基于曲线拟合和神经网络的独头巷道CO浓度预测研究
Research on the Prediction of CO Concentration in Single-head Roadway Based on Curve Fitting and Neural Network
通讯作者:
收稿日期: 2023-07-31 修回日期: 2023-11-07
基金资助: |
|
Received: 2023-07-31 Revised: 2023-11-07
作者简介 About authors
周昌微(1997-),男,陕西安康人,硕士研究生,从事矿井通风和安全工程研究工作
关键词:
Keywords:
本文引用格式
周昌微, 谢贤平, 都喜东.
ZHOU Changwei, XIE Xianping, DU Xidong.
CO浓度预测是一个重要的研究课题,学者们采用不同的方法和模型开展了CO浓度预测研究。在试验研究方面,张舸等(2014)对地下矿山独头巷道强制通风条件下的炮烟浓度进行了模型试验研究,通过数据拟合结果预测了巷道中CO浓度达到安全浓度所需的时间;Wu et al.(2021)采用封闭式反应器开展了煤氧化模拟试验,得到临界温度下CO产出速率,分析了工作面CO来源和产生机理,建立了工作面回风角CO浓度的数学预测模型;Cao et al.(2018)在CO质量浓度差异变化和固定场地CO扩散模型的基础上,开展了喷砂烟尘监测试验,为爆破后排烟时间的预测提供了参考。在理论分析方面,翟小伟等(2011)和Wu et al.(2023)以煤氧化过程中CO气体产生机理和影响因素为依据,建立了工作面CO浓度值的数学计算模型;陈超等(2022)根据质量守恒定律和并联风路理论,提出了交通风条件下CO浓度分布特性预测模型构建方法。在机器学习方面,张志刚等(2022)利用随机森林模型预测了公路隧道内的CO气体浓度,该模型具有多输入特征;吕燕红等(2013)利用神经网络融合模型预测了隧道内的CO浓度,该模型利用BP和RBF神经网络提取信息特征,再利用最优均方误差加权融合算法进行二次融合,提高了预测精度;王时彬等(2014)运用灰色系统理论分析并预测了独头巷道中的CO浓度值,结果显示,灰色预测模型假设系统中变量间均呈线性关系,但在实际情况下,独头巷道中CO浓度变化趋势与时间变量之间的关系并非简单的线性关系。
针对上述问题,本文以云南老厂锡矿1800运输巷甩车场独头巷道爆破后CO浓度随时间变化的数据为研究对象,开展CO浓度预测。首先,通过实测数据拟合出CO浓度随时间变化的数学计算模型,通过该模型计算出矿山井下CO浓度值达到安全标准所需的时间。其次,建立融合时间序列与神经网络的预测模型,充分运用神经网络的非线性预测能力,分别采用CNN神经网络和BP神经网络时间序列预测模型对一段时间的CO浓度值进行预测,并与实测值进行比较,验证模型的有效性和合理性。最后,采用R2和RMSE评价指标对预测结果进行评估,得出该独头巷道CO浓度时间序列预测的较优模型,为该独头巷道CO浓度值的监测和控制提供理论依据。
1 研究数据
本文以云南老厂锡矿1800运输巷甩车场独头巷道的CO浓度监测数据为研究对象,图1所示为独头巷内某监测点CO浓度随时间的变化曲线。
图1
图1
独头巷道内某监测点CO浓度时间序列图
Fig.1
Time series diagram of CO concentration at a measuring point in a single-head roadway
从图1可以看出,在0~1 000 s范围内,CO浓度快速下降,而超过1 000 s后,CO浓度缓慢下降。
本文选择该矿山独头巷道某监测点的CO浓度数据进行分析,该测点共有181组数据,每隔20 s采集一次,将数据按照7∶3的比例划分为训练集和测试集。该测点的CO浓度随时间的变化数据如表1所示。
表1 某监测点的CO浓度随时间的变化
Table 1
时间/s | CO浓度/(×10-6) | 时间/s | CO浓度/(×10-6) | 时间/s | CO浓度/(×10-6) | 时间/s | CO浓度/(×10-6) | 时间/s | CO浓度/(×10-6) |
---|---|---|---|---|---|---|---|---|---|
0 | 904 | 740 | 192 | 1 480 | 135 | 2 220 | 92 | 2 960 | 39 |
20 | 886 | 760 | 195 | 1 500 | 135 | 2 240 | 90 | 2 980 | 37 |
40 | 877 | 780 | 203 | 1 520 | 135 | 2 260 | 92 | 3 000 | 39 |
60 | 884 | 800 | 205 | 1 540 | 135 | 2 280 | 91 | 3 020 | 39 |
80 | 888 | 820 | 211 | 1 560 | 135 | 2 300 | 90 | 3 040 | 38 |
100 | 743 | 840 | 193 | 1 580 | 133 | 2 320 | 90 | 3 060 | 40 |
120 | 741 | 860 | 197 | 1 600 | 127 | 2 340 | 92 | 3 080 | 37 |
140 | 730 | 880 | 195 | 1 620 | 126 | 2 360 | 86 | 3 100 | 38 |
160 | 739 | 900 | 196 | 1 640 | 126 | 2 380 | 83 | 3 120 | 38 |
180 | 743 | 920 | 196 | 1 660 | 126 | 2 400 | 84 | 3 140 | 40 |
200 | 720 | 940 | 196 | 1 680 | 126 | 2 420 | 84 | 3 160 | 40 |
220 | 535 | 960 | 184 | 1 700 | 125 | 2 440 | 82 | 3 180 | 39 |
240 | 516 | 980 | 180 | 1 720 | 121 | 2 460 | 84 | 3 200 | 39 |
260 | 501 | 1 000 | 179 | 1 740 | 120 | 2 480 | 78 | 3 220 | 41 |
280 | 489 | 1 020 | 178 | 1 760 | 119 | 2 500 | 76 | 3 240 | 43 |
