CN110633504A - 一种煤层瓦斯渗透率预测方法 - Google Patents
一种煤层瓦斯渗透率预测方法 Download PDFInfo
- Publication number
- CN110633504A CN110633504A CN201910774144.5A CN201910774144A CN110633504A CN 110633504 A CN110633504 A CN 110633504A CN 201910774144 A CN201910774144 A CN 201910774144A CN 110633504 A CN110633504 A CN 110633504A
- Authority
- CN
- China
- Prior art keywords
- prediction
- network
- data
- gas permeability
- coal bed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000035699 permeability Effects 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及煤矿安全以及煤层气开发技术领域,特别涉及一种煤层瓦斯渗透率预测方法。包括以下步骤:(1)收集煤矿相关数据包括:瓦斯压力、储层温度、抗压强度,有效应力四个参数以及对应的渗透率并对四个参数进行处理;(2)设置Elman网络相关参数,初步建立网络预测模型,确定网络结构;(3)设置遗传算法相关参数并与神经网络模型相结合;(4)利用训练数据对建立的遗传算法优化的神经网络预测模型进行训练;(5)利用预测数据对建立起来的预测模型精度进行评估。本发明利用遗传算法对神经网络参数进行优化,提高了模型预测精度,为煤层瓦斯渗透率预测提供了一种新的方法,大大提到了预测的准确性。
Description
技术领域
本发明涉及煤矿安全以及煤层气开发技术领域,特别涉及一种煤层瓦斯渗透率预测方法。
背景技术
我国煤炭资源丰富,储量排名世界第二。在开采时安全事故频发,造成人员伤亡及大量的经济损失,其中大部分事故是由煤层瓦斯造成的。煤矿在开采过程中,原有的瓦斯应力场以及地应力场受到破坏,瓦斯在这两种力的作用下运动失稳,造成瓦斯突出等矿井灾害。因此,如何有效在煤炭开采过程中预防瓦斯突出问题,是目前亟待解决的问题。
Elman模型是一种实用性强、可靠性高的网络预测模型,已经普遍应用于生产实践当中,但其有极易陷入局部极小值点而不能达到最优的缺点,影响预测的精度。
发明内容
为解决实际工程问题以及现有技术中存在的缺点不足,本发明提供了一种利用遗传算法对神经网络参数进行优化的预测模型,提高了模型预测精度,具有很强的实用性和可操作性,是一种适宜推广的煤层瓦斯渗透率预测方法。
为了达到上述技术目的,本发明提供了煤层瓦斯渗透率预测方法,该方法包括:
步骤1,煤矿相关数据收集,并对相关数据进行预处理;
步骤2,设置Elman网络相关参数,初步建立网络模型,确定网络结构;
步骤3,设置遗传算法相关参数并与神经网络模型相结合,建立GA-Elman网络模型;
步骤4,利用训练数据对建立的神经网络进行训练;
步骤5,利用预测数据对训练好的预测模型精度进行评估;
其中,步骤1中的煤矿相关数据包括:瓦斯压力、储层温度、抗压强度以及有效应力四个影响因素以及对应的渗透率,为了避免数据单位差别较大影响效果,对其进行归一化处理,使其数据值介于[0,1]之间,其归一化公式为:
式中,xn为原始采样参数,xmin为输入同种参数中的最小值,xmax为输入同种参数中的最大值。
所述步骤2中的相关参数包括:输入层神经元节点数,隐含层神经元节点数,输出层神经元节点数,以及网络创建函数、网络训练函数、学习动量参数、学习速率、迭代目标、最大迭代次数等。
所述步骤2中输入层神经元节点数和输出层神经元节点数根据输入输出参数确定,分别为4个和1个;隐含层神经元节点数根据经验公式进行选取,并对选出的节点数运用剪枝法进行实际训练,评估,最终确定为9个,经验公式如下所示:
式中,n为输入层节点数;m为输出层节点数;a为1到10任意数。
所述步骤3中遗传算法优化神经网络主要包括以下几个步骤:
步骤(1),初始化种群P,包括交叉概率Pc、变异概率Pm、终止代数T、代沟G等.采用二进制编码对Elman神经网络的权值以及阈值进行编码,确定种群的初始规模M并随机生成初始种群。
步骤(2),计算每个个体的适应度并进行排序,根据公式对个体进行选择,式中fi为第i个个体适应度值,其适应度值用误差平方和Ei进行衡量,Ei为第i个个体的网络总误差,其计算公式如下所示
式中:i为染色体个数,i=1,2,…,n;k为学习样本数,k=1,2,…,m;ro为目标输出值;d为期望输出值。
步骤(3),以交叉概率Pc进行交叉操作来获取新的优良个体,没有进行交叉操作的个体则进行自我复制操作。
步骤(4),以变异概率Pm进行变异操作来保持个体的多样性以确保遗传算法的有效性。
步骤(5),将经过步骤(3)和步骤(4)产生的个体***原种群,形成一个新种群,再进行第二步操作。
步骤(6),重复上述步骤(2)~(5)直到找到符合要求的个体,然后将最终确定的最优个体,即网络权值和阈值带入到神经网络模型中进行训练以及判别。
步骤3中遗传算法相关参数包括种群大小、最大遗传代数、代沟、交叉概率、变异概率以及个体长度,其具体值设置如下表所示:
表1遗传算法参数设置
步骤4中对收集到的数据进行分类,分成训练数据集和预测数据集,训练数据进行网络模型的训练,预测数据进行模型精度检测。
步骤5中利用预测数据对建立起来的预测模型精度进行评估,其评价指标预测精度。
本发明提供的技术方案带来的有益效果是:
