發(fā)布時間：2023-09-17 18:14

　　為提高煤層瓦斯含量預(yù)測的科學(xué)性及準(zhǔn)確性,提出基于粒子群算法(PSO)優(yōu)化誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測模型(PSO-BP模型);研究試驗礦井煤層瓦斯含量與埋深、煤厚、底板標(biāo)高以及測點與斷層垂距等因素之間關(guān)系;對比分析該模型與多元線性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果。結(jié)果表明:隨著埋深、煤厚及測點與斷層垂距的增大,瓦斯含量變大,煤層底板標(biāo)高增大,瓦斯含量變小;PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型相對誤差為2.4%～4.8%(平均3.1%),多元線性回歸模型為2.3%～77.4%(平均27.7%),BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型為7.5%～14.8%(平均10.2%),PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測精度最高。

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引言
1 煤層瓦斯含量影響因素分析
    1.1 煤層瓦斯含量基礎(chǔ)數(shù)據(jù)
    1.2 煤層瓦斯含量的影響因素
2 PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型
    2.1 BP神經(jīng)網(wǎng)絡(luò)參數(shù)選取
    2.2 PSO算法優(yōu)化模型
    2.3 PSO-BP預(yù)測模型預(yù)測步驟
3 實例應(yīng)用
    3.1 樣本數(shù)據(jù)
    3.2 模型預(yù)測結(jié)果分析
        3.2.1多元線性回歸模型及其預(yù)測結(jié)果
        3.2.2 PSO-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果
4 結(jié)論



本文編號：3847901