本文關鍵詞：基于優(yōu)化的神經網絡模型在礦井瓦斯涌出預測中的應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：瓦斯是煤炭在開采過程中的伴生產物。煤層瓦斯的生成導致的結果是長期均勻的從煤體中涌出或者突然的大量涌出,能夠引起燃燒和爆炸,而大量積聚時又會使人窒息甚至死亡。近年來瓦斯事故是煤礦安全生產最重要的災害之一,事故發(fā)生特點具有突發(fā)性強、危害性大,一旦事故發(fā)生,造成的后果不僅僅是巨大的經濟損失,而且造成礦工的身體傷害,更為嚴重的是礦毀人亡,最終后果是煤礦企業(yè)形象遭受影響、礦工無價生命的中斷以及國家煤炭資源的浪費。因此,做好煤礦瓦斯涌出工作、控制煤礦瓦斯事故的發(fā)生是煤礦安全生產的當務之急,也是煤炭工業(yè)全面、協調、可持續(xù)的基礎。 本文統計了近十年煤礦瓦斯事故發(fā)生的情況,分析了瓦斯涌出量的影響因素以及涌出發(fā)生的機理,瓦斯涌出常用預測方法即神經網絡預測法在其預測中的基本思路,指出了神經網絡模型在預測中存在的不足即傳統網絡模型收斂速度慢,易陷入局部極小以及泛化能力較弱。為了更科學合理的解決瓦斯涌出預測中的問題,在深入學習了灰色理論及其BP神經網絡和RBF神經網絡的基本工作原理及建模思路的基礎之上,分析了這兩種神經網絡模型在預測中存在的優(yōu)缺點,采用分辨系數改進的灰色關聯分析算法對兩種網絡進行優(yōu)化。通過更精確的灰色模型對兩種神經網絡的優(yōu)化,在MATLAB仿真實驗平臺下運行,建立了瓦斯涌出預測模型,將其運用到實際煤礦預測中。本課題選取山西焦煤東曲礦作為實驗對象,將利用分辨系數改進的灰色關聯分析得出影響瓦斯涌出主控因素中影響較大的因素,即開采強度、煤層厚度、原始瓦斯含量、煤層埋藏深度做為預測模型的輸入,根據各因素關聯度的比重作為其輸入權重,通過兩種模型得出的結果證明優(yōu)化的RBF神經網絡模型比優(yōu)化的BP神經網絡模型更加可靠,預測效果更好。煤礦在保證安全以及達到預測精度要求的前提之下,運用優(yōu)化的RBF神經網絡模型的預測可以做的科學合理的預測。 由于每個礦井條件如地質構造、瓦斯賦存情況、煤層開采方式以及礦井通風系統格局等因素的不同,各個因素又與瓦斯涌出之間存在著復雜的關系。而本文所介紹的瓦斯涌出預測研究方法,使得礦井瓦斯涌出預測技術更成熟,在實際的礦井安全生產中提供了可借鑒的方法。
【關鍵詞】：礦井瓦斯涌出 BP神經網絡 RBF神經網絡 灰色模型 分辨系數
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TD712.5
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 概述10-18
• 1.1 課題研究背景10-11
• 1.2 課題研究現狀11-15
• 1.2.1 瓦斯涌出量預測研究現狀11-13
• 1.2.2 神經網絡研究現狀13-15
• 1.3 課題研究技術路線及意義15-18
• 1.3.1 技術路線15-16
• 1.3.2 研究意義16-18
• 第二章 瓦斯涌出量相關基本理論18-32
• 2.1 瓦斯的生成及其賦存18-20
• 2.1.1 瓦斯的概念18
• 2.1.2 煤層瓦斯的生成18-19
• 2.1.3 瓦斯的賦存形式19-20
• 2.2 瓦斯的流動理論20-24
• 2.2.1 瓦斯流動的基本理論20-22
• 2.2.2 瓦斯在煤層中的運移22-24
• 2.3 瓦斯涌出量的主要影響因素24-27
• 2.3.1 地質因素25
• 2.3.2 自然因素25-26
• 2.3.3 開采因素26-27
• 2.4 礦井瓦斯涌出量預測——分源預測法27-31
• 2.4.1 回采工作面瓦斯涌出量預測27-29
• 2.4.2 掘進工作面瓦斯涌出量預測29-30
• 2.4.3 生產采區(qū)瓦斯涌出量預測30-31
• 2.4.4 礦井瓦斯涌出量預測31
• 2.5 本章小結31-32
• 第三章 瓦斯涌出量預測參數的確定32-40
• 3.1 灰色預測理論概述32-33
• 3.2 GM(1,1)預測模型的構建33-35
• 3.3 灰色關聯分析理論35-38
• 3.3.1 灰色關聯分析理論概述35
• 3.3.2 灰色關聯分析主要步驟35-36
• 3.3.3 分辨系數ρ的改進36-38
• 3.4 基于改進的分辨系數的灰色關聯分析在東曲礦中的應用38-39
• 3.5 本章小結39-40
• 第四章 瓦斯涌出量預測模型的構建40-58
• 4.1 人工神經元簡介40-42
• 4.1.1 人工神經元數學模型40
• 4.1.2 人工神經網絡構成要素40-42
• 4.1.3 人工神經元功能函數42
• 4.2 BP神經網絡及其模型42-49
• 4.2.1 BP神經網絡基本簡介42-44
• 4.2.2 BP神經網絡的工作原理44-46
• 4.2.3 BP神經網絡灰色模型的建立及其學習過程46-49
• 4.3 RBF神經網絡及其模型49-57
• 4.3.1 RBF神經網絡工作原理49-52
• 4.3.2 RBF神經網絡模型的改進52-55
• 4.3.3 RBF神經網絡灰色模型的建立及其學習過程55-57
• 4.4 BP網絡和RBF網絡預測模型的比較57
• 4.5 本章小結57-58
• 第五章 東曲礦瓦斯涌出量預測模型的仿真58-70
• 5.1 東曲礦概況58-61
• 5.1.1 地理位置58
• 5.1.2 煤層賦存及其地質構造58-59
• 5.1.3 礦井的通風情況59-60
• 5.1.4 礦井瓦斯情況60-61
• 5.2 仿真實驗平臺——MATLAB簡介61-63
• 5.3 仿真實驗的過程及結果分析63-68
• 5.3.1 實驗數據的選擇與處理63-65
• 5.3.2 預測模型的建立65-68
• 5.4 本章小結68-70
• 第六章 小結與展望70-72
• 6.1 小結70-71
• 6.2 展望71-72
• 參考文獻72-76
• 致謝76-78
• 攻讀學位期間發(fā)表的學術論文78

【參考文獻】

中國期刊全文數據庫 前4條

1 劉超儒,馬云東;礦井延深瓦斯涌出量的灰色預測[J];礦業(yè)安全與環(huán)保;2005年03期

2 秦勇;陳立潮;郭勇義;賀振武;;遺傳優(yōu)化的GNNM在瓦斯涌出量預測中的應用[J];計算機仿真;2012年01期

3 何希霖;高明濤;劉燦振;朱煥然;;趙官煤礦瓦斯涌出量的預測技術研究[J];金屬礦山;2009年S1期

4 魏春榮;李艷霞;孫建華;米紅偉;李s，

本文編號：279639