一种基于WOA-LSTM模型的隧道瓦斯浓度预测方法与流程

本发明涉及瓦斯浓度探测，特别涉及一种隧道瓦斯浓度的预测方法。

背景技术：

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，这使得lstm网络模型在预测隧道瓦斯浓度这一类非线性问题时，预测精度仍然有待提高。

技术实现思路

1、有鉴于此，本发明的目的是提供一种基于woa-lstm模型的隧道瓦斯浓度预测方法，以解决对隧道瓦斯浓度进行预测，并提高预测精度的技术问题。

2、本发明基于woa-lstm模型的隧道瓦斯浓度预测方法包括：

3、1)构建由lstm网络和woa鲸鱼算法模块组成的woa-lstm模型；

4、2)采集隧道瓦斯浓度数据，并对采集的数据进行标准化处理，用经过标准处理的数据构建数据集；

5、3)设置lstm网络的初始化参数，然后用步骤2)构建的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；

6、4)现场采集隧道掌子面附近的瓦斯浓度数据，并将采集的数据作标准化处理后输入步骤3)训练得到的lstm网络，通过lstm网络得到隧道掌子面附近的瓦斯浓度预测值。

7、进一步，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)；

8、

9、其中，x0、x1为待插值点的相邻的两个点的位置，y0是对应于自变量x0的因变量，y1是对应于自变量x1的因变量，y′0、y′1是对应的导数，x0、x1、y0、y1是已知信息，y′0、y′1需要根据已知点进行估算。

10、进一步，步骤3)中所述的均方根误差rmse的公式如下：

11、

12、其中，n为样本数，为测试值，为预测值。

13、进一步，步骤3)所述lstm网络的关键参数包括学习率和网络隐含层的神经元数量。

14、本发明的有益效果：

15、1、本发明基于woa-lstm模型的隧道瓦斯浓度预测方法，采用保形分段三次插值法对变化复杂的瓦斯浓度数据进行处理，可以很好的拟合斜率变化的多变量函数，进而能很好的保留原始瓦斯浓度数据的特征，从而能提高瓦斯浓度数据数据质量，有利于后续提高后续对瓦斯浓度预测的准确性。

16、2、本发明基于woa-lstm模型的隧道瓦斯浓度预测方法，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。

技术特征：

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网络的关键参数包括学习率和网络隐含层的神经元数量。

技术总结
本发明公开了一种基于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。

技术研发人员：齐兵,刘鹏,黄才生,张天华,任松,陈征,舒维余,邹升华
受保护的技术使用者：中电建路桥集团有限公司
技术研发日：
技术公布日：2024/2/8