10.13272/j.issn.1671-251x.2021090047
基于PSO-SRU深度神经网络的煤自燃温度预测模型
针对传统煤自燃温度预测模型泛化能力不强、鲁棒性较差的问题,提出了 一种基于改进粒子群(PSO)优化简单循环单元(SRU)的煤自燃温度预测模型(PSO-SRU模型).首先,对煤自燃程序升温实验中采集的气体浓度数据进行预处理,选取与煤温相关性较强的O2,CO,CO2,CH4,C2H4作为煤温预测指标,并将预测指标划分为训练集和测试集;其次,构建SRU预测模型拟合训练集中煤自燃温度与气体指标间非线性规律,将平均绝对误差(MAE)作为适应度函数,利用改进的PSO算法优化SRU预测模型参数;最后,将测试集数据输入参数最优的SRU预测模型,利用SRU计算得到煤自燃温度预测值.实验结果表明:通过指标择优和参数寻优后,PSO-SRU模型在测试集上的MAE相较于基于支持向量回归(SVR)、随机森林(RF)和反向传播(BP)的煤自燃温度预测模型分别降低了 12.58,7.65,5.91℃,表明PSO-SRU模型在一定程度上提高了预测精度;均方根误差(RMSE)分别降低了 22.65,17.45,8.94℃,PSO-SRU模型在训练集和测试集上的决定系数(R2)仅相差0.03,表明PSO-SRU模型具有良好的泛化性和鲁棒性.
煤自燃温度预测、气体指标、深度神经网络、循环神经网络、SRU单元、粒子群算法
48
TD752(矿山安全与劳动保护)
国家自然科学基金;西安市科技计划项目
2022-05-07(万方平台首次上网日期,不代表论文的发表时间)
共9页
105-113