Research on coalbed gas content prediction method based on LSSA-BP neural network
-
摘要:
为提高煤层瓦斯含量预测的精准性和可靠性，提出基于Logistic混沌映射改进的麻雀搜索算法优化BP神经网络的煤层瓦斯含量预测模型（LSSA-BP模型）。先通过灰色关联分析法（GRA）筛选瓦斯含量的主控因素作为LSSA-BP预测模型的输入层节点数，后利用Logistic混沌映射初始化麻雀种群以增加种群多样性，再采用LSSA对BP神经网络的权值和阈值进行优化，解决了单一BP模型收敛速度慢和易陷入局部极小的问题；通过模型应用，将LSSA-BP、SSA-BP和BP模型的预测结果进行对比。结果表明：LSSA-BP预测模型的平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.3469 m3/t、0.1721 m3/t、0.4149 m3/t和27.4036%，均优于其他模型，提高了煤层瓦斯含量预测的准确性和稳定性。
-
关键词:
- 煤层瓦斯含量 /
- BP神经网络 /
- 麻雀搜索算法 /
- Logistic混沌映射 /
- 灰色关联分析
Abstract:In order to improve the accuracy and reliability of coal seam gas content prediction, this paper proposed the coal seam gas content prediction model (LSSA-BP model) based on Logistic chaotic mapping improved sparrow search algorithm to optimize BP neural network. Firstly, the main control factors of gas content were selected using grey correlation analysis (GRA) as the node number of the input layer of the LSSA-BP prediction model. Then, the sparrow population was initialized by Logistic chaotic mapping to increase the diversity of the population. The problems of slow convergence rate and easy to fall into local minimum of single BP model are solved. Through model application, the prediction results of LSSA-BP, SSA-BP and BP models are compared. The results show that: the mean absolute error (MAE), mean square error (MSE), root mean square error (RMSE) and mean absolute percentage error (MAPE) of LSSA-BP prediction model were 0.346 9 m3/t, 0.172 1 m3/t, 0.414 9 m3/t and 27.4036%, respectively, which were better than other models. The accuracy and stability of coal seam gas content prediction are improved.
-
以往针对褶曲构造影响区内的煤层开采研究多集中于构造应力场对于煤层开采的影响，诸多学者从构造应力场的角度分析了其对工作面开采造成的强矿压显现。陈国祥等[1-3]通过研究华砚矿区典型褶曲构造区地应力场在工作面开采前后的演变规律，提出了诱发冲击地压的临界最大主应力理论；谢克坷等[4]基于褶曲构造区实测地应力进行三维数值模拟计算，揭示了地应力与冲击地压的相互关系及影响程度；赵善坤等[5]基于现场实测和数值模拟的方法对褶曲构造区内巷道围岩稳定性与冲击地压的关系进行了研究，揭示了受褶曲构造应力影响下煤田动力灾害的诱发机理；潘俊锋等[6]通过分析黄陇侏罗纪煤田内各矿井冲击地压显现特征，提出褶曲构造与厚硬顶板岩层均为冲击地压发生的主导因素；欧阳振华[7]通过研究褶曲构造区应力对于诱发煤矿冲击地压的影响，提出了针对性的褶曲构造区应力控制技术；康红普等[8]通过分析褶曲构造区巷道围岩冲击破坏特征，并对锚杆、锚索受力特征进行了研究，提出了采用高冲击韧性锚杆支护围岩及支护参数优化设计方法。