《基于模糊神经网络的煤层瓦斯含量预测研究》由会员分享，可在线阅读，更多相关《基于模糊神经网络的煤层瓦斯含量预测研究（28页珍藏版）》请在金锄头文库上搜索。
1、基于模糊神经网络的煤层瓦斯含量预测研究陈闯2021/9/211模糊神经网络模型 研究结果表明: 模糊神经网络模型不仅能够较好地解决模糊信息难于定量表达、学习样本难于确定等问题，而且能够较准确地提取出煤层瓦斯含量与其各个影响因素之间的非线性关系。通过实例运算验证，其预测精度较神经网络模型提高了 4. 84% 25. 79%，应用于煤层瓦斯含量预测的效果更为理想，具有良好的应用前景，可以为实施科学的矿井瓦斯管理、预防各种瓦斯事故提供理论依据。2021/9/212模糊神经网络模型建立来源考虑到煤层瓦斯含量系统的复杂性、动态性、非 线性以及随机不确定性，其预测模型必须不断朝 着非线性、多参数方向发展2
2、021/9/213 笔者以鹤煤某矿二1煤层为研究对象，在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上，建立模糊神经网络模型，将模糊理论与神经网络有机结合，以模糊数学作为表达与处理不精确数据、模糊信息的手段，既能处理模糊信息，完成模糊推理功能，又具有神经网络的一些特点，准确提取、捕捉煤层瓦斯含量与各个影响因素之间的非线性关系，以达到对井田内未采区域进行煤层瓦斯含量预测的目的。2021/9/214模糊神经网络模型的设计变量的选取影响瓦斯含量的主要因素有煤的变质程度、煤层埋藏深度、煤层围岩性质、地质构造、水文地质条件等笔者选取煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板 30 m
3、 砂岩比，作为预测煤层瓦斯含量的影响变量2021/9/215数据的模糊化及去模糊化处理方法模糊化处理的基本原理如下: 根据相应的隶属度函数将输入数据空间进行分割，并获得相应的模糊规则，依据隶属度函数的类型与个数不同，可以将输入数据划分为不同的组别。一般情况下，实测瓦斯含量数据个数均较少，并且数据简单，所以应适当增加隶属度函数的个数。笔者采用三角形和梯形的混合隶属度函数，其函数关系如图 1 所示。2021/9/216 2021/9/217 2021/9/218 式中: a ，b ，c表示将变量区间划分为模糊子集所依据的临界值; A1( x) ，A2( x) ，A3( x) 表示隶属度函数。对于数
4、据的去模糊化处理，简单地采用最大隶属函数法，即取所有模糊规则推理结果的模糊集合中隶属度最大的元素作为输出值。此法的突出优点是计算简单。2021/9/219模糊神经网络整体框架的建立模糊神经网络可分为 5 种类型( 表 1)2021/9/2110 文中采用的是类型，即首先对神经网络的输入数据进行模糊化预处理，这些输入信息中包含定性知识和定量数据，以此达到输入信息模糊化的目的，然后运用 BP 神经网络从已知模糊数据中提取模糊规则，推理出预测结果。网络模型如图 2 所示。2021/9/2111 2021/9/2112 笔者所建模型神经网络部分采用传统的基于误差反向传递的 BP 神经网络，因选取煤层埋
5、藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30 m 砂岩比作为影响煤层瓦斯含量的因素，所以模糊化层神经元个数为 5，而去模糊化层输出值为瓦斯含量值。因此，去模糊化层神经元个数为 1，而隶属度函数确定为 3 个，所以相应的输入层神经元个数则为 15，输出层神经元个数为 3。2021/9/2113 隐层神经元个数视网络训练效果而定，其经验公式为式中: n1为隐层单元数; n 为输入单元数; m 为输出单元数; d 为 0 到 10 之间的常数。2021/9/2114模糊神经网络在瓦斯含量预测中的应用数据准备 笔者以鹤煤某矿为例，收集整理影响煤层瓦斯含量的相关数据，经数据可靠性分析后共获取了19
6、 个地勘钻孔瓦斯含量、9 个生产期间实测的瓦斯含量，见表 2。其中，前 26 组数据作为训练样本完成网络的拟合训练，后 2 组数据不参加学习训练，而作为检验样本来评价模型的预测精度。2021/9/2115 2021/9/2116 2021/9/2117 2021/9/2118 2021/9/2119网络训练设置网络最小均方误差 0. 001、学习率 0. 3、动量系数 0. 8、最大训练次数 25 000，并对网络的权值、阈值随机赋以 0 1 之间的初值，经过多次训练对比分析后，选定隐层节点个数为 7。网络训练结束后，将训练结果与 BP 神经网络训练结果进行了对比分析。网络误差变化趋势图如图
7、3、图 4 所示，网络模型回代结果见表 5。2021/9/2120 2021/9/2121 2021/9/2122 2021/9/2123 2021/9/2124 从图 3 可见，BP 神经网络经过 25 步训练后达到拟合精度，网络停止训练。而从图 4 可见，模糊神网络达到一定训练次数后，拟合精度不再下降，当达到最大训练次数后停止训练，网络最终拟合精度为100。结合表 5 可知，训练后 BP 神经网络残差最大值为 0. 99，而模糊神经网络残差最大值为 1. 76，两者迭代误差均能满足工程实际要求，说明两者均能反映出瓦斯含量与诸影响因素之间的内在规律，但是预测模型的优劣不能仅凭拟合效果而定，还需对模型的预测能力进行进一步检验。2021/9/2125模型检验网络训练结束后，为了检验模型的预测性能，将检验样本代入网络，并与 BP 神经网络模型预测结果进行对比分析，其检验结果见表 6。2021/9/2126 从表 6 可知，BP 神经网络对 2116 工作面运输巷煤层瓦斯含量预测结果偏差较大，而模糊神经网络的预测误差均控制在 10% 以内，基本满足精度要求，可以应用于鹤煤某矿未采区煤层瓦斯含量的预测。2021/9/21272021/9/2128
