基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法技术

基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法，提出基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ‑CPSO‑BP煤体瓦斯渗透率预测方法。确定临界值将煤层埋深划分为两层；基于有效应力与瓦斯渗透率之间存在拐点关系，确定拐点值将有效应力划分为两段；采用LVQ将4个微观样本参数依据拐点特征进行分类识别，采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化；最后，基于样本案例对本发明专利技术构建的LVQ‑CPSO‑BP算法进行了预测结果验证，并与BP算法、GA‑BP算法及PSO‑BP算法预测的结果进行了对比分析。

Prediction method of coal gas permeability LVQ CPSO based on BP algorithm

Prediction method of coal gas permeability LVQ CPSO based on BP algorithm is proposed based on learning vector quantization neural network (LVQ) classification, chaotic particle swarm optimization algorithm (CPSO) LVQ CPSO BP prediction method of coal gas permeability optimization, BP neural network prediction. To determine the critical value of the coal seam buried depth is divided into two layers; the effective inflexion in the relationship between force and gas permeability based on the inflection point, the effective stress value will be divided into two sections; the LVQ 4 micro sample parameters of corner feature classification, BP neural network is used for training and output prediction results. And CPSO was used for optimization of BP neural network weights and threshold; finally, the sample case of LVQ CPSO BP algorithm constructed by the invention of the prediction results based verification, and compared with the prediction of GA BP algorithm and PSO BP algorithm, BP algorithm results.

