基于L—MBP神经网络的煤自然发火期预测

格式：pdf
大小：241.66 KB
文档页数：4

ＬＵｅ．ｏｇ＇ＷＡＮＧｉｒｎ２ＳＷｉｎｄ２Ｊ．ｅＨＡＮ．ｅ，Ｙａｆｉ ’ ＨＯＮＧｎＷＡＮＧｅｆｎＬｉ，Ｘｕ．ｅｇ
，，
（．ｅａｔｎｆｉｏｓｒｃｉｎａｄＥｖｒｎｎｒｔｃｉｎＸｉｊｎｏｙｅｈｉＣｏｌｇ，ｌｍｕｉ１ＤｐｒｍｅｔｔＣｎｔｕｔｎｎｉｍｅｔｏｅｔ，ｎｉｇＰｌｔｃｎｃｌｅＷｕｕｑｏＣｙｏｏＰｏａｅ
ｈｓｂｔｒａｔｎｅｃｓａｏｔｄｉｈｓｐｐｒａｅｔｓｉｇｎｙｗａｄｐｅｎｔｉａｅ．Ａｎｎｔｅｂｓｆｔｉ，ｔｅｆｒｃｓｉｇｅｕｔｒｆｒｔｅｅｒｄｏｈａｉｏｓｈｏｅａｔｍｌａｏｏｓｈｎｈ
数据，并应用于该软件训练、预测其结果误差＜１％。在神东矿区进行预测时，预测结果与实际情况吻合较好，为制定预防采场自然０
发火的技术措施提供了可靠的技术参数。
关键词：煤：自然发火期：ＬＭＢ算法：神经网络 — Ｐ中图分类号：Ｔ５Ｄ７文献标识码：Ａ
维普资讯
第２卷第６５期
，
辽宁工程技术大学学报
ＪｕｎｌｆＬａｎｎｅｈｉａｉｅｓｏｒａｉｏｉｚＴｃｎｃｌｏＵｎｖｒｉ
２０年１０６２月
Ｄｅ．ｃ２ｏｏ６
ｗｒｆｃｓｎａｍｎ．ｈｒｆｒ，ｈｅｒｌｅｏｋｗｉｅｒｈｔｆ — （ｅｅｅｇＭａｑａｄ）ＰｗｉｏｋａｅｅＴｅｅｏｅｔｅｕａｎｔｒｔｔｉｍｅｃＭＬｖｍｂｒ— ｒｕｒｔＢｈｃｉｉｎｗｈｈａｔｉｏＬｈ
ｎｒｈａｔｍｎｒａｏｔｅｓｉｅａｅ．Ａｎｅｆｒｃｓｎｒｏｓｌｗｅａ１％ｂｓｇｔｅｆｒｃｓｉｇｅｒｕｔｒｈｄｔｏｅａｔｇｅｒｒｉｏｒｔｎｈｉｈ０ｙｕｉｏｅａｔｒａｏ．Ｔｅｎｈｎｄｆｒｃｓｉｇｒｓｌｒｌｓｏｔｅｆｃｅｅｆｒｃｓｉｇｅｎｕｔｒｓｓｄａｈｎｏｇｃａｎｅ．ｏｉｏｅａｔｅｕｔａｅｃｏｅｔａｔｎｓｈｗｈｎｔｏｅａｔｒｌａｏｅｔｅｄｎｏｌｈｎｗａｕＳｍｉｅａａＳｒｔｉｃｅｉｌａａｔｒｆｒｅｔｂｉｈｎｅｔｃｎｃｌｍｅｓｒｓｆｒｐｅｅｔｇｃａｐｎａｅｕｏｕｔｎｉＳｒｄｂｅｐｒｍｅｅｏｓａｌｉｇｔｅｈｉａａｕｅｒｖｎｉｏｌｓｏｔｏｓｃｍｂｓｉｎｓｈｏｎｎｏ
、１５ｂ．２
Ｎｏ６．
文章编号：１０．５２２０）６０１－４０８０６（０６０－８５０
基于ＬＭＢ — Ｐ神经网络的煤自然发火期预测
陆卫东＇王继仁２，单亚飞，洪林，王雪峰
（．１新疆工业高等专科学校城建环保系，新疆乌鲁木齐８０９：２辽宁二程技术大学资源与环境工程学院，辽宁阜新１３０）３０１．Ｅ２００
ｓｏｔｎｏｓｃｍｂｓｉｎｓａｅｏｏｌｗａｅｅｏｅ．ｅｉｎｒｆｃｏｄｔｅｏｔｒｆｃｏｆｈｐｎａｅｕｐｎａｅｕｏｕｔｔｇｆｃａｓｄｖｌｐｄＢｙｔｅｔｒｏｈｎａｎｈａｕｅｔｒｏｅｓｏｔｎｏｓａｔｃｍｂｓｉｎｏｏｌ１２ｓｍｐｅｒａｅｅｒｍｅｗｏｋａｅｔｏｌｓｏｔｅｕｏｕｔｎａｏｕｔｆｃａ，ａｌｓｗｅｅｇｔｒｄｆｏｔｒｆｃｓｗｉｃａｐｎａｏｓｃｍｂｓｉｔｏ５ｈｈｈｎｏ
摘要：针对不同矿井、矿井不同工作面预测煤自然发火期的难题，采用具有较好收敛性的ＬＭ（ｅｅｂｒ－ｒａｔＰ．ＬｖｒｅＭａｕｒ）算法的神ｎｇｑｄＢ
经网络，开发出煤自然发火期预测仿真系统软件。根据煤自燃的内凼和外因影响因素，在东北矿区各自燃采场收集丁１２个样本训练５
８０９，ｉａ；．ｌｇｆｓｕｃｎｖｒｎｅｔｇｎｅｉｇＬｉｏｉｇＴｃｎｃｌｉｅｓｔ，ｘｎ３０１Ｃｈｎ２ＣｏｌｅｏｏｒｅａｄＥｎｉｏｍｎｅＲｅＥｎｉｅｒｎ，ａｎｎｅｈｉａｖｒｉＦｕｉＵｎｙ
பைடு நூலகம்
ＦｒｃｓｎｃｎｑｅｆｒｓｏｔｎｏｓｃｍｂｓｏｔｇｏｅａｔｇｔｈｉｕｏｐｎａｅｕｏｉｅｕｔｎｓａｅｉｏａｉｆＭＢＰｎｕａｅｗｏｋｎｂｓｓｏＬ— ｅｒｌｔｒｎ
１３０，ｉａ２００Ｃｈｎ）
ＡｂｔａｔＩｉｉｉｕｔｔｏｅａｔｔｅｓｏｔｎｏｓｃｍｂｓｏｔｇｆｃａｔｉｅｅｔｍｉｅｎｉｅｅｔｓｒｃ：ｔｓｄｆｃｌｏｆｒｃｓｈｐｎａｅｕｏｕｔｎｓａｅｏｏｌａｆｒｎｎｓａｄｄｆｒｎｉｄｆｆ