以上这些研究主要是从褶曲构造应力场对于煤层开采影响的角度出发，研究褶曲构造影响区内煤层冲击地压的诱发机理[9-10]，并通过改良支护构件和优化支护参数来提高围岩抵抗冲击的能力，而关于褶曲构造影响区内煤层沿倾向方向倾角变化对于煤层开采影响的研究甚少。为此，系统的研究了宝积山煤矿七采区内褶曲翼部影响区不同工作面开采期间的动、静载荷演变规律，并从煤层倾角的角度分析了不同工作面开采期间冲击地压显现特征，进而为本矿井及具有类似工程地质条件的矿井内煤层开采期间冲击地压诱发机理和防治提供参考。
1. 工程概况
1.1 采区工程地质概况
隶属于甘肃靖远煤业的宝积山煤矿目前正在开采井田内东翼侧七采区内的工作面，其主采1#煤层倾角为6°~ 48°，煤层平均厚度为7.8 m，其直接开采高度为3.5 m，放顶煤厚度为4.3 m，采放比接近1∶1.2。七采区内褶曲翼部影响区工作面位置关系情况如图1。
![]()
图 1 褶曲翼部影响区工作面位置关系示意图Figure 1. Schematic diagrams of position relation of working face in the influence area of fold structure wing1.2 强矿压动力显现概况
701综放工作面位于褶曲背斜轴部影响区，其开采位置处煤层平均倾角仅为6°，可视作近水平煤层开采情况。其接续的703综放工作面开始进入褶曲翼部影响区内，其回采期间强矿压动力显现开始增多，703和705综放工作面采掘期间强矿压动力显现汇总统计情况如图2。
![]()
图 2 强矿压动力显现汇总统计结果Figure 2. Summary statistical results of dynamic development of strong mine pressure由图2可知：703和705综放工作面采掘期间强矿压动力显现主要发生在回采期间，分别为18次和11次，且显现位置主要集中于回风平巷内，分别为27次和14次；同时703综放工作面采掘期间总共发生强矿压动力显现次数要明显多于705综放工作面采掘期间，分别为32次对17次。可见，无论是703或705综放工作面采掘期间，强矿压动力显现主要发生于沿空侧回风平巷内。同时考虑到705综放工作面尚未回采结束，可知倾角较小的703综放工作面（平均倾角为17°）较倾角较大的705综放工作面（平均倾角为45°）更易诱发强矿压动力显现。
2. 不同煤层倾角冲击地压发生机理
2.1 动静载叠加诱冲机理
七采区内褶曲翼部影响区工作面采掘期间诱冲机理主要可以看作为由采掘空间围岩内积聚的高集中静载${\sigma _{\rm{j}}}$和上覆岩层破断所形成的剧烈动载${\sigma _{\rm{d}}}$叠加所致[11-13]，动静载叠加诱冲机理示意图如图3。
![]()
图 3 动静载叠加诱冲机理示意图Figure 3. Schematic diagram of dynamic and static load superposition induced rock burst mechanism根据图3可知，沿空侧巷道两侧巷帮内煤体中积聚的集中静载分别为${\sigma _{{\rm{j1}}}}$和${\sigma _{{\rm{j2}}}}$，两者中取值较大的一侧巷帮内煤体更容易失稳发生破坏，集中静载较大值满足式（1）：
$$ {\sigma _{{\rm{j}}\max }} = \max \left\{ {{\sigma _{{\rm{j1}}}},{\text{ }}{\sigma _{{\rm{j2}}}}} \right\} $$ (1) 式中：${\sigma _{{\rm{j}}\max }}$为集中静载较大值，MPa。
随着工作面的回采推进，其上方低位岩层首先发生破断，形成较小的剧烈动载${\sigma _{{\rm{dn}}}}$（近场应力扰动），如若此时低位岩层瞬时破断而导致煤岩系统中煤体所积聚的能量大于其破坏所消耗的能量，则将诱使煤岩系统中煤体突然发生失稳破坏；如果此时低位岩层缓慢破断而导致煤岩系统中煤体所积聚的能量大于其破坏所消耗的能量，则将诱使煤岩系统中煤体缓慢或突然发生失稳破坏，进而诱发强矿压或一般冲击地压显现。关于煤岩系统中煤体失稳破坏的能量条件满足式（2）：
$$ \frac{{{{({\sigma _{{\rm{j}}\max }} + {\sigma _{{\rm{dn}}}})}^2}}}{{2{E_{{\rm{cr}}}}}}{{ - }}{{{U}}_{\min }} > 0 $$ (2) 式中：$ {U_{\min }} $为煤岩系统中煤体破坏所消耗的能量，kJ；${E_{{\rm{cr}}}}$为煤岩系统中煤体的弹性模量，MPa。
