瓦斯災(zāi)害制約著煤礦安全生產(chǎn)的發(fā)展水平,瓦斯治理是高瓦斯煤礦開采工程中的重要環(huán)節(jié),有效預(yù)測(cè)出下一時(shí)間段瓦斯?jié)舛炔⒆龀龊侠淼陌踩雷o(hù)措施,可為煤礦瓦斯治理決策提供一定的參考依據(jù)。利用循環(huán)神經(jīng)網(wǎng)絡(luò)適合處理連續(xù)時(shí)間序列樣本的特性,構(gòu)建了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的煤礦工作面瓦斯?jié)舛阮A(yù)測(cè)模型。該模型以寬泛策略為原則初步確定預(yù)測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),選取數(shù)據(jù)量更大、時(shí)間跨度更長(zhǎng)的瓦斯?jié)舛葧r(shí)間序列為訓(xùn)練樣本。首先采用鄰近均值法和插值法處理訓(xùn)練樣本中的異常值和缺失值,同時(shí)采用最大最小值標(biāo)準(zhǔn)化法對(duì)數(shù)據(jù)進(jìn)行歸一化處理,其次以均方誤差和運(yùn)行時(shí)間為評(píng)價(jià)指標(biāo),采用自適應(yīng)矩估計(jì)優(yōu)化器優(yōu)化模型權(quán)重,選取修正線性為激活函數(shù),隱藏層中加入丟棄層,通過不斷調(diào)節(jié)步長(zhǎng)、網(wǎng)絡(luò)層數(shù)等參數(shù),最終得到最優(yōu)的循環(huán)神經(jīng)網(wǎng)絡(luò)瓦斯預(yù)測(cè)模型。研究結(jié)果表明:相比于反向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,基于循環(huán)神經(jīng)網(wǎng)絡(luò)的煤礦工作面瓦斯?jié)舛阮A(yù)測(cè)模型的訓(xùn)練誤差降低至0.003,預(yù)測(cè)結(jié)果誤差降低至0.006,具有更高的預(yù)測(cè)準(zhǔn)確度;同時(shí),預(yù)測(cè)誤差波動(dòng)范圍在0.001～0.024,具有更好的穩(wěn)定性和魯棒性�；谘h(huán)神經(jīng)網(wǎng)絡(luò)的工作面瓦斯?jié)舛阮A(yù)測(cè)模型具有更... 

【文章來源】：煤炭科學(xué)技術(shù). 2020,48(01)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

RNN結(jié)構(gòu)圖

RNN瓦斯?jié)舛阮A(yù)測(cè)模型主要分4個(gè)步驟:數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析與建模、模型調(diào)優(yōu)。筆者選取了某煤礦2018年7月1日到2018年11月2日的瓦斯監(jiān)測(cè)數(shù)據(jù)作為試驗(yàn)樣本，該數(shù)據(jù)包括抽采濃度、混合流量、累計(jì)抽采日流量、純量、上隅角瓦斯?jié)舛�、回風(fēng)流瓦斯?jié)舛取⒐ぷ髅嫱咚節(jié)舛�、工作面風(fēng)量、溫度、抽采負(fù)壓，共計(jì)10 000條數(shù)據(jù)。其中數(shù)據(jù)預(yù)處理主要是針對(duì)數(shù)據(jù)進(jìn)行清洗、數(shù)據(jù)縮放和劃分;數(shù)據(jù)分析與建模則初步確定RNN預(yù)測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和相關(guān)函數(shù)，模型調(diào)優(yōu)主要根據(jù)預(yù)測(cè)結(jié)果調(diào)節(jié)相關(guān)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。圖2為RNN瓦斯?jié)舛阮A(yù)測(cè)模型流程。2.1 數(shù)據(jù)預(yù)處理

步長(zhǎng)主要用于梯度下降算法中表示模型可利用時(shí)間序列數(shù)據(jù)間的關(guān)聯(lián)信息。因此本試驗(yàn)以寬泛策略為原則，設(shè)定步長(zhǎng)為50、100和200，分別對(duì)比不同步長(zhǎng)下的訓(xùn)練誤差和運(yùn)行時(shí)間，運(yùn)行效果如圖3和表1所示。圖3中步長(zhǎng)為50和100時(shí)模型預(yù)測(cè)誤差大致相同，但相比于步長(zhǎng)為200時(shí)，步長(zhǎng)為50和100時(shí)，在迭代次數(shù)為5～25次時(shí)波動(dòng)性更小，收斂效果更佳。表1中步長(zhǎng)為100時(shí)的運(yùn)行時(shí)間雖不是最短的，但誤差是最小的。綜合考慮步長(zhǎng)為100時(shí)效果最佳。在合理的范圍內(nèi)增大步長(zhǎng)可有效提高內(nèi)存利用率和精準(zhǔn)度，當(dāng)步長(zhǎng)增大到一定程度后，梯度下降的方向基本不變，模型的預(yù)測(cè)精度和誤差將不再提高。其原因?yàn)?數(shù)值較大的步長(zhǎng)收斂速度較快，但易陷入局部最優(yōu);數(shù)值較小的步長(zhǎng)引入的隨機(jī)性更大，預(yù)測(cè)效果較好但收斂速度較慢，步長(zhǎng)過小時(shí)會(huì)導(dǎo)致?lián)p失曲線震蕩不收斂。

【參考文獻(xiàn)】：
期刊論文
[1]基于RNN的機(jī)械臂任務(wù)模仿系統(tǒng)[J]. 于建均,吳鵬申,左國(guó)玉,阮曉鋼,張遠(yuǎn).  北京工業(yè)大學(xué)學(xué)報(bào). 2018(11)
[2]基于多特征融合與雙向RNN的細(xì)粒度意見分析[J]. 郝志峰,黃浩,蔡瑞初,溫雯.  計(jì)算機(jī)工程. 2018(07)
[3]基于RNN和主題模型的社交網(wǎng)絡(luò)突發(fā)話題發(fā)現(xiàn)[J]. 石磊,杜軍平,梁美玉.  通信學(xué)報(bào). 2018(04)
[4]基于注意力LSTM和多任務(wù)學(xué)習(xí)的遠(yuǎn)場(chǎng)語音識(shí)別[J]. 張宇,張鵬遠(yuǎn),顏永紅.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(03)
[5]一種基于RNN的社交消息爆發(fā)預(yù)測(cè)模型[J]. 笱程成,秦宇君,田甜,伍大勇,劉悅,程學(xué)旗.  軟件學(xué)報(bào). 2017(11)
[6]基于RNN的空氣污染時(shí)空預(yù)報(bào)模型研究[J]. 范竣翔,李琦,朱亞杰,侯俊雄,馮逍.  測(cè)繪科學(xué). 2017(07)
[7]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A(yù)測(cè)算法[J]. 姚青華,邱本花.  煤炭技術(shù). 2017(05)
[8]基于混沌粒子群神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)[J]. 耿越.  中國(guó)煤炭. 2017(03)
[9]深度學(xué)習(xí)耦合粒子群優(yōu)化SVM的瓦斯?jié)舛阮A(yù)測(cè)[J]. 錢建生,邱春榮,李紫陽,吳響.  煤礦安全. 2016(11)
[10]Study of Sentiment Classification for Chinese Microblog Based on Recurrent Neural Network[J]. ZHANG Yangsen,JIANG Yuru,TONG Yixuan.  Chinese Journal of Electronics. 2016(04)



本文編號(hào)：3140878