论文部分内容阅读
煤矿瓦斯涌出量预测是矿井瓦斯灾害防治研究的重要部分,如何高效准确的预测瓦斯涌出量,为矿井瓦斯抽采设计提供数据基础,对于高瓦斯矿井的安全生产有着重要的现实研究意义。论文综合分析国内外研究现状,建立瓦斯涌出量预测多因素指标体系,并通过影响因素降维以及构建思维进化算法优化BP神经网络预测模型,对工作面瓦斯涌出量进行精准预测。主要研究内容和结论如下:(1)综合分析地质条件、煤层特征及通风、开采因素以及气候因素四个大的方面对瓦斯涌出量的影响,筛选出矿井工作面的瓦斯涌出量影响因子,构建由12个影响因素组成的瓦斯涌出量预测指标体系,再对预测指标与瓦斯涌出量之间进行关联度分析。(2)采用主成分分析法(PCA)对建立的瓦斯涌出量预测指标体系进行降维处理。在此基础上,利用斯皮尔曼(Spearman)相关系数分析对主成分分析法加以改进,将改进前后的主成分分析法降维效果进行对比分析,结果表明,传统主成分分析法将原本的12变量降维至7个变量,而改进主成分分析法能使原本指标降维至3个变量,实现了数据进一步简化,减少原始数据中冗余信息所造成的误差,从而提高预测精度。(3)选取BP神经网络算法作为基础预测模型,通过增加思维进化算法(MEA)对BP神经网络的权值和阈值进行优化,提高瓦斯涌出量预测结果的精准度和算法的学习效率,建立MEA-BP神经网络预测模型。对降维后的瓦斯涌出量数据进行预测,误差结果表明,平均绝对误差为0.0486,平均相对误差为3.58%,决定系数R2为0.939。(4)为了验证论文提出的改进PCA-MEA-BP神经网络预测模型的优良性,将该模型分别与传统BP神经网络模型、改进PCA-BP神经网络模型以及MEA-BP神经网络模型进行对比,并将它们的预测结果进行误差分析。最终研究结果表明,改进PCA-MEA-BP神经网络预测模型与三种对比模型的预测误差精度相比,分别降低了 6.36%,3.06%,2.66%,预测效果最佳,满足实际精度需求,具有较强的实用价值。