基于EEMD-SSA-BiLSTM的综采工作面瓦斯体积分数预测模型及应用

摘要

针对单一机器学习算法，预测瓦斯体积分数出现特征提取不充分、过拟合、泛化能力不足的问题，提出一种基于集合经验模态分解（EEMD）、麻雀搜索算法（SSA）和双向长短时记忆网络（BiLSTM）的瓦斯体积分数预测方法。在瓦斯体积分数数据预处理阶段，使用EEMD将复杂环境下的数据分解为一系列固有模态函数，降低数据采集不平衡的影响；在模型训练部分，SSA对BiLSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优，以此来提高全局的寻优能力，进而提高模型的准确率。试验结果表明：EEMD能有效自适应分解，长周期瓦斯体积分数动态演变中蕴含的高、中、低频物理信息，在EEMD-SSA-BiLSTM模型中，EEMD自适应分解可使模型的平均绝对误差(e_MAE)和均方误差(e_MSE)分别下降64.00%、89.71%，决定系数（■）提升3.29%;SSA超参寻优确定的BiLSTM网络最优参数组合为：隐含层节点128个、学习率0.002 7、丢弃率0.23，在EEMD-SSA-BiLSTM模型中，SSA可使模型的e_MAE和e_MSE分别下降28.00%、62.17%,■提升2.48%。EEMD-SSA-BiLSTM模型测试e_MAE、e_MSE、■分别为0.003 4、7.295 7×10^-6、0.983 7，预测性能良好。

关键词

综采工作面 / 瓦斯体积分数预测 / EEMD / SSA / BiLSTM