深度神经网络在煤质数据分析与预测中的应用

Vol.15, No.28, October. 2019
E-mail：eduf@ http：/第/ww1w5.卷dn第zs.2ne8t期.cn(2019 年 10 月) Tel：+86-551-65690963 65690964
深度神经网络在煤质数据分析与预测中的应用
刘高宇
（华北水利水电大学信息工程学院，河南郑州 450046）
222煤质分析我们在得到的多层神经网络模型上运行了相应的测试集得到了测试结果将测试得到的发热量结果和测试集中真实的发热量进行比对如图5上图所示图中蓝色实线为真实的发热量记录数值曲线黄色虚线是经过模型得出的结果值曲线其均方根误差为3539准确度为994从图中可以看出模型取得了优良的拟合效果
ISSN 1009-3044 CCoommppuutteerrKKnnoowwlleeddggeeaannddTTeecchhnnoollooggyy电电脑脑知知识识与与技技术术
1.2.2 孤立森林异常值检测
异常数据存在两个特征：少量，与正常数据差别较大。根据统计学原理，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因而可以认为落在这些区域里的数据是异常的[2]。结合可视化结果我们可以得出结论：数据集中有存在部分异常点。
为了解决异常值问题，我们使用孤立森林的方法进行异常值检测。孤立森林异常值检测方法适用于连续数据的异常检测，其基本原理是在数据集上建立大量二叉树以对数据进行分割，构建二叉树型结构的时候，异常数据离根更近而正常数据离根更远，更深。根据二叉树分割结果将分布稀疏且离密度高的群体较远的点视作异常，定义为容易被孤立的离群点[3]。得益于随机森林的思想，孤立森林方法能快速处理大规模的数据，在实际使用中有着非常好的效果。我们使用了孤立森林的方法对煤质的各个指标数据进行了异常值检测，如图 2 所示，图中展示了 1/3 焦特混煤指标 Vd 和 FCad 的异常值检测结果，绿色为正常数据，红色为异常数据。

基于PSO-SRU深度神经网络的煤自燃温度预测模型

基于PSO-SRU深度神经网络的煤自燃温度预测模型贾澎涛;林开义;郭风景【期刊名称】《工矿自动化》【年(卷),期】2022(48)4【摘要】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O_(2),CO,CO_(2),CH_(4),C_(2)H_(4)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(R^(2))仅相差0.03,表明PSO-SRU模型具有良好的泛化性和鲁棒性。

【总页数】9页(P105-113)【作者】贾澎涛;林开义;郭风景【作者单位】西安科技大学计算机科学与技术学院;陕西建新煤化有限责任公司【正文语种】中文【中图分类】TD752【相关文献】1.基于交叉点温度法的煤自燃临界温度测试方法2.基于CO2与CO浓度比值预测模型的煤早期自燃判定3.党家河矿煤自燃临界温度及自燃倾向性研究4.基于随机森林算法的煤自燃温度预测模型研究5.基于煤火发展演化的松散煤体自燃温度纵深蔓延特征因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

