采煤条件下基于PSO-BP算法的采空区自然发火预测方法和系统技术方案

本申请涉及采矿领域，提供了一种采煤条件下基于PSO

【技术实现步骤摘要】
采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法和系统


[0001]本申请涉及采矿
，特别涉及一种采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法和系统。

技术介绍

[0002]采煤条件下，采空区自然发火是煤炭开采过程中面临的主要灾害之一，不仅会烧毁大量煤炭资源，造成巨大经济损失，而且会严重威胁煤炭开采作业人员的生命安全。
[0003]煤温是表征采煤条件下采空区自然发火危险程度的一个重要指标，而采空区实际环境复杂，面积很大，现有测温技术无法精准监测到采空区出现的最高温度。因此，采煤过程中，及时预测采空区最高温度对煤自燃灾害防治十分重要。
[0004]现有采煤条件下，采空区自然发火温度预测模型大多基于指标气体和煤温间的关系而建立，但该关系均是通过静态的程序升温氧化实验确定的，但是由于煤矿井下实际地质条件、采煤工艺、采空区漏风状况等具有复杂性，在实验室条件下难以进行相似模拟，致使现有的采空区温度预测模型难以在现场较好应用，预测结果准确度很低。
[0005]因而，亟需提供一种针对上述现有技术不足的技术方案。

