改进SSA优化BPNN的煤体瓦斯渗透率预测模型

doi:10.16265/j.cnki.issn1003-3033.2025.02.0552

中国安全科学学报 ›› 2025, Vol. 35 ›› Issue (2): 137-143.doi: 10.16265/j.cnki.issn1003-3033.2025.02.0552

改进SSA优化BPNN的煤体瓦斯渗透率预测模型

汪伟¹^,²^,³(), 崔欣超⁴^,^**(), 祁云¹^,²^,⁵, 李绪萍¹^,²^,⁵, 王璜瑞⁴, 齐庆杰⁶

¹ 内蒙古科技大学矿业与煤炭学院,内蒙古包头 014010
² 内蒙古自治区矿业工程重点实验室,内蒙古包头 014010
³ 内蒙古自治区煤炭安全开采与利用工程技术研究中心,内蒙古包头 014010
⁴ 山西大同大学煤炭工程学院,山西大同 037000
⁵ 内蒙古煤炭绿色开采与绿色利用协同创新中心,内蒙古包头 014010
⁶ 辽宁理工学院,辽宁锦州 121000

收稿日期:2024-09-25 修回日期:2024-11-26 出版日期:2025-02-28
通信作者:
**崔欣超(1999—),男,山西晋城人,硕士研究生,主要研究方向为矿井灾害防治。E-mail:cxc1022@163.com。
作者简介:
汪伟 (1991—),男,河北玉田人,博士,副教授,硕士生导师,主要从事矿井灾害防治、应急技术与管理等方面的研究。E-mail:wangwei19910109@126.com。
祁云副教授
李绪萍教授
齐庆杰教授
基金资助:
国家自然科学基金面上项目资助(51974149); 国家自然科学基金地区基金资助(52464020); 山西省基础研究计划资助项目(202203021222300); 内蒙古自然科学基金资助(2024LHMS05012)

Improving SSA and optimizing BPNN for coal gas permeability prediction model

WANG Wei¹^,²^,³(), CUI Xinchao⁴^,^**(), QI Yun¹^,²^,⁵, LI Xuping¹^,²^,⁵, WANG Huangrui⁴, QI Qingjie⁶

¹ School of Mining and Coal, Inner Mongolia University of Science and Technology, Baotou Inner Mongolia 014010, China
² Inner Mongolia Key Laboratory of Mining Engineering, Baotou Inner Mongolia 014010, China
³ Inner Mongolia Research Center for Coal Safety Mining and Utilization Engineering and Technology, Baotou Inner Mongolia 014010, China
⁴ School of Coal Engineering, Shanxi Datong University, Datong Shanxi 037000, China
⁵ Inner Mongolia Cooperative Innovation Center for Coal Green Mining and Green Utilization, Baotou Inner Mongolia 014010, China
⁶ Liaoning Institute of Science and Engineering, Jinzhou Liaoning 121000, China

Received:2024-09-25 Revised:2024-11-26 Published:2025-02-28

摘要/Abstract

摘要：

为更加精确地预测煤体瓦斯渗透率,进而保障煤矿安全生产,构建基于改进麻雀搜索算法(ISSA)优化反向传播神经网络(BPNN)的煤体瓦斯渗透率预测模型。首先,通过引入Sine混沌映射和高斯变异改进麻雀搜索算法(SSA),以增强其全局搜索能力和局部寻优精度,从而优化BPNN的权值和阈值配置;然后,通过皮尔逊相关系数矩阵和核主成分分析(KPCA)处理瓦斯渗透率影响因素的数据,以提高模型的计算效率和准确性,并以累积方差达88.59%的3个主成分提取为模型输入,渗透率作为输出进行试验;最后,将该模型应用于山西某煤矿进行实例验证。结果表明:ISSA-BPNN在平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和决定系数R²等4个指标上优于粒子群算法(PSO)优化BPNN、PSO优化支持向量机(PSO-SVM)、PSO优化最小二乘支持向量机(LSSVM)及SSA优化BPNN(SSA-BPNN)模型,且相较于其他模型在测试样本中的平均绝对误差(MAE)分别降低0.032 7、0.022、0.017 9、0.018 2;MAPE分别降低5.15%、3.14%、2.76%、2.36%;RMSE分别降低0.031 6、0.027 9、0.018 8、0.022 2;R²分别提高0.077 5、0.065 8、0.040 1、0.049 3;实例验证表明模型可靠性和稳定性较高。

关键词: 改进麻雀搜索算法(ISSA), 反向传播神经网络(BPNN), 煤体瓦斯, 渗透率, 预测模型

Abstract:

