基于PSO-BPNN的煤自燃危险性预测模型

doi:10.16265/j.cnki.issn1003-3033.2023.07.2235

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (7): 127-132.doi: 10.16265/j.cnki.issn1003-3033.2023.07.2235

基于PSO-BPNN的煤自燃危险性预测模型

汪伟¹^,²(), 梁然¹^,^**(), 祁云¹^,², 贾宝山²^,³, 武泽伟¹

¹ 山西大同大学煤炭工程学院,山西大同 037000
² 辽宁工程技术大学安全科学与工程学院,辽宁阜新 123000
³ 矿山热动力灾害与防治教育部重点实验室(辽宁工程技术大学),辽宁葫芦岛 125000

收稿日期:2023-02-17 修回日期:2023-05-08 出版日期:2023-07-28
通讯作者:
^** 梁然(1997—),男,河北石家庄人,硕士研究生,主要研究方向为矿井火灾防治。E-mail:2814902081@qq.com。
作者简介:
汪伟 (1991—),男,河北玉田人,博士,讲师,硕士生导师,主要从事矿井灾害防治、安全评价、应急技术与管理等方面的研究。E-mail:wangwei19910109@126.com。
祁云,副教授
贾宝山,教授
基金资助:
山西省基础研究计划(自由探索类)青年项目(202203021222300); 山西省高等学校科技创新计划项目(2022L449); 山西省高等学校科技创新计划项目(2022L448); 国家重点研发计划资助项目(2018YFC0807900); 山西大同大学博士科研启动项目(2020-B-08); 山西大同大学博士科研启动项目(2020-B-18)

Prediction model of coal spontaneous combustion risk based on PSO-BPNN

WANG Wei¹^,²(), LIANG Ran¹^,^**(), QI Yun¹^,², JIA Baoshan²^,³, WU Zewei¹

¹ School of Coal Engineering, Shanxi Datong University, Datong Shanxi 037000, China
² College of Safety Science and Engineering, Liaoning Technical University, Fuxin Liaoning 123000, China
³ Key Laboratory of Mine Thermodynamic Disasters and Control of Ministry of Education (Liaoning Technical University), Huludao Liaoning 125000,China

Received:2023-02-17 Revised:2023-05-08 Published:2023-07-28

摘要/Abstract

摘要：

为提高采空区遗煤自燃危险性预测的准确性,采用粒子群优化算法(PSO)改进反向传播神经网络(BPNN)的连接权重和阈值,构建一种将PSO算法与BPNN相耦合的煤自燃预测模型(PSO-BPNN模型),并从不同方面对比分析PSO-BPNN模型与BPNN模型和支持向量回归机(SVR)模型的预测结果。研究表明:优化后的平均相对误差、平均绝对误差和均方根误差相较于BPNN模型分别降低了9.35%、0.170 7和0.205 6,判定系数增大了0.116 9;比SVR模型分别降低了5.41%、0.115 2和0.171 5,判定系数增大了0.089 1。证明PSO-BPNN模型具有更高的预测精准性。

关键词: 煤自燃, 粒子群优化算法(PSO), 反向传播神经网络(BPNN), 支持向量回归机(SVR), 预测模型, 采空区

Abstract:

In order to improve the accuracy of the risk prediction of coal spontaneous combustion in the goaf, a PSO algorithm was used to improve the connection weight and threshold values of BPNN. A coal spontaneous combustion risk prediction model (PSO-BPNN model) coupling the PSO algorithm with BPNN was constructed. The PSO-BPNN model was compared and analyzed with the prediction results of the standard BPNN model and SVR model respectively. The results show that the optimized mean relative error, mean absolute error and root mean square error are reduced by 9.35%, 0.170 7 and 0.205 6, respectively, and the coefficient of determination is increased by 0.116 9 compared with the BPNN model. Compared with the SVR model, the optimized mean relative error, mean absolute error and root mean square error are reduced by 5.41%, 0.115 2 and 0.171 5, respectively, and the coefficient of determination is increased by 0.0891. It was demonstrated that the PSO-BPNN model has higher prediction accuracy than the standard BPNN model and SVR model.

