基于优化的神经网络模型在矿井瓦斯涌出预测中的应用研究

发布时间：2017-03-31 13:09

  本文关键词：基于优化的神经网络模型在矿井瓦斯涌出预测中的应用研究，由笔耕文化传播整理发布。

【摘要】：瓦斯是煤炭在开采过程中的伴生产物。煤层瓦斯的生成导致的结果是长期均匀的从煤体中涌出或者突然的大量涌出,能够引起燃烧和爆炸,而大量积聚时又会使人窒息甚至死亡。近年来瓦斯事故是煤矿安全生产最重要的灾害之一,事故发生特点具有突发性强、危害性大,一旦事故发生,造成的后果不仅仅是巨大的经济损失,而且造成矿工的身体伤害,更为严重的是矿毁人亡,最终后果是煤矿企业形象遭受影响、矿工无价生命的中断以及国家煤炭资源的浪费。因此,做好煤矿瓦斯涌出工作、控制煤矿瓦斯事故的发生是煤矿安全生产的当务之急,也是煤炭工业全面、协调、可持续的基础。 本文统计了近十年煤矿瓦斯事故发生的情况,分析了瓦斯涌出量的影响因素以及涌出发生的机理,瓦斯涌出常用预测方法即神经网络预测法在其预测中的基本思路,指出了神经网络模型在预测中存在的不足即传统网络模型收敛速度慢,易陷入局部极小以及泛化能力较弱。为了更科学合理的解决瓦斯涌出预测中的问题,在深入学习了灰色理论及其BP神经网络和RBF神经网络的基本工作原理及建模思路的基础之上,分析了这两种神经网络模型在预测中存在的优缺点,采用分辨系数改进的灰色关联分析算法对两种网络进行优化。通过更精确的灰色模型对两种神经网络的优化,在MATLAB仿真实验平台下运行,建立了瓦斯涌出预测模型,将其运用到实际煤矿预测中。本课题选取山西焦煤东曲矿作为实验对象,将利用分辨系数改进的灰色关联分析得出影响瓦斯涌出主控因素中影响较大的因素,即开采强度、煤层厚度、原始瓦斯含量、煤层埋藏深度做为预测模型的输入,根据各因素关联度的比重作为其输入权重,通过两种模型得出的结果证明优化的RBF神经网络模型比优化的BP神经网络模型更加可靠,预测效果更好。煤矿在保证安全以及达到预测精度要求的前提之下,运用优化的RBF神经网络模型的预测可以做的科学合理的预测。 由于每个矿井条件如地质构造、瓦斯赋存情况、煤层开采方式以及矿井通风系统格局等因素的不同,各个因素又与瓦斯涌出之间存在着复杂的关系。而本文所介绍的瓦斯涌出预测研究方法,使得矿井瓦斯涌出预测技术更成熟,在实际的矿井安全生产中提供了可借鉴的方法。
【关键词】：矿井瓦斯涌出 BP神经网络 RBF神经网络 灰色模型 分辨系数
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TD712.5
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 概述10-18
• 1.1 课题研究背景10-11
• 1.2 课题研究现状11-15
• 1.2.1 瓦斯涌出量预测研究现状11-13
• 1.2.2 神经网络研究现状13-15
• 1.3 课题研究技术路线及意义15-18
• 1.3.1 技术路线15-16
• 1.3.2 研究意义16-18
• 第二章 瓦斯涌出量相关基本理论18-32
• 2.1 瓦斯的生成及其赋存18-20
• 2.1.1 瓦斯的概念18
• 2.1.2 煤层瓦斯的生成18-19
• 2.1.3 瓦斯的赋存形式19-20
• 2.2 瓦斯的流动理论20-24
• 2.2.1 瓦斯流动的基本理论20-22
• 2.2.2 瓦斯在煤层中的运移22-24
• 2.3 瓦斯涌出量的主要影响因素24-27
• 2.3.1 地质因素25
• 2.3.2 自然因素25-26
• 2.3.3 开采因素26-27
• 2.4 矿井瓦斯涌出量预测——分源预测法27-31
• 2.4.1 回采工作面瓦斯涌出量预测27-29
• 2.4.2 掘进工作面瓦斯涌出量预测29-30
• 2.4.3 生产采区瓦斯涌出量预测30-31
• 2.4.4 矿井瓦斯涌出量预测31
• 2.5 本章小结31-32
• 第三章 瓦斯涌出量预测参数的确定32-40
• 3.1 灰色预测理论概述32-33
• 3.2 GM(1,1)预测模型的构建33-35
• 3.3 灰色关联分析理论35-38
• 3.3.1 灰色关联分析理论概述35
• 3.3.2 灰色关联分析主要步骤35-36
• 3.3.3 分辨系数ρ的改进36-38
• 3.4 基于改进的分辨系数的灰色关联分析在东曲矿中的应用38-39
• 3.5 本章小结39-40
• 第四章 瓦斯涌出量预测模型的构建40-58
• 4.1 人工神经元简介40-42
• 4.1.1 人工神经元数学模型40
• 4.1.2 人工神经网络构成要素40-42
• 4.1.3 人工神经元功能函数42
• 4.2 BP神经网络及其模型42-49
• 4.2.1 BP神经网络基本简介42-44
• 4.2.2 BP神经网络的工作原理44-46
• 4.2.3 BP神经网络灰色模型的建立及其学习过程46-49
• 4.3 RBF神经网络及其模型49-57
• 4.3.1 RBF神经网络工作原理49-52
• 4.3.2 RBF神经网络模型的改进52-55
• 4.3.3 RBF神经网络灰色模型的建立及其学习过程55-57
• 4.4 BP网络和RBF网络预测模型的比较57
• 4.5 本章小结57-58
• 第五章 东曲矿瓦斯涌出量预测模型的仿真58-70
• 5.1 东曲矿概况58-61
• 5.1.1 地理位置58
• 5.1.2 煤层赋存及其地质构造58-59
• 5.1.3 矿井的通风情况59-60
• 5.1.4 矿井瓦斯情况60-61
• 5.2 仿真实验平台——MATLAB简介61-63
• 5.3 仿真实验的过程及结果分析63-68
• 5.3.1 实验数据的选择与处理63-65
• 5.3.2 预测模型的建立65-68
• 5.4 本章小结68-70
• 第六章 小结与展望70-72
• 6.1 小结70-71
• 6.2 展望71-72
• 参考文献72-76
• 致谢76-78
• 攻读学位期间发表的学术论文78

【参考文献】

中国期刊全文数据库 前4条

1 刘超儒,马云东;矿井延深瓦斯涌出量的灰色预测[J];矿业安全与环保;2005年03期

2 秦勇;陈立潮;郭勇义;贺振武;;遗传优化的GNNM在瓦斯涌出量预测中的应用[J];计算机仿真;2012年01期

3 何希霖;高明涛;刘灿振;朱焕然;;赵官煤矿瓦斯涌出量的预测技术研究[J];金属矿山;2009年S1期

4 魏春荣;李艳霞;孙建华;米红伟;李s，

本文编号：279639