高瓦斯礦井掘進通風瓦斯?jié)舛阮A測神經網絡模型研究.pdf

1、隨著煤礦采掘深度和規(guī)模的不斷增加,煤層瓦斯涌出量不斷上升,礦井瓦斯?jié)舛瘸奘鹿暑l繁發(fā)生,其中掘進工作面瓦斯?jié)舛瘸奘鹿视葹橥怀觥＝涍^調查研究發(fā)現,其中掘進通風系統(tǒng)不合理是導致掘進工作面瓦斯?jié)舛瘸奘鹿拾l(fā)生的重要原因之一。通過對煤礦現場實地調研及獲取的信息分析可知,掘進通風系統(tǒng)不合理包括掘進通風系統(tǒng)通風設備布局和配置參數不合理等因素。本文在對不同掘進階段、不同瓦斯涌出量下的掘進通風關鍵影響因素分析基礎上,采用神經網絡技術建立了掘進通風各種

2、關鍵影響因素與瓦斯?jié)舛汝P系的神經網絡預測模型。本文研究為掘進通風過程中的瓦斯?jié)舛葎討B(tài)預測及合理優(yōu)化的通風方案選擇提供一定的理論依據。完成的主要研究內容如下:
　　(1)在對掘進通風瓦斯?jié)舛葒鴥韧庋芯楷F狀,及煤礦現場實地調研獲得的實測樣本數據分析的基礎上,對引起掘進工作面瓦斯?jié)舛茸兓木蜻M通風關鍵影響因素進行了分析,確定了不同瓦斯涌出量和不同掘進深度下的掘進通風關鍵影響因素分別為:局部通風機功率、風筒直徑、風筒長度;
　　(2

3、)針對掘進通風各種關鍵影響因素與瓦斯?jié)舛戎g存在的復雜的非線性關系,及各種神經網絡技術對處理非線性問題的優(yōu)勢,本文采用BP和RBF神經網絡設計了掘進通風瓦斯?jié)舛阮A測模型。瓦斯?jié)舛菳P預測模型結構設計時,采用一層隱含層的三層網絡結構,利用現場獲得的實測數據對不同隱含層神經元個數的模型分別訓練,綜合比較訓練結果,確定最優(yōu)隱含層神經元個數。RBF預測模型結構受自身因素決定隱含層只能為一層,隱含層神經元個數隨著 RBF預測模型創(chuàng)建函數的選擇而自

4、動設定。以掘進通風關鍵影響因素作為兩個預測模型的輸入層,瓦斯?jié)舛茸鳛閮蓚€模型的輸出層;
　　(3)利用MATLAB軟件和煤礦獲得的現場實測樣本數據,建立了掘進通風瓦斯?jié)舛菳P和RBF預測模型。BP模型建立過程中訓練函數的選擇,采用比較不同訓練函數的訓練性能,選擇訓練誤差小、時間短、迭代過程平穩(wěn)的函數作為BP模型的最優(yōu)訓練函數;RBF模型建立過程中分布密度的選擇,采用比較不同分布密度值時的預測模型的預測誤差,選擇預測誤差最小時的值作