【技术实现步骤摘要】
本专利技术涉及一种煤样解吸规律，具体是一种煤样瓦斯解吸曲线人工智能预测方法，属于煤矿瓦斯防治。
技术介绍
1、
2、煤样瓦斯解吸规律是煤矿瓦斯涌出量预测、钻孔瓦斯抽采设计、煤层瓦斯基础参数测定的重要依据，直接影响着煤矿瓦斯防治效果的可靠性和准确性。
3、以往研究煤样瓦斯解吸规律的实验方法包括井下钻孔取芯解吸、实验室吸附解吸等测试方法，但煤样瓦斯解吸过程受到众多因素的影响，且井下现场以及实验室解吸法耗时长、效率低；研究煤样瓦斯解吸规律的理论模型虽然多种多样，但大都是半经验拟合公式，对于不同粒径、不同瓦斯压力条件下瓦斯解吸规律的适用性有限。
技术实现思路
1、本专利技术的目的是提供一种煤样瓦斯解吸曲线人工智能预测方法，能够突破以往半经验模型和实验测试方法的适用局限性，根据已有的较少瓦斯解吸数据进行期望时间段内的瓦斯解吸曲线预测，并提高瓦斯解吸预测的精准度。
2、为了实现上述目的，本专利技术提供一种煤样瓦斯解吸曲线人工智能预测方法，将煤样瓦斯解吸曲线预测分为解吸曲线历史预测和解吸曲线超前预测，具体预测步骤如下：
3、①获取瓦斯解吸实验数据
4、选取同一矿区、同一地质单元内的不同粒径的煤样，在实验室测定该煤样在不同瓦斯吸附平衡压力下不同时刻的瓦斯解吸数据，读数时间间隔为δt，得到一系列关于解吸时间和瓦斯解吸量的时间序列数据组，记为{(x1,y1),(x2,y2),(x3,y3),…,(xn-1,yn-1),(xn,yn)}，其中n
5、②对瓦斯解吸数据预处理
6、将实验获得的瓦斯解吸数据组，按照解吸时间划分为三个数据集，其中前期数据集对应的时间序列数据组为xi∈[0,t1]，中期数据集对应的时间序列数据组为xi∈(t1,t2)，后期数据集对应的时间序列数据组为xi∈[t2,xn]，t1和t2为设定的解吸时间，满足0＜t1＜t2≤xn，且t1和t2为δt的整数倍；
7、③采用人工智能算法对数据集划分
8、对于解吸曲线历史预测，将中期数据集和后期数据集作为人工智能算法的训练数据集，前期数据集为测试数据集；
9、对于解吸曲线超前预测，将前期数据集和中期数据集作为人工智能算法的训练数据集，后期数据集为测试数据集；
10、将所有训练数据集进行归一化处理；
11、④煤样瓦斯解吸曲线预测
12、对于解吸曲线历史预测，选择两种人工智能预测模型分别对前期数据集进行预测，并进行反归一化输出，然后将两种人工智能预测模型预测的结果进行加权组合，得到对解吸曲线的最终预测结果；
13、对于解吸曲线超前预测，仅使用一种人工智能预测模型对后期数据进行预测，输出最终预测结果。
14、本专利技术步骤④中对于解吸曲线历史预测所使用的两种人工智能预测模型分别为最小二乘向量机模型和bp神经网络模型；
15、对于解吸曲线超前预测所使用的人工智能预测模型为bp神经网络模型。
16、本专利技术步骤①和②中读数时间间隔为δt为2s；前期数据集对应的解吸时间t1为5min，每个测试集共150组数据；后期数据集对应的解吸时间t2和xn满足：xn-t2＝30min、40min或60min，对应的每个测试数据集分别有900、1200和1800组数据。
17、本专利技术步骤①中煤样粒径分别取0.18-0.25mm，0.425-0.85mm，1-2mm，3-6mm，吸附平衡压力分别取0.5mpa，1.0mpa，1.5mpa，2.0mpa。
18、本专利技术步骤④中所述的将两种人工智能预测模型预测的结果进行加权组合，是将中期数据集和后期数据集导入最小二乘向量机模型和bp神经网络模型进行人工智能训练，分别反归一化输出两种模型对应测试数据集内的瓦斯解吸预测数据组{y1i}和{y2i}，其中i＝1,2,3...k(k为测试集数据的个数)；加权组合预测模型为：
19、y＝y1i×w1i+y2i×w2i
20、w1i+w2i＝1
21、式中：w1i为最小二乘支持向量机模型预测结果所赋予的权重；
22、w2i为bp神经网络模型预测结果所赋予的权重。
23、本专利技术采用粒子群优化算法确定权重系数w1i和w2i的最优值，粒子群优化目标函数为