技术实现思路

[0006]本申请的目的在于提供一种采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法和系统，以解决或缓解上述现有技术中存在的问题。
[0007]为了实现上述目的，本申请提供如下技术方案：本申请提供一种采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，包括：步骤S101、基于构建的采煤条件下采空区自然发火多场耦合模型，根据采煤工作面的工作面状态参数和煤样的耗氧速度、放热强度，确定采空区固体温度场分布，以建立采空区最高温度与采空区进回风两侧边界温度的非线性映射；其中，采煤工作面的工作面状态参数包括：工作面推进速度、遗煤厚度、工作面通风量、地层原始温度；步骤S102、基于采空区最高温度与采空区进回风两侧边界温度的非线性映射，以工作面的状态参数、煤样的耗氧速度、放热强度，以及采空区进回风两侧边界温度为输入，采空区的最高温度为输出，获取采空区自然发火模拟数据训练集；其中，采空区自然发火模拟数据训练集包括多组训练样本，每组训练样本包括对应的工作面的状态参数、煤样的耗氧速度、放热强度、采空区进回风两侧边界温度，以及对应的采空区的最高温度；步骤S103、根据采空区自然发火模拟数据训练集，对建立的基于PSO
‑
BP神经网络的采空区自然发火预测模型进行训练；步骤S104、根据测定的采空区进回风两侧距离采煤工作面不同距离处的多组边界温度以及对应的工作面状态参数、煤样的耗氧速度、放热强度，基于采空区自然发火预测模型，对采空区的最高温度进行预测。
[0008]优选的，在步骤S101中，基于煤样的升温氧化实验，确定煤样的耗氧速度、放热强
度；采煤条件下的采空区自然发火多场耦合模型为：；其中，K为多孔介质渗透系数，为重力加速度，为采空区内气体的静压和速压之和；为采空区内的气体密度，为以预设水平面为基准面的标高，为控制体表面上任意微元面积；为控制体的表面积；微元外法线向量；为采空区内浮煤的孔隙率，为微元面积处的渗流速度，为采空区中氧气的扩散系数常数，为采空区内氧气摩尔浓度，为单位时间内单位体积煤的耗氧量，为控制体的体积；为采空区内气体导热系数，为采空区内气体温度，为采空区内煤岩与采空区内气体对流换热系数，为采空区内煤岩与采空区内气体对流换热表面积，为煤岩温度，为边界的温度分布函数；为采空区冒落煤岩的导热系数，为单位时间内控制体内遗煤的放热量，为采煤工作面的推进速度，为煤岩密度, 为煤岩比热容, 为采空区内煤岩温度，为煤层的倾角。
[0009]优选的，在步骤S102中，基于采空区最高温度与采空区进回风两侧边界温度的非线性映射，获取工作面的状态参数、煤样的耗氧速度、放热强度，以及距离采煤工作面不同预设距离的多组进风侧边界温度、多组回风侧边界温度与采空区最高温度之间一一对应的原始数据集；按照公式：；对原始数据集中的数据进行归一化处理，生成采空区自然发火模拟数据训练集；其中，为待归一化的数据原始值，为待归一化的数据原始值中的最小值；为待归一化的数据原始值中的最大值；为待归一化的数据原始值归一化后的值。
[0010]优选的，在步骤S103中，基于粒子群PSO算法，确定基于BP神经网络架构的采空区自然发火预测模型的初始网络权值和初始网络阈值；根据采空区自然发火模拟数据训练集，对采空区自然发火预测模型的网络权值和网络阈值进行调整，直至采空区自然发火预测模型的误差精度小于目标误差或者达到最大训练次数。
[0011]优选的，基于粒子群PSO算法，确定基于BP神经网络架构的采空区自然发火预测模型的初始网络权值和初始网络阈值，包括：根据粒子群PSO算法中各个粒子的适应度，确定每个粒子个体的最优位置；根据每个粒子的最优位置，确定粒子群PSO算法中整个种群的最优位置；响应于粒子群PSO算法中整个种群的最优位置的适应度值满足粒子群PSO算法的预设终止条件，确定满足预设终止条件的整个种群的最优位置在各维空间对应的位置坐标，
为采空区自然发火预测模型的初始网络权值和初始网络阈值。
[0012]优选的，根据粒子群PSO算法中各个粒子的适应度，确定每个粒子个体的最优位置，包括：按照适应度函数：；
[0013]确定粒子群PSO算法中各个粒子的适应度；其中，为第个粒子进化到第代时所在位置的粒子适应度值,为粒子个体进化过程中的进化代数，为正整数； 为训练样本的数量, 为任一训练样本中的一组训练数据，，，为粒子群PSO算法中整个种群中包含的粒子个数;为自然发火模拟数据训练集中训练数据对应输出的采空区的最高温度；为与对应的输入在采空区自然发火预测模型中的输出；按照公式：；
[0014]确定第个粒子进化到第代，粒子个体的最优位置, 为粒子个体的最终进化代数。
[0015]优选的，根据每个粒子的最优位置，确定粒子群PSO算法中整个种群的最优位置，包括：按照公式：；
[0016]确定整个种群进化到第代，整个种群的最优位置；式中，，为粒子群PSO算法中整个种群中包含的粒子个数，为粒子个体的最终进化代数；其中，按照公式：；
[0017]确定每个粒子个体的最优位置的适应度值；式中，为粒子个体进化过程中的进化代数， 为粒子个体的最终进化代数；为粒子个体进化到第代时的适应度值。