Key words: coal spontaneous combustion, particle swarm optimization(PSO), back propagation neural network(BPNN), support vector regression(SVR), prediction model, goaf

汪伟, 梁然, 祁云, 贾宝山, 武泽伟. 基于PSO-BPNN的煤自燃危险性预测模型[J]. 中国安全科学学报, 2023, 33(7): 127-132.

WANG Wei, LIANG Ran, QI Yun, JIA Baoshan, WU Zewei. Prediction model of coal spontaneous combustion risk based on PSO-BPNN[J]. China Safety Science Journal, 2023, 33(7): 127-132.

图/表 11

图1

表1

图2

图3

表2

图4

图5

表3

表4

表5

图6

参考文献 12

[1]	QIAO Ming, REN Ting, ROBERTS J, et al. New insight into proactive goaf inertisation for spontaneous combustion management and control[J]. Process Safety and Environmental Protection, 2022, 161(4):739-757. doi: 10.1016/j.psep.2022.03.074
[2]	周亮, 戴广龙, 秦汝祥. 高瓦斯易自燃煤层采空区遗煤自燃影响因素研究[J]. 中国安全科学学报, 2018, 28(2): 122-127. doi: 10.16265/j.cnki.issn1003-3033.2018.02.021
	ZHOU Liang, DAI Guanglong, QIN Ruxiang. Research on factors influencing spontaneous combustion of coal in goaf in gassy coal seam having propensity to spontaneous combustion[J]. China Safety Science Journal, 2018, 28 (2):122-127. doi: 10.16265/j.cnki.issn1003-3033.2018.02.021
[3]	常绪华, 罗乾坤. 基于改进博弈论采空区煤自燃危险性可拓评价[J]. 矿业安全与环保, 2022, 49(4):211-218.
	CHANG Xuhua, LUO Qiankun. Coal spontaneous combustion hazard extension evaluation in goaf based on improved game theory[J]. Mining Safety & Environmental Protection, 2022, 49(4):211-218.
[4]	汪伟, 贾宝山, 祁云. 改进CRITIC修正G2-TOPSIS的钻孔自燃预测模型及应用[J]. 中国安全科学学报, 2019, 29(11):26-31. doi: 10.16265/j.cnki.issn1003-3033.2019.11.005
	WANG Wei, JIA Baoshan, QI Yun. Prediction model of spontaneous combustion risk of extraction drilling based on improved CRITIC modified G2-TOPSIS method and its application[J]. China Safety Science Journal, 2019, 29 (11):26-31. doi: 10.16265/j.cnki.issn1003-3033.2019.11.005
[5]	祁云, 齐庆杰, 汪伟, 等. 基于集值统计-Entropy的采空区自燃危险性预测模型及应用[J]. 安全与环境学报, 2019, 19(5):1526-1531.
	QI Yun, QI Qingjie, WANG Wei, et al. A forecast model for the spontaneous combustion risk in the goaf based on set valued statistics-entropy and its application[J]. Journal of Safety and Environment, 2019, 19(5):1526-1531.
[6]	孟倩. 基于计算智能的煤矿自然发火预警研究[D]. 徐州: 中国矿业大学, 2015.
	MENG Qian. Study on pre-warning of spontaneous fire in coal mine based on computational intelligence[D]. Xuzhou: China University of Mining and Technology, 2015.
[7]	邢媛媛, 张飞飞. 基于AEM-TOPSIS的煤炭自燃风险评价研究[J]. 煤炭工程, 2021, 53(11):131-134.
	XING Yuanyuan, ZHANG Feifei. Risk evaluation of coal spontaneous combustion based on AEM-TOPSIS[J]. Coal Engineering, 2021, 53(11):131-134.
[8]	邓念东, 丁一, 邢聪聪, 等. 基于PCA-BP神经网络的风积砂充填体强度预测[J]. 矿业研究与开发, 2021, 41 (2):109-113.
	DENG Niandong, DING Yi, XING Congcong, et al. Strength prediction of eolian sand filling body based on PCA-BP neural network[J]. Mining Research & Development, 2021, 41(2):109-113.
[9]	林海飞, 高帆, 严敏, 等. 煤层瓦斯含量PSO-BP神经网络预测模型及其应用[J]. 中国安全科学学报, 2020, 30(9):80-87.
	LIN Haifei, GAO Fan, YAN Min, et al. Study on PSO-BP neural network prediction method of coal seam gas content and its application[J]. China Safety Science Journal, 2020, 30(9):80-87.
[10]	朱红青, 常文杰, 张彬. 回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J]. 煤炭学报, 2007, 32 (5): 504-508.
	ZHU Hongqing, CHANG Wenjie, ZHANG Bin. Different-source gas emission prediction model of working face based on BP artificial neural network and its application[J]. Journal of China Coal Society, 2007, 32 (5):504-508.
[11]	梁盛开, 曹琼, 罗杨阳. 煤矿瓦斯突出的神经网络预测[J]. 固体力学学报, 2010, 31(增1):180-183.
	LIANG Shengkai, CAO Qiong, LUO Yangyang. Prediction of coal mine's coal and gas outburst based on neural network[J]. Chinese Journal of Solid Mechanics, 2010, 31(S1):180-183.
[12]	鲁学富. 基于GA-SVM的采空区煤自燃预警技术研究及应用[D]. 西安: 西安科技大学, 2020.
	LU Xuefu. Research and application on early waring technology of coal spontaneous combustion in goaf based on GA-SVM[D]. Xi'an: Xi'an University of Science and Technology, 2020.