In order to predict coal gas permeability more accurately and ensure coal mine safety production, a prediction model of coal gas permeability based on ISSA-optimized BPNN was constructed. Firstly, the sparrow search algorithm (SSA) was improved by introducing Sine chaotic mapping and Gaussian mutation to enhance its global search capability and local optimization accuracy, thereby optimizing the weight and threshold configuration of BPNN. Secondly, the data on the factors affecting gas permeability were processed using Pearson correlation coefficient matrix and kernel principal component analysis (KPCA) to improve the computational efficiency and accuracy of the model. Three principal components with a cumulative variance of 88.59% were extracted as model inputs, and permeability was used as the output for the experiment. Finally, the model was applied to a coal mine in Shanxi for case verification. The experimental results show that ISSA-BPNN outperforms PSO-BPNN, PSO-SVM, PSO-LSSVM, and SSA-BPNN models in four indicators: mean absolute error (MAE), mean absolute percentage error (MAPE), root mean square error (RMSE), root mean square error (RMSE), and coefficient of determination (R²). Compared with other models, ISSA-BPNN has reduced MAE by 0.032 7, 0.022, 0.017 9, and 0.018 2 in the test samples, respectively. MAPE decreases by 5.15%, 3.14%, 2.76%, and 2.36% respectively. RMSE decreases by 0.031 6, 0.027 9, 0.018 8, and 0.022 2 respectively. R² increases by 0.077 5, 0.065 8, 0.040 1, and 0.049 3, respectively. Finally, the case verification shows that its reliability and stability are high in practical applications.

Key words: improved sparrow search algorithm (ISSA), back propagation neural network (BPNN), coal gas, permeability, prediction model

中图分类号:

X936

汪伟, 崔欣超, 祁云, 李绪萍, 王璜瑞, 齐庆杰. 改进SSA优化BPNN的煤体瓦斯渗透率预测模型[J]. 中国安全科学学报, 2025, 35(2): 137-143.

WANG Wei, CUI Xinchao, QI Yun, LI Xuping, WANG Huangrui, QI Qingjie. Improving SSA and optimizing BPNN for coal gas permeability prediction model[J]. China Safety Science Journal, 2025, 35(2): 137-143.

图/表 8

图1

表1

图2

表2

图3

表3

表4

图4

参考文献 11

[1]	KONG Lingrui, LUO Yongjiang, TANG Jianxin, et al. Permeability damage mechanism and evolution of gas-bearing coal seams induced by drilling fluid[J]. Natural Resources Research, 2023, 32(4):1639-1655.
[2]	XUE Junhua, LI Kehan, SHI Yu. Study on permeability characteristics of gas bearing coal under cyclic load[J]. Sustainability, 2022, 14(18): DOI: 10.3390/su141811483.
[3]	汤国水, 张宏伟, 韩军, 等. 基于MABC-SVM的含瓦斯煤体渗透率预测模型[J]. 中国安全生产科学技术, 2015, 11(2):11-16.
	TANG Guoshui, ZHANG Hongwei, HAN Jun, et al. Prediction model on permeability of gas-bearing coal based on MABC-SVM[J]. Journal of Safety Science and Technology, 2015, 11(2):11-16.
[4]	邵良杉, 马寒. 煤体瓦斯渗透率的PSO-LSSVM预测模型[J]. 煤田地质与勘探, 2015, 43(4):23-26.
	SHAO Liangshan, MA Han. Model of coal gas permeability prediction based on PSO-LSSVM[J]. Coal Geology & Exploration, 2015, 43(4):23-26.
[5]	王攀, 杜文凤, 冯飞胜. 基于影响因素优选的煤层瓦斯渗透率预测模型[J]. 煤矿安全, 2017, 48(11):21-25.
	WANG Pan, DU Wenfeng, FENG Feisheng. Prediction model of coalbed gas permeability based on optimization of influencing factors[J]. Safety in Coal Mines, 2017, 48(11):21-25.
[6]	宋曦, 宁云才, 丁永禄. 基于随机森林的煤体瓦斯渗透率预测研究[J]. 煤炭技术, 2019, 38(7):130-132.
	SONG Xi, NING Yuncai, DING Yonglu. Prediction of coal gas permeability based on random forest[J]. Coal Technology, 2019, 38(7):130-132.
[7]	姜鹏. 基于机器学习的煤自燃温度预测模型研究[D]. 西安: 西安科技大学, 2020.
	JIANG Peng. A machine learning-based model for predicting the temperature of spontaneous coal combustion[D]. Xi'an: Xi'an University of Science and Technology, 2020.
[8]	薛建凯. 一种新型的群智能优化技术的研究与应用[D]. 上海: 东华大学, 2020.
	XUE Jiankai. Research and application of a new swarm intelligent optimization technique[D]. Shanghai: Donghua University, 2020.
[9]	毛清华, 张强. 融合柯西变异和反向学习的改进麻雀算法[J]. 计算机科学与探索, 2021, 15(6):1155-1164. doi: 10.3778/j.issn.1673-9418.2010032
	MAO Qinghua, ZHANG Qiang. Improved sparrow algorithm combining Cauchy mutation and opposition-based learning[J]. Journal of Frontiers of Computer Science and Technology, 2021, 15(6):1155-1164.
[10]	张利冬, 宋泽阳, 罗振敏, 等. 基于机器学习的煤自然发火期预测[J]. 中国安全科学学报, 2022, 32(12):118-124. doi: 10.16265/j.cnki.issn1003-3033.2022.12.0134
	ZHANG Lidong, SONG Zeyang, LUO Zhenmin, et al. Prediction of coal spontaneous combustion period based on machine learning[J]. China Safety Science Journal, 2022, 32(12):118-124. doi: 10.16265/j.cnki.issn1003-3033.2022.12.0134
[11]	汪伟, 崔欣超, 祁云, 等. 基于SSA-RF的采空区煤自然温度回归分析模型[J]. 中国安全科学学报, 2023, 33(9):136-141. doi: 10.16265/j.cnki.issn1003-3033.2023.09.0846
	WANG Wei, CUI Xinchao, QI Yun, et al. Regression analysis model of coal spontaneous combustion temperature in goaf based on SSA-RF[J]. China Safety Science Journal, 2023, 33(9):136-141. doi: 10.16265/j.cnki.issn1003-3033.2023.09.0846

