基于DBO-BP神经网络的采空区煤温预测方法及应用
翟小伟1
王博1
蒋学明2
侯树宏3
郝乐1
1.西安科技大学 安全科学与工程学院,陕西 西安 710054;陕西省煤火灾害防控重点实验室,陕西 西安 710054;陕西高校青年创新团队-矿山应急救援创新团队,陕西 西安 7100542.国家能源集团宁夏煤业有限责任公司 任家庄煤矿,宁夏 银川 7514003.国家能源集团宁夏煤业有限责任公司 枣泉煤矿,宁夏 银川 751410
摘要：矿井煤自燃防控的关键手段之一是预测采空区煤自然发火温度.为了更加准确地对采空区煤自然发火温度进行预测预警,采集枣泉煤矿 2#煤层煤样进行自燃特性试验,采集试验得到的数据,记录煤样在氧化升温过程中释放的O2、CO、CH4、CO2、C2H4 和C2H6 体积分数的变化,将上述标志气体体积分数作为输入数据,将对应的煤样氧化温度作为输出数据,按照比例选取训练集和测试集,利用python软件建立了一种基于BP神经网络的煤自燃预测模型.采用新型群智能蜣螂优化算法对BP神经网络的各项超参数进行优化,建立了参数优化的DBO-BP预测模型,并将预测结果与粒子群算法(PSO-BP)、遗传算法(GA-BP)和麻雀搜索算法(SSA-BP)的各项性能指标进行对比分析.结果表明:DBO-BP、SSA-BP、GA-BP、PSO-BP对BP神经网络预测模型进行超参数优化后的测试阶段平均绝对百分比误差(MAPE)分别为 6.97%、8.63%、7.88%、8.18%;回归系数R2 分别为 0.976 3、0.966 8、0.970 1、0.969 0,其中DBO-BP模型的MAPE值最小,R2 最接近 1,证明了DBO-BP预测模型收敛速度更快,求解精准度更高,具有更高的预测精度和鲁棒性.基于DBO-BP模型对枣泉煤矿 150202 工作面采空区遗煤氧化温度进行预测,根据该模型的预测误差得到预测温度与现场实测温度的相对误差为 6.97%,采用DBO算法优化后的模型在预测遗煤氧化升温方面精准度较高.
关键词：煤自燃标志气体监测预警蜣螂算法预测模型
分类号：TD75+2.2(矿山安全与劳动保护)
资助基金：国家自然科学基金(52274229)陕西省教育厅科学研究计划资助项目(21JP078)
论文发表日期：2025-04-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 75-81 )
英文信息