神经网络在矿井突水水源判别中的应用.pdf

第 l O期 2 0 1 1年 1 O月 工矿 自 动化 I nd us t r y a n d M i ne Au t oma t i on N0 ． 1 0 Oc t ．2 0 11 文章编 号 1 6 7 1 2 5 1 X 2 0 1 1 1 0 0 0 6 0 0 3 DOI C NKI 3 2 1 6 2 7 ／ T P ． 2 0 1 1 0 9 2 2 ． 1 3 2 2 ． O l 5 神经网络在矿井突水水源判别中的应用 吴岩 ， 余 智超 1 ． 铁法煤业 集团 有限责任公司晓明煤矿，辽宁 调兵山 1 1 2 7 0 0 ； 2 ． 中国矿业大学信电学院，江苏 徐州 2 2 1 1 1 6 摘 要 提 出了一种 采 用 改进 的 S O M 神 经 网络 对 矿 井 突水 水 源进 行 判 别 的 方 法 。该 方 法把 水质 中的 Na 、 K 、 C a 、 Mg 抖 、 C 1 一、 S Oi 一和 HC O 等 7种 离子 的含 量作 为判 断 因素 ， 结合 改进 的 S OM 神 经 网络模 型 ， 对 2 O个水源样品进行分类。实验结果表 明， 该方法的误判率为 0 ， 能够准确地判别矿井突水水源。 关键 词 矿 井 突水 ；水源判 别 ；S O M 神 经 网络 ； B P神 经 网络 中图分类 号 TD 7 4 5 ． 2 1 文献 标识 码 A 网络 出版时 问 2 0 1 1 0 9 2 2 1 3 2 2 网络 出版 地址 h t t p ／ ／ www． c n k i ． n e t ／ k c ms ／ d e t a i l ／ 3 2 ． 1 6 2 7 ． TP ． 2 0 1 1 0 9 2 2 ． 1 3 2 2 ． 0 1 5 ． h t ml App l i c a t i o n o f Ne ur a l Ne t wo r k i n W a t e r S ou r c e Di s t i n gu i s hi n g o f M i n e W a t e r I nr us h W U Ya n ． YU Zhi c h a o 1 ． Xi a o mi n g Co a l M i n e o f Ti e f a C o a l I n d u s t r y Gr o u p Co ． ，Lt d． ，Di a o b i n g s h a n 1 1 2 7 0 0 ，Ch i n a ． 2． Sc h o ol o f I nf or ma t i o n a n d El e c t r i c a l En gi n e e r i n g o f CU M T ． ，Xuz ho u 2 21 1 1 6，Chi n a Abs t r a c t The p a p e r p r o p os e d a me t ho d o f us i ng i mpr o v e d SOM n e ur a l ne t wo r k t o di s t i ngu i s h wa t e r s o ur c e o f m i n e wa t e r i nr u s h． Th e m e t ho d t a ke s s e ve n i r o ns c o n t e nt s of Na ， K ， Ca ， M g ， C1 ， S O 一 a n d HCOf i n wa t e r a s di s t i n gu i s h e d f a c t o r s a nd c ombi n e s wi t h i m p r ov e d SOM ne u r a l ne t wor k mo de l t o c l a s s i f y 2 0 s a mpl e s of wa t e r s o ur c e．