典型文献
基于PSO-BP神经网络的煤体瓦斯渗透率预测
文献摘要：
为了更加合理地预测煤体瓦斯渗透率,将粒子群算法(Particle Swarm Optimization,PSO)、附加动量法与BP神经网络(BP Neural Network)相结合,选取影响煤体瓦斯渗透率的4个主要因素:有效应力、瓦斯压力、温度和煤的抗压强度,建立PSO-BP神经网络煤体瓦斯渗透率预测模型.研究表明:传统BP神经网络均方根误差(Root Mean Squard Error,RMSE)为0.135;基于遗传算法(Genetic Algorithm,GA)的神经网络模型均方根误差为0.068;基于PSO的BP神经网络预测法均方根误差为0.055.相对于其他两种方法,基于PSO的BP神经网络预测具有更加广泛的适用性以及更高的精度,可为预防煤与瓦斯突出以及瓦斯抽采提供更为准确的理论指导.
文献关键词：
粒子群算法;BP神经网络;煤体瓦斯渗透率;仿真预测
中图分类号：
作者姓名：
邓森;李希建;徐畀泽
作者机构：
贵州大学 矿业学院,贵州 贵阳550025;复杂地质矿山开采安全技术工程中心,贵州 贵阳550025;台州市特种设备检验检测研究院,浙江 台州318000
文献出处：
引用格式：
[1]邓森;李希建;徐畀泽-.基于PSO-BP神经网络的煤体瓦斯渗透率预测)[J].矿业工程研究,2022(04):35-41
A类：
煤体瓦斯渗透率,Squard
B类：
PSO,渗透率预测,粒子群算法,Particle,Swarm,Optimization,附加动量法,Neural,Network,有效应力,瓦斯压力,抗压强度,Root,Mean,Error,RMSE,Genetic,Algorithm,GA,神经网络预测,煤与瓦斯突出,瓦斯抽采,仿真预测
AB值：
0.256058
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
