基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)模型

《基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)模型》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)模型孔　龍　馬銘澤（安徽理工大學(xué)，安徽淮南232000）【摘　要】煤與瓦斯突出已成為危害煤礦安全的重大災(zāi)難之一，工作人員對(duì)瓦斯突出災(zāi)難的預(yù)防工作已是現(xiàn)在重要的研究項(xiàng)目。目前的瓦斯突出預(yù)測(cè)工作中，不同程度的有著一些對(duì)預(yù)測(cè)精確度造成影響的因素，如邏輯推理組合效率低等。利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合瓦斯突出樣本建立了一個(gè)預(yù)測(cè)模型，對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了改進(jìn)，最后根據(jù)提供的某煤礦的數(shù)據(jù)作為樣本，利用MATLAB軟件對(duì)其進(jìn)行仿真測(cè)試，所得到的預(yù)測(cè)值和實(shí)際值擬合程度較高，可以反映出煤與瓦斯突出的真實(shí)情況。.jyqk3

2、/t）,瓦斯壓力（MPa），煤的堅(jiān)固系數(shù)f，瓦斯放散初速度△p（m/s）。2　改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)傳統(tǒng)的BP算法在迭代運(yùn)算過程中有一定的不足之處，如極易收斂于局部極小和收斂速度緩慢等。這里采用附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法來(lái)解決這些問題。3　煤與瓦斯突出強(qiáng)度預(yù)測(cè)模型3.1　網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由三部分構(gòu)成，即輸入層、隱含層和輸出層。（1）輸入層和輸出層。由于煤層瓦斯含量，瓦斯壓力，煤的堅(jiān)固系數(shù)f，瓦斯放散初速度△p是造成瓦斯突出的重要原因，因此輸入層采用四個(gè)節(jié)點(diǎn)來(lái)代表這些因素，瓦斯的突出強(qiáng)度可以由這些因素來(lái)

3、進(jìn)行預(yù)測(cè)；輸出層節(jié)點(diǎn)為突出強(qiáng)度。（2）隱含層結(jié)構(gòu)。隱含層的結(jié)構(gòu)包括了其層數(shù)和節(jié)點(diǎn)單元數(shù)。本文中所設(shè)計(jì)的輸入層與輸出層比較簡(jiǎn)單，故可以只取一層作為隱含層的層數(shù)，由此可以在完成需要的映射同時(shí)還能夠提升網(wǎng)絡(luò)的運(yùn)算速度和預(yù)測(cè)的精確度。在隱含層節(jié)點(diǎn)數(shù)的確定方面，為了使神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)盡可能的簡(jiǎn)單，應(yīng)選用較少的節(jié)點(diǎn)數(shù)。利用隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式，為了使輸出誤差達(dá)到最小，盡可能多的進(jìn)行試湊，經(jīng)計(jì)算將隱含層的節(jié)點(diǎn)數(shù)確定為10個(gè)。所用隱含層節(jié)點(diǎn)數(shù)經(jīng)驗(yàn)公式為：式中：n為輸入層節(jié)點(diǎn)個(gè)數(shù)，m為輸出層節(jié)點(diǎn)個(gè)數(shù)，a為常數(shù)，取值范圍為1～10。綜上所述，該爆破強(qiáng)度模型結(jié)

4、構(gòu)設(shè)定為三層的4—10—1結(jié)構(gòu)。3.2　學(xué)習(xí)樣本數(shù)據(jù)本文利用某煤礦的煤與瓦斯突出原始數(shù)據(jù)中，在不同的煤層瓦斯含量，瓦斯壓力，媒的堅(jiān)固系數(shù)和瓦斯放散初速度條件下的突出強(qiáng)度進(jìn)行了詳細(xì)的試驗(yàn)。本次研究采用18個(gè)試驗(yàn)所獲不同條件下具有代表性的突出強(qiáng)度數(shù)據(jù)來(lái)建立學(xué)習(xí)樣本(表1)。表1　土朱礦煤與瓦斯突出原始數(shù)據(jù)3.3　學(xué)習(xí)樣本訓(xùn)練及預(yù)測(cè)結(jié)果3.3.1　網(wǎng)絡(luò)訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)由上面已確定，然后選擇符合要求的傳輸函數(shù)和學(xué)習(xí)函數(shù)，從而完成對(duì)網(wǎng)絡(luò)模型的訓(xùn)練。本文中網(wǎng)絡(luò)模型為典型的三層結(jié)構(gòu)模型。參考選擇傳輸函數(shù)和學(xué)習(xí)函數(shù)的要求，將tansig函數(shù)確立為輸入層到

5、隱含層、隱含層到輸出層的傳輸函數(shù)。learngd函數(shù)作為學(xué)習(xí)函數(shù),。將提供的學(xué)習(xí)樣本經(jīng)過1500次的學(xué)習(xí)之后，呈現(xiàn)出的訓(xùn)練結(jié)果如圖1所示，預(yù)測(cè)模型產(chǎn)生的誤差接近于預(yù)先設(shè)定值0.001，符合預(yù)先設(shè)定的要求。3.3.2　網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果及其驗(yàn)證（1）網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果。預(yù)測(cè)的過程大致為：首先對(duì)這些樣本數(shù)據(jù)利用確定的仿真函數(shù)進(jìn)行仿真實(shí)驗(yàn)，從而獲得輸出結(jié)果，然后再對(duì)該輸出進(jìn)行反歸一化處理，由此獲取突出強(qiáng)度的預(yù)測(cè)值。網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果如表2所示。（2）模型的驗(yàn)證。對(duì)擬合度進(jìn)行驗(yàn)證。預(yù)測(cè)模型的預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行比較，其擬合程度如圖2所示，由圖可

6、得到除了個(gè)別樣本以外，其余的預(yù)測(cè)值與實(shí)測(cè)值能夠達(dá)到很高程度的擬合，從而可以反映出煤與瓦斯突出的真實(shí)情況。4　結(jié)論仿真實(shí)驗(yàn)表明，BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測(cè)模型可以很好的表達(dá)各影響因素之間的非線性關(guān)系，得到的預(yù)測(cè)值與實(shí)際值擬合度很高，提高了預(yù)測(cè)的精度，具有確實(shí)的可行性，為煤礦的安全生產(chǎn)提供了可靠的依據(jù)。.jyqk.M.A.FundamentalsofArticialNeuralNetechanics,1994,29(9).［責(zé)任編輯：湯靜］