【技术实现步骤摘要】
基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法
本专利技术涉及煤体瓦斯渗透率预测领域，特别涉及基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法。
技术介绍
煤矿瓦斯灾害是煤矿开采过程中的主要灾害之一，受地质条件的影响，使得矿井瓦斯在煤层中多以失稳状态渗流运动。由于瓦斯渗透率与地应力、温度和瓦斯压力等所处的地球时间空间特性息息相关，致使瓦斯渗透率呈现出时变性、非线性、模糊性等特点，如何精确预测煤体瓦斯渗透率的动态变化，对预防矿山开采中煤矿瓦斯灾害的发生有重要意义。国内外研究人员针对煤体瓦斯渗透率的变化进行了研究，吕闰生等研究了不同结构下煤体瓦斯渗透率的差异性，揭示了煤体结构差异性对瓦斯渗透率的影响；魏建平等研究了水分和受载条件下含瓦斯煤的渗透性影响因素；尹光志，蒋长宝等研究了瓦斯压力、地应力与渗透率的关系；王登科等研究了瓦斯的渗流特性,得出了渗透率新的计算方法；许江等研究了温度、低孔隙压力和不同瓦斯压力的环境下对煤体瓦斯渗透率特性的影响；Perera等研究了煤体瓦斯气体在非零横向应变条件下的渗透率；赵阳升等研究了三维应力下吸附作用对煤岩体气体渗流规律。由于开采过程中煤体瓦斯渗透率的不确定性以及模糊性特征，国内外学者建立的理论模型和经验公式是不适用于煤体瓦斯渗透率预测的。因此，以智能算法为主的预测方法开始得到了应用，其中BP神经网络(backpropagationneuralnetwork)是用于煤体瓦斯渗透率预测的主要方法之一，一定程度上解决了矿山安全预测问题。但是以BP神经网络为主的单个预测模型算法只能针对特定问题进行解答，因此以组合算法为主架构的混合预测模型研究得到迅速发展，即考虑单一预测模型的优缺点及适用性，通过构建智能优化算法结合神经网络分析煤体瓦斯渗透率在不同条件下的变化特点,建立一种优化算法与神经网络结合的双组合算法，提高了预测精度，然而，获得更高精度的煤体瓦斯渗透率预测在算法上需要更多的组合和改进。综上所述，本专利技术提出采用学习向量量化神经网络算法(LearningVectorQuantization，即LVQ)分类、混沌与粒子群组合生成的混沌粒子群算法(ChaosParticleSwarmOptimization，CPSO)优化、BP神经网络预测的多组合算法对煤体瓦斯渗透率进行预测，通过煤层埋深宏观分层、有效应力微观分段、权值和阈值并行优化、样本数据学习训练、检验样本预测验证，并与BP单一算法、遗传和BP双组合算法(GeneticAlgorithmGA-BP)、粒子群和BP双组合算法(ParticleSwarmOptimization，PSO-BP)预测的结果进行对比分析，充分证明了LVQ-CPSO-BP多组合算法在煤体瓦斯渗透率预测精度提高方面可行、有效。
技术实现思路
为解决上述现有技术存在的问题，本专利技术的目的在于提供基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法。总体预测值与实测值吻合度高，尤其当有效应力减小时，预测精度更高。为达到上述目的，本专利技术的技术方案为：基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，由如下步骤构成：步骤一、煤层埋深划分及选择：对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以上，处于瓦斯风化带，本专利技术不做讨论；而非浅埋层是指150m以下，最深达到1500m左右，大部分煤层处于200m-700m之间，因此本专利技术忽略浅埋层，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层；步骤二，主要影响因素选择：选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素；有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓，将2MPa设为有效应力拐点；步骤三、在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类；步骤四、建立基于CPSO-BP算法的煤体瓦斯渗透率预测子模型；步骤五、通过LVQ-CPSO-BP预测系统的训练，获得煤体瓦斯渗透率预测结果。进一步的，为了评价所建立预测模型的可信度及精确度，对误差和精度进行量化，采用式(1)-式(4)预测误差和精度评价指标进行煤体瓦斯渗透率预测结果定量评估：1)预测误差的可靠性用平均相对误差:(meanrelativeerror,MRE)：2)预测值偏离真值误差的大小用平均绝对误差(meanabsoluteerror,MAE)：3)样本数据离散程度用均方根误差(rootmeansquareerror,RMSE)：4)预测模型精确度(forecastmodelaccuracy,FMA)：其中：Xi为真实值，Xi′为与预测值,M为样本数量。进一步的，所述步骤三中，采用LVQ以有效应力拐点为界将其分为煤体瓦斯渗透率变化平缓型和陡峭型两种类型，以样本数据中有效应力为(1-5)MPa的平均值温度平均值瓦斯压力平均值抗压强度平均值作为LVQ的输入，经过LVQ分类识别训练后，获得两类分类样本数据。进一步的，所述步骤三中，煤体瓦斯渗透率预测学习样本向量用X表示，样本集为：[X]＝[x1,x2,x3,x4]T＝[σ,T,P,σm]T(5)其中σ为有效应力(MPa)、T为温度(℃)、P为瓦斯压力(MPa)、σm为抗压强度(MPa)；输入层输入集为：竞争层的样本用Y表示为：Y＝(y1，y2，…ym)T，yi∈{0，1}，i＝1，2，…，m(7)输入层和竞争层之间的权值矩阵用W1：竞争层到输出层之间的权值矩阵用W2：网络的期望值输出用d表示为：d＝(d1，d2，…dl)T(10)输出层的输出用O表示，输出集为：[O]＝[o1，o2]T＝[1，0]T(11)其中，o1为陡峭型类别，o2为平缓型类别。进一步的，所述步骤四中，在LVQ将样本数据分为两大类后，采用CPSO-BP预测，CPSO算法采用Logistic映射混沌系统，迭代公式为：zi+1＝μzi(1-zi)，i＝0，1，…，μ∈(2，4](12)式中：μ为控制变量；当μ＝4，0≤z0≤1时，Logistic完全处于混沌状态，利用μ＝4时的混沌运动特性改进标准粒子群算法，即zi+1＝4zi(1-zi)，i＝0，1，…(13)粒子群初始化阶段利用公式(13)产生出优良的初始群体作为初始粒子群，以减轻随机初始化粒子群对算法优化性能的影响。进一步的，所述步骤四中，将BP神经网络结构的层数设为3层,设R、S1、S2分别为输入层、隐含层、输出层神经元个数，其中的输入层神经元为LVQ分类后的样本数据，隐含层为S函数，最佳隐含节点数为3个，输出层为煤体瓦斯渗透率。BP神经网络的权值和阈值与粒子群个体位置向量P的维数N之间的映射关系如公式(14)所示：N＝S1×R+S1×S2+S1+S2(14)进一步的，所述步骤三中、经过影响因素筛选，以有效应力，温度，瓦斯压力，抗压强度与渗透率的对应数据为样本进行学习；采用Matlab2015神经网络工具箱结合样本数据编写了BP、GA-BP、PSO-BP、CPSO-BP四种组合方式渗透率预测模型代码，设定BP神经网络迭代次数1500次，学习率0.01,最小均方根误差10-5；CPSO优化神经网络的粒子取W＝0本文档来自技高网...

