一种基于WOA-LSTM模型的隧道瓦斯浓度预测方法技术

本发明专利技术公开了一种基于WOA‑LSTM模型的隧道瓦斯浓度预测方法，其包括构建WOA‑LSTM模型和瓦斯浓度数据集，设置LSTM网络的初始化参数，然后用数据集中的数据训练LSTM网络，训练过程中用WOA鲸鱼算法模块调节选取LSTM网络的关键参数，以LSTM网络输出的预测值与真实值的均方根误差RMSE作为LSTM网络的适应度值，当适应度值满足设定条件时输出LSTM模型的参数最优解，并结束训练；用训练好的LSTM网络预测隧道掌子面附近的瓦斯浓度值。本发明专利技术将LSTM网络和WOA鲸鱼算法模块结合，利用WOA算法优化对LSTM网络关键参数的选取，能显著提升LSTM网络对隧道掌子面瓦斯浓度的预测的精度。

【技术实现步骤摘要】

本专利技术涉及瓦斯浓度探测，特别涉及一种隧道瓦斯浓度的预测方法。

技术介绍

1、对煤矿瓦斯浓度进行预测，提前预判瓦斯浓度情况，能够为隧道施工过程中的瓦斯防治及通风调控提供指导。现有技术中有采用统计学方法、专感器监测方法、数学模型方法和人工智能方法等方法来预测隧道瓦斯浓度，其中人工智能方法通过机器学习、深度学习等技术，可以从大量的数据中学习瓦斯浓度的规律和趋势，进而进行预测。但是人工智能方法对于数据的质量和数量要求较高，然而受隧道施工现场多种因素影响，瓦斯浓度数据变化复杂，现有多变量函数在对复杂多变的瓦斯浓度数据进行标准化处理时，难以有效保持函数的形状，使得处理得到的数据的质量不够高。现有人工智能方法常用到lstm模型来提取瓦斯浓度数据的特征，lstm(long short-term memory)长短期记忆网络够记住过往信息并存储，能够很好地学习样本的潜在规律，但是lstm网络的关键参数的选取质量直接关系到lstm网络模型的预测准确度；而现有技术中一般是人为设置lstm网络的关键参数，如人为设置学习率及隐含层神经元数量等，但人为设置的参数很难成为最优解，这本文档来自技高网...

【技术保护点】

1.一种基于WOA-LSTM模型的隧道瓦斯浓度预测方法，其特征在于：包括：

2.根据权利要求1所述的基于WOA-LSTM模型的隧道瓦斯浓度预测方法，其特征在于：所述步骤2)中对数据进行标准化处理的方法为：采用保形分段三次插值法对瓦斯浓度数据作标准化处理，通过下式处理得到标准化处理后的瓦斯浓度数据H3(x)；

3.根据权利要求1所述的基于WOA-LSTM模型的隧道瓦斯浓度预测方法，其特征在于：步骤3)中所述的均方根误差RMSE的公式如下：

4.根据权利要求1所述的基于WOA-LSTM模型的隧道瓦斯浓度预测方法，其特征在于：步骤3)所述LSTM网络的关键参...

【技术特征摘要】

1.一种基于woa-lstm模型的隧道瓦斯浓度预测方法，其特征在于：包括：

2.根据权利要求1所述的基于woa-lstm模型的隧道瓦斯浓度预测方法，其特征在于：所述步骤2)中对数据进行标准化处理的方法为：采用保形分段三次插值法对瓦斯浓度数据作标准化处理，通过下式处理得到标准化处理后的瓦斯浓度数据h3(x...

【专利技术属性】
技术研发人员：齐兵，刘鹏，黄才生，张天华，任松，陈征，舒维余，邹升华，
申请(专利权)人：中电建路桥集团有限公司，
类型：发明
国别省市：