基于BP神经网络的煤矿瓦斯浓度预测模型构建与仿真.pdfVIP

20 10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 B P 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。 MA TLAB 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 ; B P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 (20 10) 04 - 0037 - 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 [ 4 ] 。为此 ,笔者采用 B P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 [ 1 ] 。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 1　BP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 , B P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 (B ack Prop agation N eu ral N etwork) 的简称 ,属于多层 的影响程度 ,预测误差较大 [ 2 - 3 ] 。 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 出层以及层间节点连接组成 。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 B P 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 B P 网络的输出个数相对应 , 中间层节点的数 目则根 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 B P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. 1　BP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