[发明专利]瓦斯含量预测方法、终端设备及计算机可读存储介质

说明书

本发明公开了一种瓦斯含量预测方法、终端设备及计算机可读存储介质，该方法包括：根据瓦斯相关参数构建瓦斯含量预测模型；初始化第一预定数量的输入向量的值，根据输入向量的值确定最优输入向量；将除最优输入向量之外的其他所有输入向量分为两组；分别计算第一组中的每一输入向量及第二组中每一输入向量对应的新值；对两组中所有新值进行寻优操作，根据寻优结果更新最优输入向量；将最优输入向量中值赋予瓦斯含量预测模型，通过第二预定数量的样本数据对预测模型进行训练得到误差值，并继续寻找最优输入向量直至达到预设条件后停止训练。本发明能够较好的预测瓦斯含量，对于煤矿生产安全具有重要意义。

技术领域

本发明涉及深度学习技术领域，具体而言，涉及一种瓦斯含量预测方法、终端设备及计算机可读存储介质。

背景技术

瓦斯是古代植物在堆积成煤的初期，纤维素和有机质经厌氧菌的作用分解而成。在高温、高压的环境中，在成煤的同时，由于物理和化学作用，继续生成瓦斯。瓦斯对空气的相对密度是0.554，在标准状态下瓦斯的密度为0.716kg/m³，瓦斯的渗透能力是空气的1.6倍，难溶于水，不助燃也不能维持呼吸，达到一定浓度时，能使人因缺氧而窒息，并能发生燃烧或爆炸。瓦斯在煤体或围岩中是以游离状态和吸着状态存在的。

瓦斯涌出量达到一定浓度时，是导致煤矿瓦斯灾害的主要来源，其直接影响煤矿安全生产和经济技术指标。因此，准确预测瓦斯涌出量，对于指导矿井设计和安全生产具有重要意义。

发明内容

鉴于上述问题，本发明实施例的目的在于提供一种瓦斯含量预测方法、终端设备及计算机可读存储介质，以解决现有技术的不足。

根据本发明的一个实施方式，提供一种瓦斯含量预测方法，包括：

S1根据瓦斯相关参数构建瓦斯含量预测模型；

S2根据所述瓦斯含量预测模型中所有的权值和神经元阈值作为输入向量的维数，初始化第一预定数量的输入向量的值；

S3根据所述输入向量的值与目标函数对所述第一预定数据量的输入向量进行寻优操作以确定最优输入向量；

S4将除所述最优输入向量之外的其他所有输入向量分为两组；

S5计算第一组中的每一输入向量的繁殖数目，根据所述繁殖数目计算该输入向量对应的新值，根据初始化的搜索角度计算搜索方向，及根据所述搜索方向计算第二组中每一输入向量对应的新值；

S6根据第一组中所有输入向量的新值及第二组中所有输入向量的新值对两组输入向量进行所述寻优操作，根据寻优结果更新所述最优输入向量；

S7将所述最优输入向量中权值和阈值赋予所述瓦斯含量预测模型，通过第二预定数量的样本数据对瓦斯含量预测模型进行训练，并继续执行步骤S3及后续步骤直至达到预设条件后停止训练，根据训练好的瓦斯含量预测模型进行瓦斯含量预测。

在上述的瓦斯含量预测方法中，所述瓦斯含量预测模型包括输入层、预定数量的隐藏层及输出层；

所述“根据瓦斯相关参数构建瓦斯含量预测模型”包括：

将瓦斯相关参数作为输入层参数及根据输入层参数的个数和输出层参数的个数确定隐藏层神经元数目，根据该神经元数目为所述预定数量的隐藏层分配神经元，其中，每一神经元均采用如下所示的模型公式：

其中，Q为神经元的输出，n为输入层中瓦斯相关参数的个数，w_i为输入层中第i个瓦斯相关参数对应的权值，x_i为输入层中第i个瓦斯相关参数，m为前一时刻瓦斯含量预测模型的输出参数的个数，y_j为前一时刻瓦斯含量预测模型的第j个输出参数，b为神经元阈值。