。，，⋯，)。，输入络输出误差，这时就需要反向逐层传递误差，并调整层到隐含层之间的权值矩阵为V=()i,~xm，为输