论文部分内容阅读
瓦斯浓度是导致瓦斯灾害的重要因素之一,瓦斯浓度预测是为了保障煤矿安全生产和工作人员的生命安全。因此,有效的预防瓦斯灾害,可减少瓦斯事故的发生和降低事故造成的损失。针对煤矿安全生产的需要,对煤矿采煤工作面瓦瓦斯浓度进行精准预测是非常重要的研究课题。煤矿瓦斯浓度受流量,风速、抽采负压、浓度、温度等多个因素的影响。由于各影响因素之间具有复杂的非线性关系,采用单传感器进行瓦斯浓度预测会导致预测准确率较低,不能有效反应矿井真实环境状况。因此,需要通过多参数融合预测来提高瓦斯浓度预测的精度,进而构建精度更高的多参数瓦斯浓度预测模型。首先基于Lasso回归算法对预处理后的瓦斯浓度时间序列的多个参数进行特征选择,构建瓦斯浓度特征选择算法,并基于网格搜索法选取最优的α值和L1范数,从而确定具有强解释性的工作面瓦斯浓度时间序列特征集合,并对Lasso特征选择前后的瓦斯浓度预测结果进行实验对比,验证了该算法的有效性。其次,以Lasso回归算法特征选择后的瓦斯浓度特征集合为研究对象,构建基于RNN的工作面瓦斯浓度多参数融合预测模型,确定模型的预测方法性能评价指标,并采用网格搜索法对批量大小、神经元个数、学习率、丢弃比例和网络深度进行超参数调优,采用早停法防止过拟合现象。最后,以MAPE为性能评价指标,对基于RNN的瓦斯浓度预测模型与基于PSO-SVR和基于PSO-Adam-BP神经网络的瓦斯浓度预测模型进行实验对比分析。实验结果表明:经过Lasso 回归算法特征选择后的瓦斯浓度时间序列,可有效去除瓦斯浓度时间序列中与目标变量相关性较小的特征变量,保留与目标变量相关性较大的变量,从而提高瓦斯浓度时间序列的可解释性,Lasso特征选择出的三个变量包括回风流瓦斯浓度、上隅角瓦斯浓度和温度;采用网格搜索法对批量大小、神经元个数、学习率、丢弃比例和网络深度进行超多数调参,可有效的寻取最优的超参数组合,训练误差可降低为0.0195;经过Adam优化的RNN瓦斯浓度预测模型较BP神经网络和SVR具有更高的精度和稳定性,在训练过程中MAE可降低到0.0573,RMSE可降低到0.0167,预测过程中MAPE可降低到0.3384%。基于Adam优化的RNN瓦斯浓度预测模型和参数优选方法可有效预测出瓦斯浓度,该方法在瓦斯浓度时间序列预测方面具有更高的准确性,可为矿井瓦斯治理提供一定参考意见。