The e xpe r i m e nt r e s ul t s ho we d t ha t mi s t a ke r a t e of t h e me t ho d i S 0 a nd c a n di s t i n gu i s h wa t e r s o ur c e of mi n e wa t e r i nr us h a c c u r a t e l y． Ke y wo r d s m i ne wa t e r i n r us h，wa t e r s o ur c e d i s t i ngu i s hi n g，SOM ne ur a l ne t wo r k，BP n e ur a l ne t wo r k 0 引言 煤 矿 突 水 是 煤 矿 安 全 生 产 中 的 重 大 隐 患 之 一[ 1 ] ，及时正确地判别突水水源对预防突水事故发 生、 保障煤炭开采的顺利进行有着重要 意义 。由于 受含水层的沉积期、 地层岩性、 建造和地化环境等诸 多 因素 的影 响 ， 不 同含 水 层 中 的地 下 水 主 要化 学 成 分有 所 不 同。把 水 质 中 Na 、 K 、 C a 抖 、 Mg 、 C I、 S 0 和 HC O 等 7 种离子 的含量作为判断因 素 ， 采用水化学法 ， 可从微观上判别和认识不同水源 间的差 异和联 系 。 近年来 ， 人工神经网络技术 已在矿井突水水源 判别 中得到了广泛应用。参考文献[ 3 3 利用 E l ma n 收稿 日期 2 0 1 1 0 5 1 3 作者简 介 吴岩 1 9 6 3 一 ， 男 ， 辽 宁铁 岭人 ， 工程 师 ， 现任铁 法煤 业 集 团 有 限责 任公 司 晓 明煤矿 机 电科 科 长。E - ma i l l r h 1 9 6 0 v i p ． s i n a ． c o m 网络 与 B P网络 ， 针 对地 下 水 化 学 特 征 分别 建 立 突 水判别模型。参考文献[ 4 ] 构建 了 B P神经网络判 别模型 ， 根据已训练好 的神经网络对样本进行判别 。 参考文献[ 5 ] 利用 B P算法对训练样本 进行学习 ， 确 定判别模型， 根据已训练好 的神经网络对样本进行 判别 。以上方法都取得了较好 的效果 ， 证 明了神经 网络应 用在 矿 井 突水 水 源 判 别 中的 可行 性 。鉴 此 ， 本文介 绍 一种 利 用 改进 的 s O M S e l f 一 0r g a n i z i n g Ma p 神经网络对矿井突水水源进行判别的方法 ， 与 最常用的 B P神经 网络 的分析结果相 比， 该方 法具 有一定 的优越性 。 1 实验数 据 本文中的实验数据来源于参考文献[ 4 ] ， 该参考 文献主要对威胁潘三煤矿浅部煤层开采的新生界松 散层下部含水组及深度开采的煤系砂岩裂隙含水层 进行判别 ， 采用地下水 中的上述 7种离子作为判别 2 0 1 1年第 1 O期 吴岩等 神 经网络在矿 井突水水源判别 中的应用 6 1 依据。表 1为参与建模的 2 O个水样点的各项离子 指标， “ 类别” 一栏中“ 1 ” 表示新生界松散层下部含水 组 ， “ 2 ” 表示 煤 系砂 岩裂 隙含 水层 。 表 1 突水水源样本 的各项离子 指标 2实验 方 法及 结果 2 ． 1 BP神 经 网络 B P神经 网络是在矿井突水水源判别 中应用最 多的一种建模方法 。参考文献[ 4 ] 选用典 型的三层 B P神经 网络 7种 离子作 为 特征 信息 ， 6个输 入神 经 元 Na 与 K 作 为 一 个 输 入 节 点 ； 水 源 类 型 作 为 网络输出 ， 输 出节点个数为 1 ； 隐含层节点个数为 8 。 模 型 中 始 终 保 持 有 1 9个 训 练 集 样 品、 1个 预 测 样 品。每个样品都要作为预测样 品， 其余 的为训练集 样 品 ， 循 环判 别 。 2 ． 2 基 本 S OM 神 经 网络 S OM 神经网络也称 Ko h o n e n映射神 经 网络 ， 是 Ko h o n e n教授于 1 9 8 1 年提出的一种无监督 自组 织学 习算法_ 6 ] ， 是人工 神经 网络 的重要分 支之一 。 