[发明专利]基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法

说明书

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。

技术领域

本发明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。

背景技术

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(back propagation neuralnetwork)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，本发明提出采用学习向量量化神经网络算法(Learning VectorQuantization，即LVQ)分类、混沌与粒子群组合生成的混沌粒子群算法(Chaos ParticleSwarm Optimization，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(Genetic AlgorithmGA-BP)、粒子群和BP双组合算法(Particle Swarm Optimization，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。

发明内容

为解决上述现有技术存在的问题，本发明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，本发明的技术方案为：

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：