序号	ϕ(O₂)/%	ϕ(N₂)/%	…	ϕ(CO₂/CO)	危险等级
1	20.35	79.58	…	7.14	1
2	20.4	79.47	…	3.12	1
3	20.19	79.65	…	1.75	1
4	20.57	79.35	…	2.6	1
5	20.31	79.51	…	3.94	1
︙	︙	︙		︙	︙
46	20.62	78.81	…	2.33	1
47	19.89	79.05	…	7.48	1
48	11.33	79.76	…	0.8	3
49	11.9	78.86	…	0.8	2
50	16.71	81.09	…	4.03	1

序号	真实值	预测值	绝对误差	相对误差/%
1	3	2.815 4	0.184 6	6.15
2	3	2.943 1	0.056 9	1.90
3	2	1.909 5	0.090 5	4.52
4	1	0.815 5	0.184 5	18.45
5	2	2.619 5	0.619 5	30.98
6	1	1.024 2	0.024 2	2.42
7	1	1.202 7	0.202 7	20.27
8	3	2.546 1	0.453 9	15.13
9	2	1.612 7	0.387 3	19.36
10	1	1.181 1	0.181 1	18.11

序号	真实值	预测值	绝对误差	相对误差/%
1	3	2.989 5	0.010 5	0.35
2	3	3.016 4	0.016 4	0.55
3	2	1.940 5	0.059 5	2.98
4	1	0.863 5	0.136 5	13.65
5	2	1.795 8	0.204 2	10.21
6	1	0.988 5	0.011 5	1.15
7	1	0.986 5	0.013 5	1.35
8	3	2.965 8	0.034 2	1.14
9	2	2.134 9	0.134 9	6.75
10	1	0.943 1	0.056 9	5.69

序号	真实值	预测值	绝对误差	相对误差/%
1	3	2.494 1	0.505 9	16.86
2	3	3.083 8	0.083 8	2.79
3	2	1.444 8	0.555 2	27.76
4	1	1.109 3	0.109 3	10.93
5	2	2.044 9	0.044 9	2.25
6	1	1.025 4	0.025 4	2.54
7	1	0.998 2	0.001 8	0.18
8	3	2.781 6	0.218 4	7.28
9	2	1.975 2	0.024 8	1.24
10	1	1.260 3	0.260 3	26.03