随着工作面进一步的回采推进，当低位岩层破断跨落范围较大时，此时其上方的高位岩层处于大范围悬顶也开始发生破断，且高位岩层破断时所形成的剧烈动载${\sigma _{{\rm{df}}}}$（远场应力扰动）要远高于低位岩层的，进而在动静载叠加作用下煤岩系统中煤体所积聚的能量满足式（3）：
$$ \frac{{{{({\sigma _{{\rm{j}}\max }} + {\sigma _{{\rm{df}}}})}^2}}}{{2{E_{{\rm{cr}}}}}} > > \frac{{{{({\sigma _{{\rm{j}}\max }} + {\sigma _{{\rm{dn}}}})}^2}}}{{2{E_{{\rm{cr}}}}}} $$ (3) 由式(3)可知，在远场剧烈动载扰动作用下煤岩系统中煤体所积聚的能量要远大于近场剧烈动载扰动作用下的煤体所积聚的能量，这表明此时煤岩系统中煤体将更加容易突然发生失稳破坏，进而诱发严重冲击地压显现。
而关于煤岩系统失稳破坏期间的应力−应变曲线[14-16]如图4。
![]()
图 4 煤岩系统失稳破坏期间应力−应变曲线Figure 4. Stress-strain curves of coal-rock system during instability failure由图4可知，动静载叠加作用下煤岩系统失稳破坏的应力−应变曲线共有3种类型。当煤岩系统处于图4(a)的静态破坏类型时，此时顶板的刚度满足$ k > 0 $，煤体的刚度满足$ f' < 0 $，同时满足$ k{\text{ + }}f' > 0 $，进而煤岩系统中煤体缓慢发生失稳破坏；当煤岩系统处于图4(b)的动态破坏类型I时，此时顶板的刚度满足$ k > 0 $，煤体的刚度满足$ f' < 0 $，同时满足$ k{\text{ + }}f' < 0 $，进而煤岩系统中煤体突然发生失稳破坏；当煤岩系统处于图4(c)的动态破坏类型II时，此时顶板的刚度满足$ k > k' > 0 $，煤体的刚度满足$ f' < 0 $，同时满足$ k'{\text{ + }}f' < 0 $，进而煤岩系统中煤体突然发生失稳破坏，且强度更猛烈。
2.2 不同煤层倾角静载演化机理分析
将七采区内褶曲翼部影响区工作面及其上覆岩层视作弹性介质，并且近似地认为其满足Winkler弹性地基假定[17-18]，则建立的不同煤层倾角工作面沿倾向方向力学简化模型如图5。
![]()
图 5 不同煤层倾角工作面沿倾向方向力学简化模型Figure 5. Simplified mechanical model of working face with different coal seam inclinations along dip direction由图5可知，基本顶对下方开采煤层所施加的压载作用导致煤体沿y轴方向发生了压缩形变，进而导致下方开采煤层对上方基本顶产生一反向支承作用力，其大小可由式（4）计算：
$$ {p_{\rm{c}}} = {k_{\rm{c}}} \cdot y $$ (4) 式中：${p_{\rm{c}}}$为开采煤层对上方基本顶的反向支承作用力，kN/m；${k_{\rm{c}}}$为煤层的Winkler地基系数，MPa；$ y $为煤层的压缩形变量，m。
将基本顶视作半无限长梁结构，并以上区段采空区下侧边界位置处定义为$ x = 0 $，同时假设基本顶上覆垂向均布载荷为$ {q_y} $，悬顶段长度为$ L $，悬顶段端头所受到的垂向剪切应力为$ Q $，轴向挤压应力为$ N' $，$ x = 0 $位置处基本顶垂向截面内的剪切应力、轴向挤压应力和弯矩分别为$ {Q_0} $、$ N $和$ {M_0} $。基于图5力学简化模型，可以推导出基本顶不同区间的变形微分方程，如式（5）：
$$ \left\{ \begin{gathered} {E_{\rm{r}}}{I_{\rm{r}}}y'''' + Ny'' = {q_y} - {p_{\rm{c}}}{\text{ }}(0 \leqslant x < W) \\ {E_{\rm{r}}}{I_{\rm{r}}}y'''' + Ny'' = {q_y}{\text{ }}(W \leqslant x < W{\text{ + }}{W_1}) \\ {E_{\rm{r}}}{I_{\rm{r}}}y'''' + Ny'' = {q_y} - {p_{\rm{c}}}{\text{ }}(W{\text{ + }}W \leqslant x < \infty ) \\ \end{gathered} \right. $$ (5) 式中：$ {I_{\rm{r}}} $为基本顶横截面的惯性矩，m4；${E_{\rm{r}}}$为基本顶的弹性模量，MPa；W为煤柱宽度，m，W1为巷道宽度，m。
