煤层瓦斯含量PSO-BP神经网络预测模型及其应用
发布时间:2023-09-17 18:14
为提高煤层瓦斯含量预测的科学性及准确性,提出基于粒子群算法(PSO)优化误差反向传播(BP)神经网络的瓦斯含量预测模型(PSO-BP模型);研究试验矿井煤层瓦斯含量与埋深、煤厚、底板标高以及测点与断层垂距等因素之间关系;对比分析该模型与多元线性回归模型和BP神经网络模型的预测结果。结果表明:随着埋深、煤厚及测点与断层垂距的增大,瓦斯含量变大,煤层底板标高增大,瓦斯含量变小;PSO-BP神经网络预测模型相对误差为2.4%~4.8%(平均3.1%),多元线性回归模型为2.3%~77.4%(平均27.7%),BP神经网络预测模型为7.5%~14.8%(平均10.2%),PSO-BP神经网络预测模型预测精度最高。
【文章页数】:8 页
【文章目录】:
0 引言
1 煤层瓦斯含量影响因素分析
1.1 煤层瓦斯含量基础数据
1.2 煤层瓦斯含量的影响因素
2 PSO-BP神经网络预测模型
2.1 BP神经网络参数选取
2.2 PSO算法优化模型
2.3 PSO-BP预测模型预测步骤
3 实例应用
3.1 样本数据
3.2 模型预测结果分析
3.2.1多元线性回归模型及其预测结果
3.2.2 PSO-BP神经网络模型预测结果
4 结论
本文编号:3847901
【文章页数】:8 页
【文章目录】:
0 引言
1 煤层瓦斯含量影响因素分析
1.1 煤层瓦斯含量基础数据
1.2 煤层瓦斯含量的影响因素
2 PSO-BP神经网络预测模型
2.1 BP神经网络参数选取
2.2 PSO算法优化模型
2.3 PSO-BP预测模型预测步骤
3 实例应用
3.1 样本数据
3.2 模型预测结果分析
3.2.1多元线性回归模型及其预测结果
3.2.2 PSO-BP神经网络模型预测结果
4 结论
本文编号:3847901
本文链接:https://www.wllwen.com/kejilunwen/anquangongcheng/3847901.html