10.16265/j.cnki.issn1003-3033.2020.05.007
基于KPCA-CMGANN算法的瓦斯涌出量预测研究
为了精准预测瓦斯涌出量,针对绝对瓦斯涌出量非线性、时变性、复杂性等特点,提出采用核主成分分析法(KPCA)对影响因素进行降维处理;针对BP神经网络(BPNN)中存在的收敛速度慢和易陷入局部最优解的问题,采用压缩映射遗传算法(CMGA)优化BPNN;构建CMGA与BPNN的耦合算法(CMGANN),计算分析某低瓦斯矿井监测历史数据形成的样本集,建立KPCA-CMGANN预测模型;用KPCA-CMGANN预测模型和其他3种网络模型分别对煤矿现场数据进行预测.结果 表明:KPCA-CMGANN预测模型在379个时间步长里达到收敛,4个回采工作面的瓦斯涌出量预测相对误差分别为0.58%、0.63%、0.57%和0.45%,平均相对误差仅为0.56%,预测精度和收敛速度均优于对比模型,可实现瓦斯涌出量的快速精准预测.
瓦斯涌出量预测、核主成分分析法(KPCA)、压缩映射遗传算法(CMGA)、BP神经网络(BPNN)、样本集
30
X936(安全工程)
国家自然科学基金资助;陕西省自然科学基础研究计划;陕西省教育厅专项科学研究计划
2020-09-17(万方平台首次上网日期,不代表论文的发表时间)
共9页
39-47