基于PCA的PSO-DE混合算法优化BP神经网络在煤与瓦斯突出预测中的应用研究

发布时间：2017-04-05 11:16

  本文关键词：基于PCA的PSO-DE混合算法优化BP神经网络在煤与瓦斯突出预测中的应用研究，由笔耕文化传播整理发布。

【摘要】：煤炭是我国应用非常广泛的一级能源和燃料，我国社会经济的发展以及人民群众生活的质量都与煤炭息息相关。为了满足煤炭资源的需求，煤炭开采深度在不断加大，由于地质条件十分复杂，再加之开采技术发展的缓慢和安全管理水平的落后，导致煤炭的开采难度增大、危险系数提高，煤矿事故时有发生。其中煤与瓦斯突出是煤矿事故中最严重的灾害之一，严重威胁着井下作业人员的生命安全，制约着煤炭行业的快速、良好的发展。因此，对突出事故的准确预测与有效防御是一项非常重要的工作。 本文对目前国内外的有关突出的预测方法进行了梳理与分析，并且对突出产生的原因、规律、条件以及其重要机理进行了详尽的论述，为选择有效的预测方法提供了一定的理论基础。针对突出影响因素之间存在的非线性关系这一特征，采用传统的预测方法已经远远不能满足目前矿井安全生产的需要。为了有效的解决此问题，在深入学习主成分分析法（PCA）、BP神经网络、DE算法和PSO算法的相关理论的基础上，结合前人的研究成果，分析了它们的优缺点，并将后两种算法有效的混合起来形成了全新的一种更加有效的算法——PSO-DE混合算法。由于这种混合算法的优点在很大程度上能弥补BP神经网络的不足，因此采用该算法对网络进行优化。在此基础上建立了基于PCA的PSO-DE混合算法优化BP神经网络的突出预测模型，并以山西焦煤西山煤电屯兰矿作为实际研究现场，根据矿井的地质开采条件及瓦斯赋存条件选取了5个突出预测指标，经过对这些指标进行主成分分析，确定了贡献率（累积）不小于85%的2个占主导作用的主成分来替换以上的5个预测指标，将优选出的2个综合指标作为改进网络的输入值。通过运算，预测结果与现场实际观测结果相同，证明该预测模型在突出预测方面具有良好的泛化能力和满意的精度。与传统的预测方法进行比较发现该方法具有准确率高、所用时间短、适用性强等特点。根据预测结果，选择、实施科学合理的防治措施，能有效地节省防突整个过程及某个环节中的工程量，这样不仅大大缩短了防治的周期、提高了防突的效果，，更为提高煤矿生产水平、提升矿井安全管理水平、提高矿井经济效益奠定了坚实的基础。
【关键词】：PSO-DE混合算法 煤与瓦斯突出 主成分分析 BP神经网络 预测
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP183;TD713.2
【目录】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 绪论10-22
• 1.1 引言10
• 1.2 研究的目的与意义10-11
• 1.3 国内外煤与瓦斯突出概况11-13
• 1.3.1 国外煤与瓦斯突出概况11-12
• 1.3.2 国内煤与瓦斯突出概况12-13
• 1.4 煤与瓦斯突出预测研究现状13-19
• 1.4.1 国外研究现状13-15
• 1.4.2 国内研究现状15-19
• 1.5 差分进化算法的国内外研究现状19-20
• 1.6 本文的研究内容及步骤20-22
• 1.6.1 本文的研究内容20-21
• 1.6.2 研究步骤21-22
• 第二章 煤与瓦斯突出机理及影响因素22-32
• 2.1 煤与瓦斯突出机理研究现状22-26
• 2.2 煤与瓦斯突出的一般规律26-27
• 2.3 影响煤与瓦斯突出的主要因素27-30
• 2.3.1 地应力27
• 2.3.2 煤层的厚度27-28
• 2.3.3 地质构造28-29
• 2.3.4 瓦斯参数29
• 2.3.5 煤体的结构与煤质29
• 2.3.6 其他因素29-30
• 2.4 本章小结30-32
• 第三章 PCA-BP 神经网络煤与瓦斯突出预测模型32-50
• 3.1 影响煤与瓦斯突出因素的主成分分析32-39
• 3.1.1 主成分分析原理32-34
• 3.1.2 煤与瓦斯突出影响因素的主成分分析34-39
• 3.2 人工神经网络39-41
• 3.2.1 人工神经网络简介39-40
• 3.2.2 神经网络的组成要素40
• 3.2.3 人工神经网络的主要算法40-41
• 3.3 BP 神经网络41-43
• 3.3.1 BP 神经网络的工作原理41-42
• 3.3.2 BP 神经网络的学习步骤42-43
• 3.3.3 BP 神经网络的主要特点43
• 3.4 PCA-BP 神经网络突出预测模型的建立43-49
• 3.4.1 预测模型的参数43-44
• 3.4.2 突出预测模型实验平台——MATLB 简介44-45
• 3.4.3 突出预测模型在 MATLAB 中的实现45-46
• 3.4.4 PCA-BP 神经网络预测突出模型的训练及测试46-49
• 3.5 本章小结49-50
• 第四章 基于 PCA 的 PSO-DE 混合算法优化 BP 神经网络预测模型50-64
• 4.1 差分进化算法50-53
• 4.1.1 差分进化算法的介绍50
• 4.1.2 标准差分算法50-52
• 4.1.3 DE 算法的参数52
• 4.1.4 DE 算法的主要特点52-53
• 4.2 粒子群算法53-57
• 4.2.1 粒子群算法的发展53
• 4.2.2 基本粒子群算法的原理53-55
• 4.2.3 粒子群算法的计算步骤及流程图55-56
• 4.2.4 粒子群算法的改进56-57
• 4.2.5 粒子群算法的主要特点57
• 4.3 基于 PCA 的 PSO-DE 优化 BP 神经网络的预测模型57-62
• 4.3.1 PSO-DE 混合算法的原理57-58
• 4.3.2 PSO-DE 混合算法优化 BP 神经网络58-60
• 4.3.3 参数的设置60-61
• 4.3.4 基于 PCA 的 PSO-DE 混合算法优化 BP 神经网络模型的测试61-62
• 4.4 本章小结62-64
• 第五章 突出预测模型在屯兰矿的实际应用64-80
• 5.1 屯兰矿的概况64-67
• 5.1.1 地理位置64-65
• 5.1.2 煤层赋存65-66
• 5.1.3 开拓方式66-67
• 5.1.4 矿井的通风系统67
• 5.2 屯兰矿的煤与瓦斯突出主要因素的分析67-70
• 5.3 预测指标的确定70-72
• 5.4 预测煤与瓦斯突出指标的测定72-75
• 5.4.1 钻屑瓦斯解吸指标(K 1)的测定72-73
• 5.4.2 煤的坚固系数(f)的测定73
• 5.4.3 最大钻屑量(S)的测定73-74
• 5.4.4 瓦斯放散初速度(Δp)的测定74-75
• 5.4.5 钻孔瓦斯涌出初速度(q0)的测定75
• 5.5 屯兰矿煤与瓦斯突出预测实例分析75-78
• 5.6 本章小结78-80
• 第六章 主要结论与展望80-82
• 6.1 主要结论80-81
• 6.2 不足与展望81-82
• 参考文献82-86
• 附录86-90
• 致谢90-92
• 在校期间研究成果92

