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。
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。