本发明中的煤层瓦斯渗透率预测方法,通过收集煤层相关数据,利用归一化公式对收集原始数据进行归一化,减少了数据单位差对结果的影响。利用MATLAB软件建立Elman神经网络模型,结构简单实用。利用遗传算法对Elman神经网络进行优化,提高了预测精度,提高了模型适应性,使模型具有很强的实用性和可操作性,为煤层瓦斯渗透率预测提供了一种新的方法,提高了层瓦斯渗透率预测的精确度。
附图说明
图1:本发明的流程图。
图2:Elman神经网络结构图。
图3:不同中间节点数训练效果。
图4:遗传进化过程图。
图5:神经网络训练误差变化图。
图6:预测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,以下结合具体实施例及附图表,对本发明进一步详细说明。
如图1-6所示,煤层瓦斯渗透率预测方法,具体包括如下步骤:
1、数据收集与处理
本发明收集到50组煤矿信息,每组数据包括有效应力,MPa;瓦斯压力,MPa;储层温度,℃;抗压强度,MPa;渗透率,10-15m2;,并对每个因素运用公式(1)进行归一化。
选取处理好的40组数据作为网络训练数据,10组数据作为网络预测数据来预测其精度以及泛化能力。
2、神经网络设置
根据步骤1收集处理的数据特点,确定神经网络节点数,包括输入节点、隐层节点以及输出层节点,其输入数据有四个,分别为瓦斯压力,储层温度,抗压强度,有效应力,因此其输入层节点数为4,输出数据有一个,为渗透率,因此输出层节点数为1,隐层节点通过公式(2)进行选择。如图2所示,x为输入参数;y为输出参数;ωij为第i个输入层节点与第j个隐含层节点之间的权值;βk1为第k个隐含层节点与输出层节点之间的权值;αl第l个承接层节点到第l个隐含层节点之间的权值。经过计算均方误差,其结果如图3所示。最终确定隐层节点为9个。
神经网络其他参数,包括网络创建函数,训练函数,动量参数,学习速率,迭代目标以及最大迭代次数设置如表2所示。
表2 Elman网络具体参数设置表
3、遗传算法与神经网络结合
设置遗传算法的相关参数,本实例其具体参数设置见表1。
表1遗传算法参数设置
利用遗传算法工具箱建立符合表1的遗传算法,并与神经网络相结合建立起预测模型。
利用40组训练数据对建立好的GA-Elman神经网络进行训练,其具体步骤包括:初始权值及阈值确定,适应度计算,选择操作,交叉操作,变异操作等,最终得到最优的网络权值以及阈值。遗传进化过程如图4所示,神经网络训练误差变化如图5所示。
4、模型精度及泛化能力评价
把10组未参与网络训练的数据带入网络模型当中,计算预测渗透率以及实际渗透率之间的预测精度、均方误差以及相关系数,对模型性能进行评价,其预测结果如图6所示,通过计算,10组预测数据其预测精度为93.24%,与实际数值基本一致,满足实际工程需要。
Claims (8)
1.一种煤层瓦斯渗透率预测方法,其特征在于,所述方法基于GA-Elman神经网络,包括以下步骤:
步骤1:煤矿相关数据收集,并对相关数据进行预处理;
步骤2:设置Elman网络相关参数,初步建立网络模型,确定网络结构;
步骤3:设置遗传算法相关参数并与神经网络模型相结合,建立GA-Elman网络模型;
步骤4:利用训练数据对建立的神经网络进行训练;
步骤5:利用预测数据对建立起来的预测模型精度进行评估。
3.根据权利要求1所述的煤层瓦斯渗透率预测方法,其特征在于,所述步骤2中的相关参数包括输入层神经元节点数,隐含层神经元节点数,输出层神经元节点数,以及网络创建函数、网络训练函数、学习动量参数、学习速率、迭代目标、最大迭代次数。
5.根据权利要求1所述的煤层瓦斯渗透率预测方法,其特征在于,所述步骤3中遗传算法优化神经网络主要包括以下几个步骤:
步骤(1):初始化种群P,包括交叉概率Pc、变异概率Pm、终止代数T、代沟G,采用二进制编码对Elman神经网络的权值以及阈值进行编码,确定种群的初始规模M并随机生成初始种群;
式中:i为染色体个数,i=1,2,…,n;k为学习样本数,k=1,2,…,m;ro为目标输出值;d为期望输出值;
步骤(3):以交叉概率Pc进行交叉操作来获取新的优良个体,没有进行交叉操作的个体则进行自我复制操作;
步骤(4):以变异概率Pm进行变异操作来保持个体的多样性以确保遗传算法的有效性;
步骤(5):将经过步骤(3)和步骤(4)产生的个体***原种群,形成一个新种群,再进行下一步操作;
步骤(6):重复上述步骤(2)~(5)直到找到符合要求的个体,然后将最终确定的最优个体,即网络权值和阈值带入到神经网络模型中进行训练以及判别。
7.根据权利要求1所述的煤层瓦斯渗透率预测方法,其特征在于,所述步骤4中对收集到的数据进行分类,分成训练数据集和预测数据集,训练数据进行网络模型的训练,预测数据进行模型精度检测。
8.根据权利要求1所述的煤层瓦斯渗透率预测方法,其特征在于,所述步骤5中利用预测数据对建立起来的预测模型精度进行评估,其评价指标为预测精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774144.5A CN110633504A (zh) | 2019-08-21 | 2019-08-21 | 一种煤层瓦斯渗透率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910774144.5A CN110633504A (zh) | 2019-08-21 | 2019-08-21 | 一种煤层瓦斯渗透率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110633504A true CN110633504A (zh) | 2019-12-31 |
Family