联立式(4)和式(5)，并参照Timoshenko的解，可以得到基本顶对下方开采煤层施加的压载作用所造成的煤层压缩形变量计算公式为：
$$ y = {{\rm{e}}^{ - \nu x}}\left[ {\frac{{r{M_0} + 2\nu {Q_0}}}{{{E_{\rm{r}}}{I_{\rm{r}}}r\left( {r - s} \right)}}\cos\; \alpha x - \frac{{2\nu r{M_0} + s{Q_0}}}{{2{E_{\rm{r}}}{I_{\rm{r}}}r\left( {r - s} \right)\beta }}\sin \;\alpha x} \right] $$ (6) 式中：$ \alpha $为煤层倾角，（°）；$ \nu $、$ r $、$ s $分别为不同的系数值，其中：$ \nu {\text{ = }}\sqrt {{r \mathord{\left/ {\vphantom {r 2}} \right. } 2} - {s \mathord{\left/ {\vphantom {s 4}} \right. } 4}} $，$s{\text{ = }}{N \mathord{\left/ {\vphantom {N {{E_{\rm{r}}}{I_{\rm{r}}}}}} \right. } {{E_{\rm{r}}}{I_{\rm{r}}}}}$，$r{\text{ = }}\sqrt {{{{k_{\rm{c}}}} \mathord{\left/ {\vphantom {{{k_{\rm{c}}}} {{E_{\rm{r}}}{I_{\rm{r}}}}}} \right. } {{E_{\rm{r}}}{I_{\rm{r}}}}}}$。
根据现场工程地质条件以及工程实践经验，${E_{\rm{r}}}$为2.7×104 MPa，${I_{\rm{r}}}$为8.5 m4。基于现场调研情况可知基本顶悬顶段长度$ L $为11.2 m，基本顶平均密度为2.5 t/m3，平均厚度为35 m，则可以确定相应的剪切应力$ {Q_0} $为4.6×104 kN，轴向挤压应力$ N $为3.8×104 kN，弯矩$ {M_0} $为2.1×106 kN·m。联合式(4)和式(6)得到的不同煤层倾角开采煤层内垂向应力分布规律如图6。
![]()
图 6 不同煤层倾角开采煤层内垂向应力分布规律Figure 6. Vertical stress distribution in coal seam mined at different coal seam angles根据图6的应力分布曲线可知，随着煤层倾角从0°增大至45°，沿空巷道煤柱侧垂向应力集中程度逐渐增大，反之实体煤侧垂向应力集中程度逐渐减小。考虑到煤柱侧宽度仅为12 m，其自身承载能力有限，当煤柱侧垂向应力增大至一定程度时，煤柱侧自身完全处于塑性变形状态而失去高承载能力，进而煤柱侧的高垂向应力将会转移至沿空巷道实体煤侧。同时实体煤侧受到本区段工作面回采期间超前支承应力叠加影响，进一步增加了实体煤侧的应力集中程度，工作面回采期间实体煤侧应力集中示意图如图7。
![]()
图 7 工作面回采期间实体煤侧应力集中示意图1—超前支承应力；2—侧向支承应力；3—受集中静载作用的煤柱体。Figure 7. Schematic diagram of the side stress concentration of solid coal during the stoping of the working face3. 数值模拟
3.1 模型的建立
根据七采区工程地质概况，采用FLAC3D(v5.0)版软件建立三维模型，模型中主采1#煤层沿走向长为240 m，沿倾向宽为230 m，在煤层倾角为0°、15°、30°、45°时模型高度分别为80、130、186、235 m，三维模型如图8。
通过现场钻取煤岩样并在实验室内加工成为标准试件进行力学性能测试，测试所得到的煤岩样物理力学参数情况见表1。
表 1 煤岩样物理力学参数表Table 1. Physical and mechanical parameters of coal and rock samples岩性 厚度/
m密度/
（kg·m−3）体积模量/
GPa剪切模量/
GPa内摩擦角/
（°）黏聚力/