２００６年第３１卷
４］最相关煤质指标．一些研究人员通过人为组合来分析神经网络的输入和结构［，但也有可能由于神经网
络初始权值、阈值的随机性而带来分析结果的偶然性．笔者采用遗传神经网络算法，在神经网络算法的基础上，通过遗传算法优化神经网络的输入和网络结构，对神经网络的初始权值、阈值进行全局寻优，从而建立优化的煤粉着火温度ＢＰ神经网络预测模型．
１遗传算法与ＢＰ神经网络算法
１１遗传算法（ＧＡ）遗传算法（ＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ，简称ＧＡ）基于Ｄａｒｗｉｎ进化论和Ｍｅｎｄｅｌ遗传学说，是一种用于全局优化搜索的迭代算法，它将生物进化过程抽象地描述为复制、交叉、变异３个算子．遗传算法一般由４部分组成：编码方案、控制参数、适应度函数、遗传算子．在编码过程中，将问题的一个解向量编码成一个字符串（染色体），解向量中的各因子（基因）既可以是二进制码，也可以是实数或字符，多个染色体构成种群．利用适应度函数来求解种群中各个体的适应程度，基于优胜劣汰的原则，通过控制参数和遗传算子进行遗传进化，产生新的子代．经过若干代遗传进化后，可以获得最适宜的个体，即问题的最优解．１２ＢＰ神经网络人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｓ，简称ＡＮＮ）是模拟生物神经网络的人工智能系统，由大量功能简单而具有自适应能力的信息处理单元— — —人工神经元— — —按照大规模并行的方式，通过一定的拓扑结构连接而成．由于人工神经元网络具有复杂的动力学特性、并行处理机制、很强的自学习性、联想记忆和推理意识等功能，以及它的高度自组织自适应能力、容错性和鲁棒性被广泛应用在各个领域．目前在神经网络的实际应用中，绝大部分的神经网络模型使用的是ＢＰ神经网络或其变化形式，它也是前馈神经网络的核心部分．与其他模型相比，ＢＰ网络有很好的持久性和适Ｐ网络的核心是通过一边向后传播误差，一边修正时预报性．Ｂ误差的方法来不断调节网络参数（权值和阈值），以实现或逼近所希望的输入输出映射关系．这种非线性映射能力使其可以以任意精度逼近一个非线性函数．神经网络由输入层、隐含层、输出层构成，其中隐含层可以图１）．为１层，也可以为多层（１３基于遗传算法优化的ＢＰ算法（ＢＰ－ＧＡ）

煤最短自然发火期快速预测方法

煤最短自然发火期快速预测方法康文杰;周亮宇;王德明;李金帅【摘要】针对现有煤最短自然发火期预测方法存在操作复杂、耗时费力等问题,提出了一种煤最短自然发火期快速预测方法.通过煤自燃特性的氧化动力学测试获得煤氧化过程中不同阶段的特征参数,利用线性拟合建立了煤自燃倾向性判定指数和绝热氧化时间的函数关系;根据F-K热自燃理论,建立了煤绝热氧化时间和特征尺寸之间的函数关系;利用以上函数关系推导出煤最短自然发火期快速预测模型.基于该方法获得的煤最短自然发火期预测值与实际值基本一致.该方法耗时少、操作简单,适合大量煤样的最短自然发火期预测.【期刊名称】《工矿自动化》【年(卷),期】2019(045)005【总页数】4页(P31-34)【关键词】煤炭开采;最短自然发火期;煤自燃特性;氧化动力学;绝热氧化时间;煤自燃倾向性【作者】康文杰;周亮宇;王德明;李金帅【作者单位】中国矿业大学安全工程学院,江苏徐州 221116;中国矿业大学煤矿瓦斯与火灾防治教育部重点实验室,江苏徐州 221116;中国矿业大学安全工程学院,江苏徐州 221116;中国矿业大学煤矿瓦斯与火灾防治教育部重点实验室,江苏徐州221116;中国矿业大学安全工程学院,江苏徐州 221116;中国矿业大学煤矿瓦斯与火灾防治教育部重点实验室,江苏徐州 221116;中国矿业大学安全工程学院,江苏徐州 221116【正文语种】中文【中图分类】TD7520 引言中国煤炭资源储量丰富，但在煤炭开采、储存过程中常会出现自然发火的问题[1-4]。

矿井火灾不仅会烧毁大量煤炭资源和设备，产生大量有害气体危及井下人员生命安全，而且常诱发瓦斯、煤尘爆炸，严重威胁矿井安全生产[5-8]。

因此，有必要依据多种因素制定防灭火措施，其中预测开采煤层的最短自然发火期是制定矿井防灭火措施的重要环节。

目前很多学者针对煤最短自然发火期预测进行了广泛研究。

文献[9-10]利用神经网络模型对煤最短自然发火期进行预测。

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于L—MBP神经网络的煤自然发火期预测

合集下载

深度神经网络在煤质数据分析与预测中的应用

基于PSO-SRU深度神经网络的煤自燃温度预测模型

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

煤最短自然发火期快速预测方法

文档推荐

最新文档