【技术保护点】
基于LVQ‑CPSO‑BP算法的煤体瓦斯渗透率预测方法，其特征在于，由如下步骤构成：步骤一、煤层埋深划分及选择：对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以上，处于瓦斯风化带，本专利技术不做讨论；而非浅埋层是指150m以下，最深达到1500m左右，大部分煤层处于200m‑700m之间，因此本专利技术忽略浅埋层，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层；步骤二，主要影响因素选择：选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素；有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓，将2MPa设为有效应力拐点；步骤三、在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类；步骤四、建立基于CPSO‑BP算法的煤体瓦斯渗透率预测子模型；步骤五、通过LVQ‑CPSO‑BP预测系统的训练，获得煤体瓦斯渗透率预测结果。

【技术特征摘要】
1.基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法，其特征在于，由如下步骤构成：步骤一、煤层埋深划分及选择：对煤层埋深进行研究：煤层埋深分为浅埋层和非浅埋层，而浅埋层一般在150m以上，处于瓦斯风化带，本发明不做讨论；而非浅埋层是指150m以下，最深达到1500m左右，大部分煤层处于200m-700m之间，因此本发明忽略浅埋层，将非浅埋层自定义分为两层，设临界值为700m，以浅为中埋层，以深为深埋层；步骤二，主要影响因素选择：选择有效应力、温度、瓦斯压力、抗压强度作为主要影响因素；有效应力与煤体瓦斯渗透率之间的关系出现拐点，有效应力小于拐点时，煤体瓦斯渗透率变化较快，大于拐点时，煤体瓦斯渗透率变化平缓，将2MPa设为有效应力拐点；步骤三、在煤层埋深非浅埋层宏观划分基础上，采用LVQ算法对有效应力样本数据按拐点进行微观分类；步骤四、建立基于CPSO-BP算法的煤体瓦斯渗透率预测子模型；步骤五、通过LVQ-CPSO-BP预测系统的训练，获得煤体瓦斯渗透率预测结果。2.根据权利要求1所述的方法，其特征在于，为了评价所建立预测模型的可信度及精确度，对误差和精度进行量化，采用式(1)-式(4)预测误差和精度评价指标进行煤体瓦斯渗透率预测结果定量评估：1)预测误差的可靠性用平均相对误差：2)预测值偏离真值误差的大小用平均绝对误差：3)样本数据离散程度用均方根误差：4)预测模型精确度：其中：Xi为真实值，X′i为与预测值,M为样本数量。3.根据权利要求1所述的方法，其特征在于，所述步骤三中，采用LVQ以有效应力拐点为界将其分为煤体瓦斯渗透率变化平缓型和陡峭型两种类型，以样本数据中有效应力为(1-5)MPa的平均值温度平均值瓦斯压力平均值抗压强度平均值作为LVQ的输入，经过LVQ分类识别训练后，获得两类分类样本数据。4.根据权利要求3所述的方法，其特征在于，所述步骤三中，煤体瓦斯渗透率预测学习样本向量用X表示，样本集为：[X]＝[x1,x2,x3,x4]T＝[σ,T,P,σm]T(5)其中σ为有效应力单位MPa、T为温度单位℃、P为瓦斯压力单位MPa、σm为抗压强度单位MPa；输入层输入集为：竞争层的样本用Y表示为：Y＝(y1,y2,…ym)T,yi∈{0,1},i＝1,2,…,m(7)输入层和竞争层之间的权值矩阵用W1：竞争层到输出层之间的权值矩阵用W2：网络的期...

【专利技术属性】
技术研发人员：谢丽蓉，路朋，王晋瑞，高磊，牛永朝，王忠强，
申请(专利权)人：新疆大学，
类型：发明
国别省市：新疆,65