编号	有效应力/MPa	瓦斯压力/MPa	温度/ ℃	抗压强度/MPa	渗透率/ (10^-15m²)
1	2.00	1.8	40	10.85	0.881
2	1.51	0.5	55	12.85	1.062
3	4.01	0.5	30	14.13	0.559
︙	︙	︙	︙	︙	︙
24	1.73	1.8	45	14.13	0.805
25	2.00	1.0	60	12.62	0.633
26	2.50	1.5	30	12.37	0.677
︙	︙	︙	︙	︙	︙
48	3.78	1.0	30	12.85	0.491
49	1.73	0.5	30	14.13	1.189
50	2.00	1.0	70	11.5.	0.632

编号	主成分			渗透率/ (10^-15m²)
编号	Y₁	Y₂	Y₃	渗透率/ (10^-15m²)
1	0.615	-0.972	1.635	0.881
2	-0.404	-0.453	-0.373	1.062
3	-0.497	2.050	-2.133	0.559
︙	︙	︙	︙	︙
24	-0.906	-1.783	-0.342	0.805
25	0.173	-0.330	0.496	0.633
26	-0.190	-0.404	-0.053	0.677
︙	︙	︙	︙	︙
48	0.092	1.489	-0.806	0.491
49	-1.578	-0.560	-2.232	1.189
50	0.967	-0.088	1.646	0.632

模型	模型性能
模型	MAE	MAPE/%	RMSE	R²
PSO-BPNN	0.058 9	9.21	0.064 2	0.895 7
PSO-SVM	0.048 2	7.20	0.060 5	0.907 4
PSO-LSSVM	0.044 1	6.82	0.051 4	0.933 1
SSA-BPNN	0.044 4	6.42	0.054 8	0.923 9
ISSA-BPNN	0.026 2	4.06	0.032 6	0.973 2

影响因素	有效应力	瓦斯压力	温度	抗压强度
有效应力	1	-0.113	0.011	-0.081
瓦斯压力	-0.113	1	0.194	-0.297
温度	0.011	0.194	1	-0.495
抗压强度	-0.081	-0.297	-0.495	1

[1]	滕春阳, 李庆健, 陈金刚, 张建飞, 薛国庆. 基于N-BEATS的托辊滚动轴承剩余寿命预测[J]. 中国安全科学学报, 2024, 34(S1): 246-252.
[2]	高飞, 梁宁, 贾喆, 侯青. 基于SSA-RBF神经网络的煤自然发火预测模型[J]. 中国安全科学学报, 2024, 34(8): 128-137.
[3]	郝景开, 李红艳, 张峰, 张翀, 毛立波, 刘大为. 基于MCDM-BPNN的城市内涝风险评价及调蓄池选址[J]. 中国安全科学学报, 2024, 34(8): 214-221.
[4]	赵川, 刘思棋, 赵晓一. 手过头姿势下钻孔作业肌肉疲劳MET预测模型[J]. 中国安全科学学报, 2024, 34(8): 238-246.
[5]	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.
[6]	闫路, 王涛, 王连聪, 李文璞, 赵天维. 非对称荷载下煤层瓦斯渗流特性与抽采半径优化[J]. 中国安全科学学报, 2024, 34(12): 149-158.
[7]	王文超, 何健, 宋佰胜, 汪磊. 基于LSTM的航线飞行员操纵平稳性预测模型[J]. 中国安全科学学报, 2024, 34(12): 48-55.
[8]	马辉, 贺鹰霞, 陈杨杨. 基于XGBoost的城市污水管道缺陷发生概率预测[J]. 中国安全科学学报, 2024, 34(11): 163-171.
[9]	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.
[10]	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.
[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]	林海飞, 陈晨, 龙航, 双海清, 季鹏飞, 罗荣卫. 温度对瓦斯流动及全过程煤体变形的影响研究[J]. 中国安全科学学报, 2023, 33(8): 59-67.
[13]	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.
[14]	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.
[15]	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.

改进SSA优化BPNN的煤体瓦斯渗透率预测模型

Improving SSA and optimizing BPNN for coal gas permeability prediction model

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 11

相关文章 15

编辑推荐

Metrics

本文评价