ImageVerifierCode 换一换
格式:DOCX , 页数:4 ,大小:18.68KB ,
资源ID:85160     下载积分:2 金币    免费下载
快捷下载
登录下载
邮箱/手机:
温馨提示:
快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。 如填写123,账号就是123,密码也是123。
特别说明:
请自助下载,系统不会自动发送文件的哦; 如果您已付费,想二次下载,请登录后访问:我的下载记录
支付方式: 支付宝扫码支付 微信扫码支付   
验证码:   换一换

加入VIP,免费下载
 

温馨提示:由于个人手机设置不同,如果发现不能下载,请复制以下地址【https://www.aqrzj.com/docdown/85160.html】到电脑端继续下载(重复下载不扣费)。

已注册用户请登录:
账号:
密码:
验证码:   换一换
  忘记密码?
三方登录: 微信登录   QQ登录  

下载须知

1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。
2: 试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。
3: 文件的所有权益归上传用户所有。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 本站仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

版权提示 | 免责声明

本文(基于人工神经网络的煤与瓦斯突出预测.docx)为本站会员(一米阳光)主动上传,安全人之家仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知安全人之家(发送邮件至316976779@qq.com或直接QQ联系客服),我们立即给予删除!

基于人工神经网络的煤与瓦斯突出预测.docx

1、基于人工神经网络的煤与瓦斯突出预测基于人工神经网络的煤与瓦斯突出预测随着我国煤炭科学技术的迅速发展,在煤与瓦斯突出预测方面取得了突出进展,提出了许多预测煤与瓦斯突出的方法和指标,如基于煤体破裂过程中的声发射和电磁辐射现象的非接触式预测方法;根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法;以及其它预测指标等。但是这些方法和指标主要是使用回归分析的方法得出的,它考虑的是影响煤与瓦斯突出的个别是或重要因素,没有全面考虑影响煤与瓦斯突出的因素,致使突出敏感指标因地而异,突出临界值随矿井不同而变化。因此,预测结果常常不很准确。人工神经网络技术(ANN)的飞速发展,基于人工神经网络的预测

2、煤与瓦斯突出预测已经能够达到很高的预测精度,优于其它预测方法,完全可以满足煤矿煤与瓦斯突出预测精度的要求。1 影响煤与瓦斯突出事故的因素(1)煤层瓦斯压力。原始瓦斯压力越高,煤体内的瓦斯含量越大,煤体破裂时单位面积裂隙上涌出的瓦斯量就越多,裂隙中就越可能积聚起较高的瓦斯压力,从而越可能撕裂煤体,并将撕裂形成的球盖状煤壳抛向巷道。(2)围岩的透气性系数。围岩的透气性系数越大,越有利于煤层中瓦斯泄漏,在同样瓦斯压力下,煤层中赋存的瓦斯越小。(3)构造煤的类型。构造煤是煤与瓦斯突出的必要条件,不同类型构造煤具有不同的突出危险性。(4)瓦斯放散初速度。煤样放散瓦斯快慢的程度用P 值表示,其大小与煤的微

3、孔隙结构,孔隙表面性质和孔隙大小有关,随构造煤破坏类型的增高,P值也增高。(5)软分层煤厚。由下式可以看出,煤体撕裂后形成的球盖状煤壳曲率半径 Ri及煤壳所对的中心角i越大,下式就容易满足,煤壳就容易失稳抛出。当突出阵面沿软分层发展时,在垂直煤层方向上有如下关系:H=2Risin (i)/SUB)式中 H软分层煤厚Ri煤壳曲率半径i煤壳所对的中心角软煤厚度越小,形成的煤壳在沿垂直煤层方向上的曲率半径及所对中心角就越小,煤壳就越不容易失稳抛出,煤与瓦斯突出灾害也就越不容易发生。2 基于人工神经网络预测模型2.1 反向传播算法(BP)的拓扑结构BP(Back Propagation)算法 1985

4、 年由 Rumel-hart 等提出,该方法的提出系统地解决了多层神经元网络中隐单元层连接权的学习问题,并在数学上给出了完整的推导。采用 BP 算法的多层神经网络模型一般称为 BP 网络。多层神经网络模型的一般拓扑结构如图 1 所示。它由输入层、隐层和输出层组成。中间层也就是隐含层可以是一层或多层。BP 网络的学习过程由两部分组成:正向传播和反向传播。当正向传播时,输入信息从输入层经隐单元层处理后传向输出层,每一层神经元的状态只影响下一层的神经元状态。如果在输出层得不到希望的输出,则转入反向传播,将误差信号沿原来的神经元连接通路返回。返回过程中,逐一修改各层神经元连接的权值。这种过程不断迭代,

5、最后使得信号误差达到允许的范围之内。图 1 多层前向 BP 网络BP 网络中采用了有一定阈值特性、连续可微的 Sigmoid 函数作为神经元的激发函数。当然其他类似的非线性函数也可选用。本文采用的 Sigmoid 型函数:?(x)1/(1e-1)2.2 用于煤与瓦斯突出预测的 BP 神经网络的构建我们知道,影响煤与瓦斯突出的因素很多,并且,到目前为止有的影响煤与瓦斯突出的因素还没有找到。人工神经网络模型是综合了影响煤与瓦斯突出的多种因素的一种非线性煤与瓦斯突出预测模型,它尽可能多的考虑影响煤与瓦斯突出的主要因素,来综合预测煤与瓦斯突出灾害。影响煤与瓦斯突出的主要有瓦斯放散初速度,构造煤的类型,

6、软分层煤厚,煤层瓦斯压力等因素。其算法程度如图 2。图 2 人工神经网络 BP 算法程序(1)输入与输出层的设计。输入层神经元由影响煤与瓦斯突出的主要因素个数决定。对于煤与瓦斯突出预测过程,这里选择 5 个主要影响因素(瓦斯放散初速度 x1,构造煤的类型 x2,软分层煤厚 x3,煤层瓦斯压力 x4)和围岩透气性x5 作为输入:输出层由 2 个节点 y1、y2(y1、y2 的输出值为 0 和 1)组成,其作用是给出预测的 3 种结果,以分别表示煤与瓦斯突出区域预测中的突出危险区、突出威胁区和无突出危险区 3 种情形,从而实现煤与瓦斯突出危险性评价。本软件使用 vc+ +语言实现。输入算法:for(int k=0;kOT_IN=(double)indataloop1.inputk;输出层单元的算法:for( int k=0;kinival=0.0;for(int m=0;minival+=(W_HN_OTkm*OT_HDm);inival+=CW_OTk;OT_OTk=sigmf(sig,inival);(2)隐层的设计。隐层可以是一层或多层。隐层单元数与问题的要求和输入输出有直接关系。隐

copyright@ 2010-2023 安全人之家版权所有

经营许可证编号:冀ICP备2022015913号-6