MPa粗砂岩 — 2 630 12.5 10.0 35 10.0 细砂岩 6 2 700 13.3 10.0 37 10.2 粉砂岩 7 2 650 9.1 7.8 34 7.2 细砂岩 4 2 700 13.3 10.0 37 10.2 1#煤 8 1350 5.0 2.3 28 1.7 泥岩 21 2540 8.4 5.7 36 8.2 砂砾岩 16 2340 12.3 9.1 37 5.2 粉砂岩 — 2650 9.1 7.8 34 7.2 将表1中不同煤岩样的物理力学参数赋值到所构建的三维模型中，模型中煤岩层采用Mohr-Coulomb本构模型构建，重力加速度设置为10 m/s2。三维模型的底部边界采用固定约束，侧面边界采用水平位移约束，顶部边界所施加的等效载荷大小根据模型顶部距离地表的距离确定，覆岩平均密度取值为2.5 t/m3。关于所构建的三维模型具体模型步骤为：①三维模型整体进行初始应力平衡计算；②进行上区段工作面回采，并应力平衡计算；③进行本区段工作面两侧服务平巷掘进，并应力平衡计算；④进行本区段工作面回采，并应力平衡计算。
3.2 模拟结果
通过对煤层倾角为0°、15°、30°和45°时分别进行模拟运算，得到的本区段工作面回采期间沿空巷道实体煤侧和煤柱侧的垂向应力空间分布情况如图9和图10。
![]()
图 9 不同煤层倾角时实体煤侧垂向应力空间演化规律Figure 9. Spatial evolution laws of vertical stress on solid coal side at different coal seam angles![]()
图 10 不同煤层倾角时煤柱侧垂向应力空间演化规律Figure 10. Spatial evolution laws of vertical stress on the side of coal pillar at different coal seam angles根据图9和图10所示可知，随着煤层倾角从0°增大至45°，沿空巷道实体煤侧所形成的应力集中区内峰值应力由136.59 MPa逐步减小至43.67 MPa，反之煤柱侧所形成的应力集中区内峰值应力由57.53 MPa逐步增大至86.18 MPa，且在煤层倾角为15°时实体煤侧和煤柱侧所形成的应力集中区内峰值应力大致相等，分别为62.27 MPa和61.13 MPa。这一数值模拟结果与前述2.2小节中关于不同煤层倾角条件下实体煤侧和煤柱侧静载理论计算结果相吻合，说明数值模拟结果可靠性较强。
4. 围岩卸压与非对称支护协同控制技术
通过上述分析可知，褶曲翼部影响区内工作面沿煤层倾向方向倾角存在较大的变化性，这导致不同工作面回采期间沿空巷道围岩中所积聚的高集中静载和上覆岩层中厚硬关键层和基本顶破断所形成的应力扰动也存在较大的变化性，因此有必要针对性地采取相应的措施来对冲击地压进行防治。基于动静载叠加理论，提出了采用围岩卸压与非对称支护协同控制的方法来对冲击地压进行防治，具体的防治方法如图11。
![]()
图 11 冲击地压防治协同控制方法Figure 11. Collaborative control method for rock burst prevention and control由图11可知，通过采取A-④、A-⑤方法可以有效降低沿空巷道实体煤侧和煤柱侧的高集中静载，并弱化远场动力扰动。在此基础上，当煤层倾角趋向于0°时，可以通过采取A-①、A-②、A-③中的1种或多种方法来对沿空巷道实体煤侧进行卸压，降低积聚于实体煤侧的高集中静载，同时通过采取B-①方法来对沿空巷道实体煤侧进行加固，进而在沿空巷道实体煤侧形成“强弱强”结构来对冲击地压进行防治；当煤层倾角趋向于45°时，可以通过采取A-①、A-②、A-③中的1种或多种方法来对沿空巷道煤柱侧进行卸压，降低积聚于煤柱侧的高集中静载，同时通过采取B-②方法来对沿空巷道煤柱侧进行加固，进而在沿空巷道煤柱侧形成“强弱强”结构来对冲击地压进行防治。
5. 现场工业性试验
705综放工作面后续回采期间，考虑到工作面平均倾角为45°，通过前述分析可知，此时沿空巷道煤柱侧存在较高的集中静载荷，因此对其实施大直径钻孔（A-①方法）来实现对于煤柱体内高集中应力的转移和释放，同时对煤柱侧进行补强加固（B-②方法），进而实现协同控制防治冲击地压的目的。A-①方法和B-②方法的具体施工参数情况如图12。
![]()
图 12 沿空巷道围岩卸压与非对称支护协同控制方法Figure 12. Collaborative control method of pressure relief and asymmetric support for surrounding rock of gob-side entry考虑到电磁辐射信号和煤体中应力状态呈正相关，煤体中应力集中程度越低，电磁辐射信号也就越弱。因此使用电磁辐射仪器（KBD5型）对沿空巷道煤柱侧实施大直径钻孔卸压措施前后进行监测。