24、
25、式中：yi为测试集内瓦斯解吸实验数据；
26、当目标函数α达到最小值时，输出最优权重。
27、与现有技术相比，本专利技术将煤样瓦斯解吸曲线预测分为解吸曲线历史预测和解吸曲线超前预测，在实验获取一定煤样粒径和吸附平衡压力下的瓦斯解吸数据，将瓦斯解吸数据划分为训练集和测试集并进行归一化处理；对于解吸曲线历史预测，选择两种人工智能机器学习模型，将瓦斯解吸训练集数据作为模型输入，然后将两种单项模型对测试集数据的输出结果进行加权组合，得到对解吸曲线历史预测的最终结果；对于解吸曲线超前预测，仅使用一种人工智能机器学习模型，将瓦斯解吸训练集数据作为模型输入，输出对解吸曲线超前预测的最终结果。本专利技术采用人工智能预测方法可以剔除外部因素的影响，关注于瓦斯解吸数据内部变化规律，不依赖于实验条件和半经验模型即可对瓦斯解吸规律进行预测。因此，本专利技术无需开展大量实验测试工作，仅根据较少的瓦斯解吸数据即可对所要预测时间段内的瓦斯解吸曲线进行预测，提高了煤样瓦斯解吸曲线预测的准确度，具有较好的普适性。
本文档来自技高网...【技术保护点】
1.一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，将煤样瓦斯解吸曲线预测分为解吸曲线历史预测和解吸曲线超前预测，具体预测步骤如下：
2.根据权利要求1所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，所述步骤④中对于解吸曲线历史预测所使用的两种人工智能预测模型分别为最小二乘向量机模型和BP神经网络模型；
3.根据权利要求1或2所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，所述步骤①和②中读数时间间隔为Δt为2s；前期数据集对应的解吸时间t1为5min，每个测试集共150组数据；后期数据集对应的解吸时间t2和xn满足：xn-t2＝30min、40min或60min，对应的每个测试数据集分别有900、1200和1800组数据。
4.根据权利要求3所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，所述步骤①中煤样粒径分别取0.18-0.25mm，0.425-0.85mm，1-2mm，3-6mm，吸附平衡压力分别取0.5MPa，1.0MPa，1.5MPa，2.0Mpa。
5.根据权利要求4所述的一种煤样瓦斯解吸曲线
6.根据权利要求5所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，采用粒子群优化算法确定权重系数w1i和w2i的最优值，粒子群优化目标函数为
...【技术特征摘要】
1.一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，将煤样瓦斯解吸曲线预测分为解吸曲线历史预测和解吸曲线超前预测，具体预测步骤如下：
2.根据权利要求1所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，所述步骤④中对于解吸曲线历史预测所使用的两种人工智能预测模型分别为最小二乘向量机模型和bp神经网络模型；
3.根据权利要求1或2所述的一种煤样瓦斯解吸曲线人工智能预测方法，其特征在于，所述步骤①和②中读数时间间隔为δt为2s；前期数据集对应的解吸时间t1为5min，每个测试集共150组数据；后期数据集对应的解吸时间t2和xn满足：xn-t2＝30min、40min或60min，对应的每个测试数据集分别有900、1200和1800组数据。
4.根据权利要求3所述的一种煤样瓦斯解吸曲线人工智能...
【专利技术属性】
技术研发人员：王越，康建宏，孙刘咏，王亚楠，惠保安，李文会，张冉，白晓明，
申请(专利权)人：陕西建新煤化有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。