發(fā)布時(shí)間：2020-02-16 11:42

【摘要】：針對(duì)煤礦瓦斯涌出量的多影響因素預(yù)測(cè)問(wèn)題,引入熒光因子以自適應(yīng)調(diào)整搜索步長(zhǎng),用于改善基本螢火蟲(chóng)算法后期收斂速度慢及容易陷入局部最優(yōu)的缺陷。將改進(jìn)后的自適應(yīng)步長(zhǎng)螢火蟲(chóng)算法與Elman動(dòng)態(tài)反饋神經(jīng)網(wǎng)絡(luò)相結(jié)合,用于辨識(shí)瓦斯涌出非線性系統(tǒng)。通過(guò)實(shí)時(shí)對(duì)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行全局尋優(yōu),建立基于ASGSO-ENN耦合算法的絕對(duì)瓦斯涌出量預(yù)測(cè)模型。利用礦井監(jiān)測(cè)到的各項(xiàng)歷史數(shù)據(jù)進(jìn)行實(shí)驗(yàn),結(jié)果表明,該模型的預(yù)測(cè)均方根誤差為0.103 4,平均相對(duì)變動(dòng)值為0.000 387。相比于其他工程常用的預(yù)測(cè)模型,具備更高的預(yù)測(cè)精度與更強(qiáng)的泛化能力。
【圖文】：

3)，煤層傾角(d4)，煤層埋藏深度(d5)，層間巖性(d6)，煤層與鄰近煤層的層間距(d7)，工作面長(zhǎng)度(d8)，采高(d9)，日工作進(jìn)度(d10)，鄰近層原始瓦斯含量(d11)，，開(kāi)采強(qiáng)度(d12)，工作面采出率(d13)。以這13個(gè)主要影響因素歸一化處理后構(gòu)成模型輸入序列的一部分并輸入到Elman神經(jīng)網(wǎng)絡(luò)的輸入層，即:I(τ)=［d1(τ)，d2(τ)，…，d13(τ)］。將ASGSO優(yōu)化算法搜索到的適應(yīng)度最好的一組權(quán)值、閾值向量反饋到Elman神經(jīng)網(wǎng)絡(luò)得到絕對(duì)瓦斯涌出量預(yù)測(cè)模型，結(jié)構(gòu)如圖1所示。圖1ASGSO-ENN瓦斯涌出量預(yù)測(cè)模型結(jié)構(gòu)4瓦斯涌出量預(yù)測(cè)實(shí)驗(yàn)及分析4．1ASGSO-ENN模型初始化根據(jù)瓦斯涌出量影響因素及網(wǎng)絡(luò)特點(diǎn)確定Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及ASGSO算法的參數(shù)初始化。輸入層神經(jīng)元個(gè)數(shù):S1=13+1=14;隱含層與關(guān)聯(lián)層神經(jīng)元個(gè)數(shù)相等，均為S2=16;輸出層神經(jīng)元個(gè)數(shù)S3=1;螢火蟲(chóng)種群規(guī)模為50;熒光素?fù)]發(fā)系數(shù)ρ=0．5，更新率γ=0．8;初始熒光素值l0=5;感知范圍r0=12;初始步長(zhǎng)Si(0)=0．04;最大步長(zhǎng)與最小步長(zhǎng)分別為Smax=1，Smin=10－3;最大迭代次數(shù)為200。規(guī)定模型訓(xùn)練的允許誤差范圍為10－4以下。4．2數(shù)據(jù)組成及預(yù)處理實(shí)驗(yàn)數(shù)據(jù)來(lái)自開(kāi)灤礦業(yè)集團(tuán)錢(qián)營(yíng)礦2074工作面的KJ90N煤礦安全綜合監(jiān)測(cè)系統(tǒng)。截取2013年12月－2014年3月的瓦斯監(jiān)測(cè)數(shù)據(jù)。按主要影響因素篩選出了18組數(shù)據(jù)，其中，1組～14組用于模型的訓(xùn)練;15組～18組為測(cè)試樣本集用于驗(yàn)證模型的預(yù)測(cè)效果。具體數(shù)據(jù)如表1所示。319

酕釻緄募だ釳

本文編號(hào)：2580094