沿空巷道煤柱侧超前工作面50 m范围内的电磁辐射监测数据为：实施大直径钻孔卸压措施前电磁辐射强度值在32~80 mV范围内波动，平均值为49 mV；实施大直径钻孔卸压措施后电磁辐射强度值在7~24 mV范围内波动，平均值为16 mV。对比可知实施大直径钻孔卸压措施后电磁辐射强度值降幅高达67%，这意味着煤柱侧原本存在的较高集中静载荷得到了充分的转移和释放，沿空巷道围岩应力环境明显改善，同时针对煤柱侧的补强支护也进一步提高了煤柱体的稳定性。
6. 结 语
1）工作面采掘期间诱冲机理主要由采掘空间围岩内积聚的高集中静载和上覆岩层破断所形成的剧烈动载叠加所致，并通过分析煤岩系统失稳破坏期间的应力−应变曲线得知其存在静态破坏、动态破坏I和动态破坏II等3种失稳破坏类型。
2）基于Winkler弹性地基假定，可知随着煤层倾角从0°增大至45°，沿空巷道煤柱侧垂向应力集中程度逐渐增大，反之实体煤侧垂向应力集中程度逐渐减小。
3）数值模拟结果表明，随着煤层倾角从0°增大至45°，沿空巷道实体煤侧所形成的应力集中区内峰值应力呈逐渐减小趋势，反之煤柱侧所形成的应力集中区内峰值应力呈逐渐增大趋势，这与理论分析计算结果相吻合。
4）基于动静载叠加理论，提出了采用围岩卸压与非对称支护协同控制的方法，进而在沿空巷道煤柱侧形成“强弱强”结构来对冲击地压进行防治。现场工业性试验结果表明该方法能够针对性地对围岩中较高的集中静载荷进行转移和释放，同时提高围岩的稳定性。
-
![]()
图 3 预测样本预测值与实测值对比
Figure 3. Comparison of predicted and measured values of predicted samples
表 1 瓦斯含量及影响因素数据
Table 1 Gas content and influencing factors data
钻孔 X0/(m3·t−1) X1/m X2/m X3/m X4/m X5/m X6/% X7/% X49 0.30 3.93 269.33 260.54 14.03 5.97 36.22 8.52 X51 0.19 2.65 326.59 321.71 19.35 0.65 33.06 10.52 SK2 0.47 2.43 459.20 386.44 7.13 6.77 38.46 23.23 $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ $\vdots $ L76 0.35 3.77 352.40 311.23 1.80 3.48 35.85 17.70 L83 1.47 2.61 462.90 396.05 18.24 0.00 34.85 20.72 L85 1.46 2.55 539.32 516.79 6.83 0.00 38.27 12.40 
下载: 导出CSV
表 2 灰色关联分析结果
Table 2 Gray association analysis results
影响因素 X1 X2 X3 X4 X5 X6 X7 关联度值 0.8110 0.8385 0.8297 0.8070 0.7264 0.8209 0.8209
下载: 导出CSV
表 3 隐含层节点数与均方误差
Table 3 Implied layer node count and mean squared error
隐含层节点数 3 4 5 6 7 8 9 10 11 12 均方误差/% 0.1792 0.1842 0.2042 0.1783 0.2320 0.2418 0.1038 0.2779 0.0731 0.1309
下载: 导出CSV
表 4 LSSA-BP模型预测结果
Table 4 SSA-BP model prediction results
样本钻
孔编号HK23 HK25 HK26 L73 L74 L75 L76 L83 L85 实测值/（m3·t−1） 1.88 1.64 1.46 2.93 1.18 1.88 0.35 1.47 1.46 LSSA-BP
预测值/（m3·t−1）1.3101 1.5196 1.0920 2.5502 1.7450 1.7374 0.5747 0.7356 1.4770
下载: 导出CSV
表 5 模型精度指标
Table 5 Model accuracy indexes
模型 MAE/（m3·t−1） MSE/（m3·t−1） RMSE/（m3·t−1） MAPE/% BP 1.2147 1.8443 1.3581 104.0016 SSA-BP 0.4064 0.3535 0.5946 45.7889 LSSA-BP 0.3469 0.1721 0.4149 27.4036
下载: 导出CSV
-