[0018]优选的，响应于粒子群PSO算法中整个种群的最优位置的适应度值满足粒子群PSO算法的预设终止条件，确定满足预设终止条件的整个种群的最优位置在各维空间对应的位置坐标，为采空区自然发火预测模型的初始网络权值和初始网络阈值，包括：根据整个种群中每个粒子个体的最优位置的适应度，确定整个种群进化到第代，整个种群的最优位置的适应度值；响应于整个种群的最优位置的适应度值不满足粒子群PSO算法的预设终止条件，则按照公式：
；
[0019]对每个粒子个体经过的最优位置以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于，包括：步骤S101、基于构建的采煤条件下采空区自然发火多场耦合模型，根据采煤工作面的工作面状态参数和煤样的耗氧速度、放热强度，确定采空区固体温度场分布，以建立采空区最高温度与采空区进回风两侧边界温度的非线性映射；其中，采煤工作面的工作面状态参数包括：工作面推进速度、遗煤厚度、工作面通风量、地层原始温度；步骤S102、基于采空区最高温度与采空区进回风两侧边界温度的非线性映射，以工作面的状态参数、煤样的耗氧速度、放热强度，以及采空区进回风两侧边界温度为输入，采空区的最高温度为输出，获取采空区自然发火模拟数据训练集；其中，采空区自然发火模拟数据训练集包括多组训练样本，每组训练样本包括对应的工作面的状态参数、煤样的耗氧速度、放热强度、采空区进回风两侧边界温度，以及对应的采空区的最高温度；步骤S103、根据采空区自然发火模拟数据训练集，对建立的基于PSO
‑
BP神经网络的采空区自然发火预测模型进行训练；步骤S104、根据测定的采空区进回风两侧距离采煤工作面不同距离处的多组边界温度以及对应的工作面状态参数、煤样的耗氧速度、放热强度，基于采空区自然发火预测模型，对采空区的最高温度进行预测。2.根据权利要求1所述的采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于，在步骤S101中，基于煤样的升温氧化实验，确定煤样的耗氧速度、放热强度；采煤条件下的采空区自然发火多场耦合模型为：；其中，K为多孔介质渗透系数，为重力加速度，为采空区内气体的静压和速压之和；为采空区内的气体密度，为以预设水平面为基准面的标高，为控制体表面上任意微元面积；为控制体的表面积；微元外法线向量；为采空区内浮煤的孔隙率，为微元面积处的渗流速度，为采空区中氧气的扩散系数常数，为采空区内氧气摩尔浓度，为单位时间内单位体积煤的耗氧量，为控制体的体积；为采空区内气体导热系数，为采空区内气体温度，为采空区内煤岩与采空区内气体对流换热系数，为采空区内煤岩与采空区内气体对流换热表面积，为煤岩温度，为边界的温度分布函数；
为采空区冒落煤岩的导热系数，为单位时间内控制体内遗煤的放热量，为采煤工作面的推进速度，为煤岩密度,为煤岩比热容,为采空区内煤岩温度，为煤层的倾角。3.根据权利要求1所述的采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于，在步骤S102中，基于采空区最高温度与采空区进回风两侧边界温度的非线性映射，获取工作面的状态参数、煤样的耗氧速度、放热强度，以及距离采煤工作面不同预设距离的多组进风侧边界温度、多组回风侧边界温度与采空区最高温度之间一一对应的原始数据集；按照公式：；对原始数据集中的数据进行归一化处理，生成采空区自然发火模拟数据训练集；其中，为待归一化的数据原始值，为待归一化的数据原始值中的最小值；为待归一化的数据原始值中的最大值；为待归一化的数据原始值归一化后的值。4.根据权利要求1所述的采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于，在步骤S103中，基于粒子群PSO算法，确定基于BP神经网络架构的采空区自然发火预测模型的初始网络权值和初始网络阈值；根据采空区自然发火模拟数据训练集，对采空区自然发火预测模型的网络权值和网络阈值进行调整，直至采空区自然发火预测模型的误差精度小于目标误差或者达到最大训练次数。5.根据权利要求4所述的采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于，基于粒子群PSO算法，确定基于BP神经网络架构的采空区自然发火预测模型的初始网络权值和初始网络阈值，包括：根据粒子群PSO算法中各个粒子的适应度，确定每个粒子个体的最优位置；根据每个粒子的最优位置，确定粒子群PSO算法中整个种群的最优位置；响应于粒子群PSO算法中整个种群的最优位置的适应度值满足粒子群PSO算法的预设终止条件，确定满足预设终止条件的整个种群的最优位置在各维空间对应的位置坐标，为采空区自然发火预测模型的初始网络权值和初始网络阈值。6.根据权利要求5所述的采煤条件下基于PSO
‑
BP算法的采空区自然发火预测方法，其特征在于...

【专利技术属性】
技术研发人员：王猛，刘伟，宋振军，仲大维，韩冬阳，张凤杰，彭是阳，温鹏宇，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：