ID=68970673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910774144.5A Pending CN110633504A (zh) | 2019-08-21 | 2019-08-21 | 一种煤层瓦斯渗透率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633504A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950203A (zh) * | 2020-08-13 | 2020-11-17 | 中核华辰建筑工程有限公司 | 基于自适应神经模糊推理***的***振动速度预测方法 |
CN112330435A (zh) * | 2020-09-29 | 2021-02-05 | 百维金科(上海)信息科技有限公司 | 一种基于遗传算法优化Elman神经网络的信用风险预测方法和*** |
CN113033954A (zh) * | 2021-02-18 | 2021-06-25 | 重庆大学 | 一种煤与煤层气协调开发智能决策方法 |
CN113807025A (zh) * | 2021-10-08 | 2021-12-17 | 浪潮云信息技术股份公司 | 基于全局优化算法构建神经网络力场模型的方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106869990A (zh) * | 2017-03-02 | 2017-06-20 | 新疆大学 | 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法 |
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
-
2019
- 2019-08-21 CN CN201910774144.5A patent/CN110633504A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106869990A (zh) * | 2017-03-02 | 2017-06-20 | 新疆大学 | 基于lvq‑cpso‑bp算法的煤体瓦斯渗透率预测方法 |
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
Non-Patent Citations (1)
Title |
---|
尹光志等: "基于改进BP神经网络的媒体瓦斯渗透率预测模型", 《煤炭学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950203A (zh) * | 2020-08-13 | 2020-11-17 | 中核华辰建筑工程有限公司 | 基于自适应神经模糊推理***的***振动速度预测方法 |
CN112330435A (zh) * | 2020-09-29 | 2021-02-05 | 百维金科(上海)信息科技有限公司 | 一种基于遗传算法优化Elman神经网络的信用风险预测方法和*** |
CN113033954A (zh) * | 2021-02-18 | 2021-06-25 | 重庆大学 | 一种煤与煤层气协调开发智能决策方法 |
CN113807025A (zh) * | 2021-10-08 | 2021-12-17 | 浪潮云信息技术股份公司 | 基于全局优化算法构建神经网络力场模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633504A (zh) | 一种煤层瓦斯渗透率预测方法 | |
CN110363344B (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN109214026A (zh) | 一种页岩气水平井初期产能预测方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN107194524B (zh) | 一种基于rbf神经网络的煤与瓦斯突出预测方法 | |
CN112949202A (zh) | 一种基于贝叶斯网络的岩爆概率预测方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN109934398A (zh) | 一种钻爆法施工隧道瓦斯危险等级预测方法和装置 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
CN116629111A (zh) | 一种基于神经网络的页岩注热原位开采排烃潜力预测方法 | |
Xue et al. | PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM. | |
CN110489844A (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
CN117574755B (zh) | 页岩储层井工厂水平井压裂参数分层多级优化方法 | |
CN103898890A (zh) | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** | |
CN111984514B (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN113408190A (zh) | 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法 | |
CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及*** | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191231 |
|
RJ01 | Rejection of invention patent application after publication |