[1] 张子敏. 瓦斯地质学[M]. 徐州: 中国矿业大学出版社, 2009. [2] 徐刚,王磊,王海涛,等. 基于灰色理论与BP神经网络的煤层瓦斯含量预测方法[J]. 煤炭技术,2019,38(11):82−85. XU Gang, WANG Lei, WANG Haitao, et al. Prediction method of coal seam gas content based on grey theory and BP neural network[J]. Coal Technology, 2019, 38(11): 82−85.
[3] 李长兴,魏国营. 基于灰色理论-BP神经网络的煤层瓦斯含量预测研究[J]. 煤炭技术,2015,34(5):128−131. LI Changxing, WEI Guoying. Research on prediction of coal seam gas content base on gray theory and BP neural network[J]. Coal Technology, 2015, 34(5): 128−131.
[4] 隆清明. 煤层瓦斯含量间接快速测定方法研究[D]. 重庆: 重庆大学, 2018. [5] 许满贵,高帅帅,曹艳军,等. 基于灰色理论-多元回归分析的瓦斯含量预测[J]. 煤矿安全,2018,49(9):211−214. XU Mangui, GAO Shuaishuai, CAO Yanjun, et al. Forecast of gas content based on gray theory and multiple regression analysis[J]. Safety in Coal Mines, 2018, 49(9): 211−214.
[6] 周鑫隆,章光,吕辰,等. 深部煤层瓦斯含量的差值GM-RBF预测模型及其应用[J]. 安全与环境学报,2017,17(6):2050−2055. ZHOU Xinlong, ZHANG Guang, LYU Chen, et al. A grey model for predicting the gas content in the deep coal seam and its application via the neural network of the difference radial basis function[J]. Journal of Safety and Environment, 2017, 17(6): 2050−2055.
[7] 魏国营,裴蒙. 基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究[J]. 中国安全生产科学技术,2019,15(3):69−74. WEI Guoying, PEI Meng. Prediction of coal seam gas content based on PCA-AHPSO-SVR[J]. Journal of Safety Science and Technology, 2019, 15(3): 69−74.
[8] 林海飞,周捷,高帆,等. 基于特征选择和机器学习融合的煤层瓦斯含量预测[J]. 煤炭科学技术,2021,49(5):44−51. LIN Haifei, ZHOU Jie, GAO Fan, et al. Coal seam gas content prediction based on fusion of feature selection and machine learning[J]. Coal Science and Technology, 2021, 49(5): 44−51.
[9] 吴观茂,黄明,李刚. 基于BP神经网络的瓦斯含量预测[J]. 煤田地质与勘探,2008,36(1):30−33. WU Guanmao, HUANG Ming, LI Gang. Gas content prediction based on BP neural network[J]. Coal Geology & Exploration, 2008, 36(1): 30−33.
[10] 沈金山,王来斌,许继影,等. 基于灰色神经网络预测潘一东矿瓦斯含量[J]. 煤炭技术,2011,30(4):90−92. SHEN Jinshan, WANG Laibin, XU Jiying, et al. Gas content prediction of Panyi east coal mine based on gray neural network[J]. Coal Technology, 2011, 30(4): 90−92.
