基于ASGSO-ENN算法的瓦斯涌出量动态预测模型

发布时间：2020-02-16 11:42

【摘要】：针对煤矿瓦斯涌出量的多影响因素预测问题,引入荧光因子以自适应调整搜索步长,用于改善基本萤火虫算法后期收敛速度慢及容易陷入局部最优的缺陷。将改进后的自适应步长萤火虫算法与Elman动态反馈神经网络相结合,用于辨识瓦斯涌出非线性系统。通过实时对网络的权值、阈值进行全局寻优,建立基于ASGSO-ENN耦合算法的绝对瓦斯涌出量预测模型。利用矿井监测到的各项历史数据进行实验,结果表明,该模型的预测均方根误差为0.103 4,平均相对变动值为0.000 387。相比于其他工程常用的预测模型,具备更高的预测精度与更强的泛化能力。
【图文】：

3)，煤层倾角(d4)，煤层埋藏深度(d5)，层间岩性(d6)，煤层与邻近煤层的层间距(d7)，工作面长度(d8)，采高(d9)，日工作进度(d10)，邻近层原始瓦斯含量(d11)，，开采强度(d12)，工作面采出率(d13)。以这13个主要影响因素归一化处理后构成模型输入序列的一部分并输入到Elman神经网络的输入层，即:I(τ)=［d1(τ)，d2(τ)，…，d13(τ)］。将ASGSO优化算法搜索到的适应度最好的一组权值、阈值向量反馈到Elman神经网络得到绝对瓦斯涌出量预测模型，结构如图1所示。图1ASGSO-ENN瓦斯涌出量预测模型结构4瓦斯涌出量预测实验及分析4．1ASGSO-ENN模型初始化根据瓦斯涌出量影响因素及网络特点确定Elman神经网络结构参数及ASGSO算法的参数初始化。输入层神经元个数:S1=13+1=14;隐含层与关联层神经元个数相等，均为S2=16;输出层神经元个数S3=1;萤火虫种群规模为50;荧光素挥发系数ρ=0．5，更新率γ=0．8;初始荧光素值l0=5;感知范围r0=12;初始步长Si(0)=0．04;最大步长与最小步长分别为Smax=1，Smin=10－3;最大迭代次数为200。规定模型训练的允许误差范围为10－4以下。4．2数据组成及预处理实验数据来自开滦矿业集团钱营矿2074工作面的KJ90N煤矿安全综合监测系统。截取2013年12月－2014年3月的瓦斯监测数据。按主要影响因素筛选出了18组数据，其中，1组～14组用于模型的训练;15组～18组为测试样本集用于验证模型的预测效果。具体数据如表1所示。319

酕釻绲募だ釳

本文编号：2580094