【参考文献】

中国期刊全文数据库 前10条

1 郭德勇;李念友;裴大文;郑登锋;;煤与瓦斯突出预测灰色理论-神经网络方法[J];北京科技大学学报;2007年04期

2 丁兴华;陈俊杰;;基于主成分分析法的Web页面推荐算法[J];电脑开发与应用;2009年07期

3 文光才,徐三民;煤矿瓦斯防治技术的新进展[J];矿业安全与环保;2000年01期

4 秦彦磊;阮欣;肖新伟;;石门揭煤防瓦斯突出技术研究[J];黑龙江科技信息;2011年29期

5 孙海涛;胡千庭;梁运陪;吴教锟;;煤与瓦斯突出预测的自适应神经-模糊推理系统研究[J];河南理工大学学报(自然科学版);2007年04期

6 胡桂武;胡劲松;;迁徙差分进化算法集成及其在RNA二级结构预测中的应用[J];计算机应用;2008年04期

7 陈勇 ,魏忠杰 ,米立公;世界煤炭大国煤矿安全生产调查[J];劳动保护;2005年06期

8 仇海生;张保泉;;利用煤钻屑瓦斯解吸指标法测定煤层瓦斯含量[J];煤矿安全;2007年07期

9 肖俊贤;李希建;孟昭君;;模糊聚类评估法在煤与瓦斯突出预测中的应用[J];煤炭技术;2011年05期

10 魏风清,张晋京;钻孔瓦斯涌出初速度测试深度的探讨[J];煤炭科学技术;2004年05期

中国博士学位论文全文数据库 前3条

1 邓明;煤与瓦斯突出早期辨识与实时预警技术研究[D];安徽理工大学;2010年

2 杨恒;鹤壁八矿煤与瓦斯突出危险性预测研究[D];辽宁工程技术大学;2010年

3 段东;煤与瓦斯突出影响因素及微震前兆分析[D];东北大学　;2009年

  本文关键词：基于PCA的PSO-DE混合算法优化BP神经网络在煤与瓦斯突出预测中的应用研究，由笔耕文化传播整理发布。

本文编号：287023