模型	性能指标
模型	平均绝对误差	平均相对误差/%	均方根误差	判定系数
BPNN	0.238 5	13.73	0.299 0	0.870 5
PSO-BPNN	0.067 8	4.38	0.093 4	0.987 4
SVR	0.183 0	9.79	0.264 9	0.898 3

基于PSO-BPNN的煤自燃危险性预测模型

Prediction model of coal spontaneous combustion risk based on PSO-BPNN

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 12

相关文章 15

编辑推荐

Metrics

本文评价

[1]	周怡, 彭国文, 黄召, 阳鹏飞, 刘丹丹, 陈小丽. 基于SBAS-InSAR和BPNN的铀尾矿坝形变智能监测与预测[J]. 中国安全科学学报, 2024, 34(4): 145-152.
[2]	李敏, 罗欧文, 鲁义, 施式亮, 李贺, 林志军. 再生顶板条件下煤自燃危险区域空间分布特征[J]. 中国安全科学学报, 2024, 34(3): 129-136.
[3]	吴芳华, 施式亮, 鲁义, 谷旺鑫, 谭嘉乐, 刘蔚廷. 磷石膏基自产气膨胀浆体防灭火性能研究[J]. 中国安全科学学报, 2024, 34(3): 148-154.
[4]	王永军, 郑倩, 张河猛, 董伟, 张晓明, 佐佐木久郞. 采空区地下遗煤燃烧-地表碳通量相关性分析[J]. 中国安全科学学报, 2024, 34(2): 161-167.
[5]	张玉涛, 郭强, 张园勃, 李亚清, 孙亚利. 基于相关系数法的煤自燃危险性关联分析及预测[J]. 中国安全科学学报, 2024, 34(1): 125-132.
[6]	董建军, 张莹, 李昕, 梅媛. 采空区地表InSAR形变监测与安全稳定性评价[J]. 中国安全科学学报, 2024, 34(1): 140-149.
[7]	文虎, 李倬锋, 张铎, 唐瑞, 黎杰. 低温阶段煤吸附C₂H₄的吸附特性研究[J]. 中国安全科学学报, 2024, 34(1): 94-105.
[8]	井庆贺, 张启良, 王增仁, 刘东星, 谢苗, 孟庆爽. 带式输送机中间段托辊故障检测方法研究[J]. 中国安全科学学报, 2023, 33(S2): 41-48.
[9]	李德龙, 成钰, 李友东. 突发公共卫生事件下地铁安检员需求预测模型[J]. 中国安全科学学报, 2023, 33(S1): 228-234.
[10]	汪伟, 崔欣超, 祁云, 梁然, 贾宝山, 薛凯隆. 基于SSA-RF的采空区煤自燃温度回归分析模型[J]. 中国安全科学学报, 2023, 33(9): 136-141.
[11]	温惠英, 黄坤火, 赵胜. 基于机器学习的高速公路大型货车追尾风险预测[J]. 中国安全科学学报, 2023, 33(9): 173-180.
[12]	赵伟, 李书全. 基于机器学习的建筑施工人员安全能力预测模型[J]. 中国安全科学学报, 2023, 33(7): 51-57.
[13]	谢露强, 徐靖, 王海燕. 基于RS-RBFNN的邮轮建造物资物流集配风险预警[J]. 中国安全科学学报, 2023, 33(6): 114-121.
[14]	张西良, 焦灏恺, 李二宝. 基于迁移学习算法的深部爆破振动速度预测[J]. 中国安全科学学报, 2023, 33(6): 64-72.
[15]	李帅, 练章华, 丁亮亮, 廖涛. 多因素耦合作用下的气井持续环空压力预测模型[J]. 中国安全科学学报, 2023, 33(2): 166-172.