300 | 471 | 1 040 | 179 | 1 780 | 120 | 2 520 | 75 | 3 260 | 42 |
320 | 462 | 1 060 | 178 | 1 800 | 118 | 2 540 | 76 | 3 280 | 43 |
340 | 283 | 1 080 | 179 | 1 820 | 118 | 2 560 | 75 | 3 300 | 42 |
360 | 279 | 1 100 | 163 | 1 840 | 118 | 2 580 | 75 | 3 320 | 43 |
380 | 263 | 1 120 | 163 | 1 860 | 114 | 2 600 | 75 | 3 340 | 45 |
400 | 269 | 1 140 | 164 | 1 880 | 114 | 2 620 | 68 | 3 360 | 48 |
420 | 270 | 1 160 | 164 | 1 900 | 113 | 2 640 | 68 | 3 380 | 47 |
440 | 274 | 1 180 | 164 | 1 920 | 112 | 2 660 | 67 | 3 400 | 46 |
460 | 188 | 1 200 | 164 | 1 940 | 112 | 2 680 | 69 | 3 420 | 48 |
480 | 177 | 1 220 | 151 | 1 960 | 111 | 2 700 | 68 | 3 440 | 49 |
500 | 194 | 1 240 | 151 | 1 980 | 106 | 2 720 | 67 | 3 460 | 49 |
520 | 200 | 1 260 | 151 | 2 000 | 107 | 2 740 | 56 | 3 480 | 51 |
540 | 215 | 1 280 | 151 | 2 020 | 106 | 2 760 | 53 | 3 500 | 52 |
560 | 223 | 1 300 | 152 | 2 040 | 106 | 2 780 | 52 | 3 520 | 53 |
580 | 233 | 1 320 | 152 | 2 060 | 107 | 2 800 | 56 | 3 540 | 52 |
600 | 174 | 1 340 | 143 | 2 080 | 107 | 2 820 | 50 | 3 560 | 51 |
620 | 187 | 1 360 | 143 | 2 100 | 105 | 2 840 | 48 | 3 580 | 53 |
640 | 191 | 1 380 | 143 | 2 120 | 104 | 2 860 | 42 | 3 600 | 38 |
660 | 204 | 1 400 | 143 | 2 140 | 102 | 2 880 | 38 | ||
680 | 210 | 1 420 | 143 | 2 160 | 101 | 2 900 | 36 | ||
700 | 220 | 1 440 | 143 | 2 180 | 101 | 2 920 | 37 | ||
720 | 184 | 1 460 | 137 | 2 200 | 100 | 2 940 | 38 |
2 研究方法
2.1 时间序列预测
时间序列预测是利用历史数据统计进行建模并预测未来数据的方法,在金融、气象、交通和能源等领域都均具有广泛应用(曾俊晖等,2019)。
用t个时间序列数据直接预测未来m个数据,其中m是预测样本数,其数学表达式为
式中:
2.2 曲线拟合
曲线拟合是运用连续函数来表示离散数据的方法,使得函数与数据点之间的误差最小。通过曲线拟合,可以探索实测数据的变化趋势,并用数学函数来描述数据的变化规律(李篷等,2014)。
假设有
利用“最小二乘”原则,将其作为数据拟合精度的一个标准(高秋英等,2021)。
数据拟合的关键在于拟合函数的选择。对于独头巷道爆破后CO浓度的变化情况,拟合函数既要较好地贴近独头巷道CO浓度的实际变化情况,也要反映图1中CO浓度随时间的发展趋势。
2.3 卷积神经网络
卷积神经网络是一种端到端的预测模型,用卷积核在数据上滑动来提取特征,然后输出结果(杨婷婷等,2022)。卷积网络的运算公式为
式中:
池化计算是一种数据压缩的方法,能够保留数据的特征,防止过拟合,增强模型的稳健性(吴敏等,2023)。池化计算常与卷积层配合,对卷积层的输出进行筛选。本文采用最大池化计算,表示为
式中:
2.4 BP神经网络
图2
本次选用的BP神经网络结构如图3所示。数据集为CO浓度时间序列的单列数据,将该数据集的前15个历史数据作为自变量,可以提高预测效果。因此在后续的预测结果中,将该数据集的15个历史数据作为输入层,隐含层层数为5层,输出层为1层。
图3
2.5 模型评价指标
(1)决定系数(R2)表示自变量对因变量的解释能力,其值越高越好(Piepho,2019)。
(2)均方根误差(Root Mean Square Error,RMSE)表示观测值与真实值之间的差距,其值越小越好(Adedi-pupo et al.,2022)。
决定系数和均方根误差的计算公式分别为
式中:
3 结果分析
使用MATLAB曲线拟合工具箱对该独头巷道CO浓度进行拟合。前人研究表明独头巷道内CO浓度随时间呈现e 指数形式衰减(张舸等,2014),因此本次数据选用指数函数进行拟合。通过决定系数R2来衡量拟合模型的优度,R2越接近于1,意味着拟合优度越高。通过曲线拟合得到该独头巷道CO浓度随时间的指数拟合曲线,其中拟合优度高达0.9626。
通过拟合得到独头巷道CO浓度随时间变化的指数函数为
式中:
图4
图5
表2 各预测模型的R2和RMSE
Table 2
模型类型 | R2 | RMSE |
---|---|---|
CNN神经网络模型 | 0.9056 | 4.4643 |
BP神经网络模型 | 0.9579 | 2.9821 |
4 结论
(1)利用MATLAB曲线拟合工具箱对云南老厂锡矿独头巷道中CO浓度随时间的变化情况进行曲线拟合,得到了拟合优度高达0.9626的CO浓度随时间的指数拟合曲线,同时通过拟合得到的指数函数计算得出该矿山井下独头巷道中CO浓度值达到安全标准(24×10-6)以下所需时间为5 120 s。
(2)采用CNN预测模型和BP预测模型对云南老厂锡矿1800运输巷甩车场独头巷道CO浓度进行时间序列预测,这2种预测模型的R2值分别为0.9056和0.9579,RMSE值分别为4.4643和2.9821。BP神经网络时间序列预测模型的预测效果更好。