[11] 刘景艳,王福忠. 基于粒子群神经网络的煤层瓦斯含量预测[J]. 河南理工大学学报(自然科学版),2014,33(6):724−727. LIU Jingyan, WANG Fuzhong. Coal seam gas content prediction based on particle swarm neural network[J]. Journal of Henan Polytechnic University( Natural Science), 2014, 33(6): 724−727.
[12] 曹博,白刚,李辉. 基于PCA-GA-BP神经网络的瓦斯含量预测分析[J]. 中国安全生产科学技术,2015,11(5):84−90. CAO Bo, BAI Gang, LI Hui. Prediction of gas content based on PCA-GA-BP neural network[J]. Journal of Safety Science and Technology, 2015, 11(5): 84−90.
[13] 赵伟,陈培红,曹阳. 基于ACSOA-BP神经网络的瓦斯含量预测模型[J]. 煤矿安全,2022,53(1):174−180. ZHAO Wei, CHEN Peihong, CAO Yang. Prediction model of coal seam gas content based on ACSOA optimized BP neural network[J]. Safety in Coal Mines, 2022, 53(1): 174−180.
[14] 马磊,陆卫东,魏国营. 基于GASA-BP神经网络的煤层瓦斯含量预测方法研究[J]. 中国安全生产科学技术,2022,18(8):59−65. MA Lei, LU Weidong, WEI Guoying. Study on prediction method of coal seam gas content based on GASA-BP neural network[J]. Journal of Safety Science and Technology, 2022, 18(8): 59−65.
[15] 黄敬宇. 融合t分布和Tent混沌映射的麻雀搜索算法研究[D]. 兰州: 兰州大学, 2021. [16] XUE Jiankai, SHEN Bo. A novel swarm intelligence optimization approach: sparrow search algorithm[J]. Systems Science & Control Engineering, 2020, 8(1): 22−34.
[17] IBRAHIM Rehab Ali, ELAZIZ Mohamed Abd, LU Songfeng. Chaotic opposition-based grey-wolf optimization algorithm based on differential evolution and disruption operator for global optimization[J]. Expert Systems with Applications, 2018, 108: 1−27. doi: 10.1016/j.eswa.2018.04.028
[18] 吴丁杰,周庆兴,温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊,2021,41(6):10−15. doi: 10.3969/j.issn.1007-9831.2021.06.003 WU Dingjie, ZHOU Qingxing, WEN Lishu. Improved sparrow algorithm based on Logistic chaos mapping[J]. Journal of Science of Teachers′ College and University, 2021, 41(6): 10−15. doi: 10.3969/j.issn.1007-9831.2021.06.003
[19] 郝天轩,李鹏飞. 基于灰色关联分析-GA-BP模型预测煤层瓦斯含量[J]. 中国矿业,2016,25(11):116−120. doi: 10.3969/j.issn.1004-4051.2016.11.025 HAO Tianxuan, LI Pengfei. Prediction of gas content based on gray correlation analysis-GA-BP neural network[J]. China Mining Magazine, 2016, 25(11): 116−120. doi: 10.3969/j.issn.1004-4051.2016.11.025
[20] 邵毅明,甘元艺,侯雨彤,等. 基于交通流数据修复的GA-RF方法研究[J]. 重庆理工大学学报(自然科学),2021,35(6):29−36. SHAO Yiming, GAN Yuanyi, HOU Yutong, et al. Research on GA-RF method based on traffic flow data restoration[J]. Journal of Chongqing University of Technology( Natural Science), 2021, 35(6): 29−36.
[21] 赵长春,赵亮,王博. 基于改进粒子群算法的RBF神经网络磨机负荷预测研究[J]. 计算机测量与控制,2020,28(6):19−22. ZHAO Changchun, ZHAO Liang, WANG Bo. Research on mill load prediction of RBF network based on improved particle swarm optimization algorithm[J]. Computer Measurement & Control, 2020, 28(6): 19−22.
-
期刊类型引用(0)
其他类型引用(1)
计量
- 文章访问数: 56
- HTML全文浏览量: 6
- PDF下载量: 16
- 被引次数: 1