它是对生物神经系统进化过程的计算机模拟 ， 能把 任意维 的输入信 号变换 到一维或二 维的离散 网格 上 ， 并保持其拓扑结构不变。S OM 神经网络结构 如图 1所示 ， 下层为输入层 ， 输入层节点的数量与样 品中所包 含 的信 息 量一 致 ； 上层 为竞 争 层 ， 是 由 m 个神经元组成的二维平面阵列 ， 且输入层各节点 与 竞争 层神 经元 实现 全连 接 。 竞争 输入 图 1 S OM 神 经 网 络结 构 笔者 建 立 了 一 个 基 本 S OM 神 经 网 络 模 型 ， 参 与建 模 的水 源 样 品有 2 O个 。Na K - 、 C a 抖 、 Mg 抖 、 C 1 一、 S o； 一和 HC o 的含 量 为基 本 S OM 神 经网络的输入节点 ， 共 6个输入神经元， 网络输 出维 数为[ 2 1 ] 。 2 ． 3 改进 的 S OM 神 经 网络 s O M 神经网络是一个无导师监督 、 自组织 、 自 学习的网络 ， 它能够学习建模样本信息的分布特征 及其拓扑结构 ， 通过对输入向量的反复学习， 使获胜 神经元有关的权值 向更有利于它竞争的方 向调整 。 在映射层 ， 各神经元的权值 向量与输入 向量的欧氏 距离的计算公式为_ 】 u d l I Xw l l一 式 中 X 为输 入 向量 ； W 为 神 经元 的权值 向量 ； 硼 为输入层神经元与映射层神经元之间的权值 。 通过计算 ， 得 到距 离最小 的神经元 获胜神经 元 ， 然后再修正神经元及相邻神经元 的权值。 在这 个过 程 中 ， 输 入 向量 X 的大小 直 接 影 响 欧 氏距离的计算。本文 的样本 中， 6个输入神经元 的 差 距 较 大 。从 表 1可 看 出 ， C a 抖 、 Mg 抖 和 S O 这 3种离 子 的分 类 特征 非 常 清 晰 ， 但 由于数 值 的差 距 ， 分 类 的“ 主导 权 ” 被 Na K 、 HC o 和 C l所 占据 ， 忽略了 C a 抖、 Mg 和 S O 一的特征信息 ， 最终 导致误判 了 5个样本 见表 2 。 为了解决该问题 ， 在计算欧式距离前对输入向 量进 行均 衡处 理 ， 采用 以下 2种 方法 实现 。 1 均衡样本权重 对每项指标单独进 行归一 化处理 ， 求其均衡权重 z z ／ ∑z ， 一 1 ， 2 ， ⋯ ， 6 t 1 6 2 工矿 自动化 2 0 1 1年 1 0月 式中 为样本个数 ； z 为第 个样本中第 i 种 离子的含量 ； z 为 在第 i 种离 子中所 占的权重 ， 组成新的输入向量参与建模 。 2 主成分分析法 P C A 在输入层前加 1个 P C A层 ， 6个分类指标重新组合成一组新线性组合 来代替原来 指标 ， 主成分 累计 贡献 率 为 7 4 ． 0 7 、 9 O ． 1 O 、 9 7 ． 6 9 、 9 9 ． 7 3 、 9 9 ． 9 7 、 1 0 0 ． 0 0 。选 取前 4个主成分作 为网络输入， 它们几乎涵盖 了所 有的特征信息， 同时也减少了网络的复杂度。 通过上述 2种方法可得 到一组新 的输 入 向量 x ， 简化了与各输入神经元权值 的欧 氏距离计算 ， 综合 了所有的特征信息 ， 从而可对 突水水源作出准 确的判别 。基本 S OM 神经网络加入上述 2种方法 后 ， 判别 准确度 由 7 5 提 高到 1 0 0 。 2 ． 4 实验 结 果 采用 B P神经 网络 B P 、 基本 S oM 神经 网络 s O M 和改进 的 S OM 神经 网络 I s OM 3种模 型对 矿井 突水水 源 的判 别 结果 如表 2所 示 ， “ 类别 ” 一 栏 中“ 1 ” 、 “ 2 ” 的含义 与表 1 相 同 ， “ 判别结 果 ” 一栏 中“ 1 ’ 表示判别错误。 