基于循环神经网络的煤矿工作面瓦斯浓度预测模型研究
发布时间：2021-04-16 05:59
瓦斯灾害制约着煤矿安全生产的发展水平,瓦斯治理是高瓦斯煤矿开采工程中的重要环节,有效预测出下一时间段瓦斯浓度并做出合理的安全防护措施,可为煤矿瓦斯治理决策提供一定的参考依据。利用循环神经网络适合处理连续时间序列样本的特性,构建了一种基于循环神经网络的煤矿工作面瓦斯浓度预测模型。该模型以宽泛策略为原则初步确定预测模型网络结构参数,选取数据量更大、时间跨度更长的瓦斯浓度时间序列为训练样本。首先采用邻近均值法和插值法处理训练样本中的异常值和缺失值,同时采用最大最小值标准化法对数据进行归一化处理,其次以均方误差和运行时间为评价指标,采用自适应矩估计优化器优化模型权重,选取修正线性为激活函数,隐藏层中加入丢弃层,通过不断调节步长、网络层数等参数,最终得到最优的循环神经网络瓦斯预测模型。研究结果表明:相比于反向传播神经网络预测模型和双向循环神经网络预测模型,基于循环神经网络的煤矿工作面瓦斯浓度预测模型的训练误差降低至0.003,预测结果误差降低至0.006,具有更高的预测准确度;同时,预测误差波动范围在0.001～0.024,具有更好的稳定性和鲁棒性。基于循环神经网络的工作面瓦斯浓度预测模型具有更...
【文章来源】：煤炭科学技术. 2020,48(01)北大核心CSCD
【文章页数】：6 页
【部分图文】：
RNN结构图
RNN瓦斯浓度预测模型主要分4个步骤:数据采集、数据预处理、数据分析与建模、模型调优。笔者选取了某煤矿2018年7月1日到2018年11月2日的瓦斯监测数据作为试验样本，该数据包括抽采浓度、混合流量、累计抽采日流量、纯量、上隅角瓦斯浓度、回风流瓦斯浓度、工作面瓦斯浓度、工作面风量、温度、抽采负压，共计10 000条数据。其中数据预处理主要是针对数据进行清洗、数据缩放和划分;数据分析与建模则初步确定RNN预测模型的网络结构参数和相关函数，模型调优主要根据预测结果调节相关网络结构参数。图2为RNN瓦斯浓度预测模型流程。2.1 数据预处理
步长主要用于梯度下降算法中表示模型可利用时间序列数据间的关联信息。因此本试验以宽泛策略为原则，设定步长为50、100和200，分别对比不同步长下的训练误差和运行时间，运行效果如图3和表1所示。图3中步长为50和100时模型预测误差大致相同，但相比于步长为200时，步长为50和100时，在迭代次数为5～25次时波动性更小，收敛效果更佳。表1中步长为100时的运行时间虽不是最短的，但误差是最小的。综合考虑步长为100时效果最佳。在合理的范围内增大步长可有效提高内存利用率和精准度，当步长增大到一定程度后，梯度下降的方向基本不变，模型的预测精度和误差将不再提高。其原因为:数值较大的步长收敛速度较快，但易陷入局部最优;数值较小的步长引入的随机性更大，预测效果较好但收敛速度较慢，步长过小时会导致损失曲线震荡不收敛。
【参考文献】：
期刊论文
[1]基于RNN的机械臂任务模仿系统[J]. 于建均,吴鹏申,左国玉,阮晓钢,张远. 北京工业大学学报. 2018(11)
[2]基于多特征融合与双向RNN的细粒度意见分析[J]. 郝志峰,黄浩,蔡瑞初,温雯. 计算机工程. 2018(07)
[3]基于RNN和主题模型的社交网络突发话题发现[J]. 石磊,杜军平,梁美玉. 通信学报. 2018(04)
[4]基于注意力LSTM和多任务学习的远场语音识别[J]. 张宇,张鹏远,颜永红. 清华大学学报(自然科学版). 2018(03)
[5]一种基于RNN的社交消息爆发预测模型[J]. 笱程成,秦宇君,田甜,伍大勇,刘悦,程学旗. 软件学报. 2017(11)
[6]基于RNN的空气污染时空预报模型研究[J]. 范竣翔,李琦,朱亚杰,侯俊雄,冯逍. 测绘科学. 2017(07)
[7]基于改进BP神经网络的矿井瓦斯浓度预测算法[J]. 姚青华,邱本花. 煤炭技术. 2017(05)
[8]基于混沌粒子群神经网络的瓦斯浓度预测[J]. 耿越. 中国煤炭. 2017(03)