http://www.goldsci.ac.cn/article/2024/1005-2518/1005-2518-2024-32-1-75.shtml
参考文献
Detection of appropriate model for nigeria population growth using Root Mean Square Error (RMSE)
[J].
Study on distribution of CO and concentration prediction in blind gallery after blasting operation
[J].
Prediction model of CO pollutant concentration distribution characteristics in urban underground roads based on traffic wind conditions
[J].
Research on least squares curve fitting and optimization algorithm
[J].
Prediction of smoke exhaust time during excavation of single-head roadway
[J].
Study on airflow intelligent control model of fully mechanized heading face based on BP neuralnet work
[J].
Prediction of PM2.5 concentration in Yangtze River Economic Belt based on graph neural network
[J].
Grey model and curve fitting settlement prediction and correlation analysis
[J].
Research on tunnel CO concentration prediction based on neural network information fusion
[J].
An adjusted coefficient of determination (R2) for generalized linear mixed models in one go
[J].
Filling strength prediction based on PCA-BP neural network model
[J].
Analysis and prediction of CO concentration change after blasting in heading face
[J].
Analysis of CO source and prediction model of gushing concentration at the return air corner of working face in shallow coal seam mine
[J].
Application of one-dimensional convolutional neural network in magnetite separation
[J / OL].
Study of CO sources and early-warning concentration of spontaneous combustion at air return corner in fully mechanized mining faces
[J].
Prediction method of stope stability based on NPCA-GA-BP neural network
[J].
Fault warning of coal mill based on convolutional neural network-long short-term memory neural network
[J].
Prediction of mine subsidence area based on chaotic time series analysis method
[J].
Research and application of CO concentration prediction model in upper corner of working face
[J].
Model test study on the emission law and concentration prediction of gun smoke in single-head roadway
[J].
Prediction model of CO gas concentration in highway tunnel based on random forest
[J].
Nonlinear error compensation of digital dial gauge based on improved BP neural network
[J].
基于交通风条件多点进出城市地下道路CO污染物浓度分布特性预测模型
[J].
最小二乘法曲线拟合及优化算法研究
[J].
独头巷道掘进过程中排烟时间预测
[J].
基于BP神经网络的煤矿综掘面风流智能调控模型研究
[J].
基于图神经网络的长江流域经济带PM2.5浓度预测
[J].
灰色模型与曲线拟合沉降预测及相关性分析
[J].
基于神经网络信息融合隧道CO浓度预测研究
[J].
基于PCA-BP神经网络模型的充填体强度预测
[J].
独头掘进面爆破后CO浓度变化分析及预测
[J].
一维卷积神经网络在磁铁矿分选中的应用
[J/OL].
基于NPCA-GA-BP神经网络的采场稳定性预测方法
[J].
基于卷积神经网络—长短时记忆神经网络的磨煤机故障预警
[J].
基于混沌时间序列分析方法的矿山塌陷区范围预测
[J].
工作面上隅角CO浓度预测模型的研究与应用
[J].
独头巷道中炮烟散发规律及浓度预测模型试验研究
[J].
基于随机森林的公路隧道CO气体浓度预测模型
[J].
基于改进BP神经网络的数显千分表非线性误差补偿
[J].
/
〈 |
|
〉 |
