基于灰色理论与BP神经网络瓦斯涌出量预测研究

发布时间：2021-08-21 07:37

　　瓦斯涌出是煤炭行业井下作业难以控制的一个危险因素。为研究瓦斯涌出量的变化规律,提高瓦斯涌出量预测的准确性,本文结合灰色理论与BP神经网络构建了灰色—BP神经网络系统用于矿井瓦斯涌出量的预测。以山西某矿为工程背景,以MATLAB软件为计算平台,对上述方法和模型进行了应用实践和现场验证,将灰色预测、BP神经网络和灰色—BP神经网络预测结果和原始数据进行了对比分析。研究结果表明:灰色—BP神经网络预测的数据精确度和可靠性更高,计算的结果与原始数据的规律基本一致。因此,灰色—BP神经网络系统能较准确地预测矿井瓦斯涌出量,对预测瓦斯涌出量的预测方面具有一定的指导作用。 

【文章来源】：华北科技学院学报. 2020,17(02)

【文章页数】：7 页

【部分图文】：

BP网络拓扑结构图

利用新的灰色—BP神经网络模型对表2中的数据进行预测，灰色理论预测结果与实际结果偏差较大，特别是其绝对值。大于20%，分别在序号为2、3、4、14、16、17；大于50%，分别在序号为16、17；其他大部分还是预测比较准确的，仅在局部出现预测不准确的情况。将BP神经网络与灰色预测结合起来构建的灰色—BP神经网络预测模型有着很好的预测效果，与真实值得误差控制的非常小，总体上都能控制在10%以内。此外，将由原始绝对瓦斯涌出量、灰色预测模型预测值、灰色—BP神经网络模型预测值四种数据作对比，做成折线图如图3。由图3得出其灰色—BP神经网络预测值明显比其他两种预测值拟合的效果更好。在样本序号10以前灰色预测和灰色—BP神经网络预测结果和实际值相差不大，但在样本序号10以后，影响瓦斯涌出量的因素发生改变，灰色预测明显不能精准的对其进行准确的预测，但基于灰色—BP神经网络学习影响因素的变化而产生变化，使其能准确的进行预测。

图4为两种预测的误差绝对值的对比图，图中显示了灰色预测误差、BP神经网络预测误差以及灰色—BP神经网络预测误差。由图可知，灰色预测结果误差最大，且随机波动性较大，BP神经网络预测结果误差次之。灰色—BP神经网络预测误差最小，且误差波动较小，表明基于灰色—BP神经网络的瓦斯涌出量预测结果准确度有很大提高，且该方法预测结果稳定，无大幅度波动，不受人为因素和其他干扰因素的影响。图4 误差对比图

【参考文献】：
期刊论文
[1]瓦斯涌出量的人工神经网络预测的研究[J]. 徐琦,蒋勤,傅丹华,宗俊,金京,高巍.  宁波工程学院学报. 2019(03)
[2]基于灰色理论-多元回归分析的瓦斯含量预测[J]. 许满贵,高帅帅,曹艳军,卢亚楠,王娇娇.  煤矿安全. 2018(09)
[3]基于灰色理论的回采工作面瓦斯涌出量动态预测研究[J]. 秦志.  能源与环保. 2018(02)
[4]基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型[J]. 温廷新,于凤娥,邵良杉.  计算机应用研究. 2018(11)
[5]基于T-S模糊神经网络的瓦斯涌出量预测[J]. 刘亮亮,张利军,李胜利.  煤. 2017(05)
[6]矿井瓦斯灾害的预防与治理[J]. 王士伟.  内蒙古煤炭经济. 2017(Z1)
[7]瓦斯涌出量灰色-RBF网络模型的建立与应用[J]. 张水,曹庆贵,王帅.  中国矿业. 2016(10)
[8]基于GA-GRNN的瓦斯涌出量预测[J]. 崔义强,赵顺利.  现代矿业. 2016(01)
[9]浅议煤矿瓦斯的危害及治理对策[J]. 文武,刘勇.  山东工业技术. 2016(01)
[10]灰色Elman神经网络的矿井瓦斯涌出量预测[J]. 贾花萍.  计算机技术与发展. 2014(06)



本文编号：3355170