[9]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响. 煤矿安全. 2016(11)
[10]Study of Sentiment Classification for Chinese Microblog Based on Recurrent Neural Network[J]. ZHANG Yangsen,JIANG Yuru,TONG Yixuan. Chinese Journal of Electronics. 2016(04)
本文编号：3140878
【文章来源】：煤炭科学技术. 2020,48(01)北大核心CSCD
【文章页数】：6 页
【部分图文】：
RNN结构图
RNN瓦斯浓度预测模型主要分4个步骤:数据采集、数据预处理、数据分析与建模、模型调优。笔者选取了某煤矿2018年7月1日到2018年11月2日的瓦斯监测数据作为试验样本，该数据包括抽采浓度、混合流量、累计抽采日流量、纯量、上隅角瓦斯浓度、回风流瓦斯浓度、工作面瓦斯浓度、工作面风量、温度、抽采负压，共计10 000条数据。其中数据预处理主要是针对数据进行清洗、数据缩放和划分;数据分析与建模则初步确定RNN预测模型的网络结构参数和相关函数，模型调优主要根据预测结果调节相关网络结构参数。图2为RNN瓦斯浓度预测模型流程。2.1 数据预处理
步长主要用于梯度下降算法中表示模型可利用时间序列数据间的关联信息。因此本试验以宽泛策略为原则，设定步长为50、100和200，分别对比不同步长下的训练误差和运行时间，运行效果如图3和表1所示。图3中步长为50和100时模型预测误差大致相同，但相比于步长为200时，步长为50和100时，在迭代次数为5～25次时波动性更小，收敛效果更佳。表1中步长为100时的运行时间虽不是最短的，但误差是最小的。综合考虑步长为100时效果最佳。在合理的范围内增大步长可有效提高内存利用率和精准度，当步长增大到一定程度后，梯度下降的方向基本不变，模型的预测精度和误差将不再提高。其原因为:数值较大的步长收敛速度较快，但易陷入局部最优;数值较小的步长引入的随机性更大，预测效果较好但收敛速度较慢，步长过小时会导致损失曲线震荡不收敛。
【参考文献】：
期刊论文
[1]基于RNN的机械臂任务模仿系统[J]. 于建均,吴鹏申,左国玉,阮晓钢,张远. 北京工业大学学报. 2018(11)
[2]基于多特征融合与双向RNN的细粒度意见分析[J]. 郝志峰,黄浩,蔡瑞初,温雯. 计算机工程. 2018(07)
[3]基于RNN和主题模型的社交网络突发话题发现[J]. 石磊,杜军平,梁美玉. 通信学报. 2018(04)
[4]基于注意力LSTM和多任务学习的远场语音识别[J]. 张宇,张鹏远,颜永红. 清华大学学报(自然科学版). 2018(03)
[5]一种基于RNN的社交消息爆发预测模型[J]. 笱程成,秦宇君,田甜,伍大勇,刘悦,程学旗. 软件学报. 2017(11)
[6]基于RNN的空气污染时空预报模型研究[J]. 范竣翔,李琦,朱亚杰,侯俊雄,冯逍. 测绘科学. 2017(07)
[7]基于改进BP神经网络的矿井瓦斯浓度预测算法[J]. 姚青华,邱本花. 煤炭技术. 2017(05)
[8]基于混沌粒子群神经网络的瓦斯浓度预测[J]. 耿越. 中国煤炭. 2017(03)
[9]深度学习耦合粒子群优化SVM的瓦斯浓度预测[J]. 钱建生,邱春荣,李紫阳,吴响. 煤矿安全. 2016(11)
[10]Study of Sentiment Classification for Chinese Microblog Based on Recurrent Neural Network[J]. ZHANG Yangsen,JIANG Yuru,TONG Yixuan. Chinese Journal of Electronics. 2016(04)
本文编号：3140878
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3140878.html