从 表 2可 看 出， B P神 经 网 络 模 型 误 判 了 第 2 O 号水样， 准确率 为 9 5 ； 基本 S OM 神经 网络 模型误判 了第 1 2 、 1 3 、 1 4 、 1 7 、 1 9号水样 ， 准确率为 7 5 ； 改进的 S oM 神经网络模 型没有误判样 品， 准 确率为 1 0 0 。实验结果表明， 改进的 S O M 神经 网 络模型能够准确地判别矿井突水水源 ， 且 比使用最 多 的 B P神 经 网络模 型 的判 别结 果更 加准 确 。 3 结语 将改进的 S OM 神经网络应用于矿井突水水源 判别 中， 解决 了基本 S O M 神经 网络 中输 入特征信 息的偏重问题 ， 全面地提取了样本的特征信息 ， 可准 确判断水源类别 。该方法较 B P神经 网络模型 的判 别 能力 有 了进 一步 的提 高 ， 为 矿井 突水 水 源 的判 别 提供了一个更有效可行的新方法。 参考文献 [1 ] 薛振华 ． 煤矿安全事故致 因 因素研 究 [ D ] ． 西 安 西 北 大学 ， 2 0 1 0 ． [ 2] 王 玉民 ， 焦立敏． 利用 水质分析 法判定 矿井 涌水水 源 E J ] ． 煤矿安全 ， 2 0 0 1 ， 3 2 1 0 1 2 1 4 ． [ 3] 钱家忠 ， 吕纯 ， 赵卫东 ， 等． E l ma n与 B P神 经网络在矿 井水 源 判 别 中 的应 用 [ J ] ． 系 统 工 程 理 论 与 实 践 ， 2 0 1 0， 3 0 1 1 4 5 - 1 5 0 ． [4] 祝翠 ， 钱家 忠 ， 周小平 ， 等． B P神经 网络在潘 三煤矿突 水水源判别 中的应用E J ] ． 安徽建筑工业学院学报 自 表 2 3种模型对矿井突水水源 的判别结果 霉 类 别 判 别 结 果 B P S o M I S o M 然科学版 ， 2 0 1 0 ， 1 8 5 3 5 - 3 8 ． 徐忠杰 ， 杨永 国， 汤琳． 神 经网络在矿井水源判别 中的 应用[ J ] ． 煤矿安全 ， 2 0 0 7 ， 3 8 2 4 - 6 ． KOHO NE N T ．Th e s e 1 f - 0r g a n i z i n g Ma p s[ J ] ． P r o c e e d i n g s o f t h e I EEE， 1 9 9 0， 7 8 9 1 4 6 4 1 4 8 0 ． BRAUN T D．A Ta xo no my f or De s c r i bi ng M a t c hi ng a nd Sc h e du l i ng He ur i s t i c s f o r M i xe d ma c hi ne He t e r o g e n e o u s C o mp u t i n g S y s t e ms [ C ] ／ ／ P r o c e e d i n g o f I EEE S y mp o s i u m o n Re l i a b l e Di s t r i b u t e d S y s t e m ， 19 9 8 33 0 - 3 3 5． 马旭凯 ， 谷 立臣， 李世 龙． 基 于 S OM 神 经 网络的柴 油 机燃油系统故障诊断E J ] ． 柴油机设计与制造， 2 0 0 8 ， 1 5 4 3 2 3 4 ． 毛哲宇 ， 严洁． 基 于 S O M 神 经 网络的 矿井 提升 机故 障诊 断研究 E J ] ． 机械制造与 自动化 ， 2 0 0 9 5 4 3 4 5 ． 杨占华 ， 杨燕． S OM神经网络算法的研究与进展E J ] ． 计算机 工程 ， 2 0 0 6 ， 3 2 1 6 2 0 1 - 2 0 2 ． 雷璐宇 ， 石为人 ， 范敏． 基于改进 的 S OM 神经 网络在 水质评 价 分 析 中 的应 用 [ J ] ． 仪 器 仪 表 学 报 ， 2 0 0 9 1 1 1 4 5 1 4 9 ． ] ] ] ] ] ] ] 明 明 伽 [ [ [ [ [ [ [