[发明专利]基于长短期记忆神经网络的井下气体浓度预测方法及装置

说明书

本申请公开了一种基于长短期记忆神经网络的井下气体浓度预测方法及装置。该方法中，获取历史井下气体浓度数据；根据历史井下气体浓度数据，训练基于长短期记忆神经网络的预测模型；根据历史井下气体浓度数据和预测模型对井下气体浓度进行预测。本申请利用井下气体浓度具有时间序列、长短期记忆神经网络输出数据不仅与当前时间输入数据有关，而且受上一时间输出数据影响的特点，根据获取到的气体浓度的历史数据训练长短期记忆神经网络预测模型，从而实现基于长短期记忆神经网络对气体浓度进行预测，较好的预测井下气体浓度，为后期针对性处理及人员工作提供依据。

技术领域

本申请涉及气体检测技术领域，尤其涉及一种基于长短期记忆神经网络的井下气体浓度预测方法及装置。

背景技术

我国矿产资源开发多涉及井下工作，由于开采深度增大，开采技术限制，在资源挖掘过程中产生的环境污染性气体伴随通风在巷道及工作面扩散并发生积聚现象，当这些有毒有害气体达到一定浓度则直接影响人员健康甚至导致危害性事故。井下工作环境复杂，气体浓度的监测数据存在滞后性，因此，通过技术手段对气体浓度进行提前预测即可以保障人员健康也可以为井下气体针对处理提供指导。

传统的井下气体浓度预测的方法很多，如，利用流体动力学经验公式进行数学建模，通过传统时间序列预测方法建立预测模型。由于井下工作环境具有差异，气体浓度变化的影响因素复杂，利用传统的预测方法处理大量非线性数据时存在预测精度低，易产生较大误差的问题。

发明内容

本申请实施例提供一种基于长短期记忆神经网络的井下气体浓度预测方法及装置，用于实现对井下气体浓度进行较为精准的预测。

第一方面，本申请实施例提供了一种基于长短期记忆神经网络的井下气体浓度预测方法，包括：

获取历史井下气体浓度数据；

根据所述历史井下气体浓度数据，训练基于长短期记忆神经网络的预测模型；

根据所述历史井下气体浓度数据和所述预测模型对气体浓度进行预测。

在一种可能的实现方式中，所述根据所述历史井下气体浓度数据训练基于长短期记忆神经网络的预测模型，包括：

从所述历史井下气体浓度数据中获取连续N个数据，将所述N个数据作为一组样本；

将多组所述样本输入至长短期记忆人工神经网络，训练基于长短期记忆神经网络的预测模型；

根据所述历史井下气体浓度数据对所述预测模型进行误差分析，并根据损失函数对所述预测模型进行调整，直至所述预测模型的误差参数小于预设阈值，将所述调整后的预测模型作为用于预测的预测模型。

在一种可能的实现方式中，所述基于长短期记忆神经网络的预测模型，包括：遗忘门、输入门和输出门；

其中，遗忘门根据下述公式确定：f_t＝σ(W_f·[H_t-1，x_t]+b_f)

输入门根据下述公式确定：I_t＝σ(W_I·[H_t-1，x_t]+b_I)

C_t＝tanh(W_C·[H_t-1，x_t]+b_C)

输出门根据下述公式确定：O_t＝σ(W_o·[H_t-1，x_t]+b_o)