基于LLE-FOA-BP模型的煤与瓦斯突出强度预测.pdf

工矿自动化 In dust r y a n d Min eAut oma t ion Vol .45 No.10 Oct .2019 第45卷第10期 2019年10月 文章编号1671 251X2019 10 0068 06 DOI10. 13272/j. issn . 1671-251x. 2019010054 基于LLE-FOA-BP模型的煤与瓦斯突出强度预测 隆能增1 袁梅1234 敖选俊5 李鑫灵1 张平1 “.贵州大学矿业学院，贵州 贵阳550025； 2.贵州省非金属矿产资源综合利用重点实验室，贵州 贵阳550025； 3.贵州省优势矿产资源高效利用工程实验室，贵州贵阳550025； 4.复杂地质矿山开采安全技术工程中心，贵州 贵阳550025； 5.贵州中纸投资有限公司，贵州盘州553537 摘要针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题，提出了一种基于局部线 性嵌入法-果蝇优化算法-BP神经网络LLE-FOA-BPMIt型的煤与瓦斯突出强度预测方法。借助LLE算 法的非线性数据特征提取优势，提取煤与瓦斯突出影响因素原始数据的本质特征，形成重构有效因子，降低 数据间的冗余信息及噪声；利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值，避免陷入 局部极小，提高参数寻优效率；将重构有效因子输入优化后的BP神经网络进行训练，实现煤与瓦斯突出强 度快速、准确预测。测试结果表明LLE-FOA-BP模型的平均相对误差为8.06，相对误差的方差为3.69, 经过24次迭代训练就达到108的训练精度，能够在保证预测精度的基础上，提高鲁棒性和学习效率 关键词煤与瓦斯突出强度预测；局部线性嵌入；果蝇算法；BP神经网络；大数据处理 中图分类号TD713 文献标志码A Pr edict ion of coa l a n d g a s out bur st in t en sit y ba sed on LLE-FOA-BP model LONG Nen g zen g1 , YUAN MsS23Q , AO Xua n jun5 , LI Xin l in g1 , ZHANG Pin g1 1. Min in g Col l eg e, Guizhou Un iv er sit y , Guiy a n g 550025 , Chin a; 2. Guizhou Key La bor a t or y of Compr ehen siv e Ut il iza t ion of Non -met a l l ic Min er a l Resour ces, Guiy a n g 550025, Chin a; 3.GuizhouEn g in eer in g La bof Adv a n t a g e Min er a l Resour cesEficien t Ut il iza t ion Q Guiy a n g 550025, Chin a; 4. En g in eer in g Cen t er f or Sa f e Min in g Techn ol og y un der Compl ex Geol og ic Con dit ion s, Guiy a n g 550025, Chin a; 5.GuizhouZhon g zhiIn v est men t Co.QLt d.QPa n zhou553537QChin a AbstractIn v iew of pr obl ems of l ow pr edict ion a ccur a cy , poor st a bil it y a n d sl ow t r a in in g of cur r en t coa l a n dg a sout bur st in t en sit y pr edict ion ,a pr edict ion met hodof coa l a n dg a sout bur st in t en sit y ba sedon LLE-FOA-BP model wa s pr oposed. Essen t ia l cha r a ct er ist ics of r a w da t a of coa l a n d g a s out bur st in f l uen cin g f a ct or sa r eext r a ct edt a k in g useof t hea dv a n t a g eof n on l in ea r da t a f ea t ur eext r a ct ion of LLE a l g or it hm,efect iv er econ st r uct ion f a ct or sa r ef or med,a n dr edun da n t in f or ma t ion a n dn oisebet ween da t a a r e r educed. The weig ht a n d t hr eshol d of BP n eur a l n et wor k a r e opt imized by usin g FOA a l g or it hms st r on g g l ob /l opt imiz/t ion /b il it y t o/v oidf /lin g in t ol oc/l min im//n dimpr ov ep/r /met er opt imiz/t ion eficien cy .Efect iv er econ st r uct ion f /ct or s/r ein put in t ot heopt imizedBPn eur /l n et wor k f or t r /in in g ,so /st or e/l izequick /n d/ccur /t epr edict ion of co/l /n dg /sout b ur st in t en sit y .Thet est r esul t sshowt h/t t he 收稿日期收稿日期2019-01-14；修回日期修回日期 2019-09-20；责任编辑责任编辑胡娴。 基金项目基金项目贵州省科技计划项目黔科合支撑,018-789。 作者简介作者简介隆能增1993 ,男，广西崇左人，硕士研究生，研究方向为矿山灾害防治 E-ma il565825819qq. com。通信作者袁梅1973 女，贵州贵阳人，教授，博士，主要从事安全科学与工程方面的教学及科研工作,E-ma ilg ut y ua n mei126. com。 引用格式引用格式隆能增，袁梅，敖选俊，等基于LLE-FOA-BP模型的煤与瓦斯突出强度预测,-工矿自动化，2019,45106873 LONG Nen g zen g , YUAN Mei, AO Xua n jun , et a l . Pr edict ion of coa l a n d g a s out bur st in t en st y ba sed on LLE-FOA-BP model,]. In dust r y a n d M1n eAut oma t 1on 2019 451068-73. 2019年第10期隆能增等基于LLE-FOA-BP模型的煤与瓦斯突出强度预测 69 . a v er a g e r el a t iv e er r or of LLE-FOA-BP model is 8.06, v a r ia n ce of r el a t iv e er r or is 3.69, a n d t r a in in g a ccur a cy of 10-8 is a chiev ed a f t er 24 it er a t ion s, which v er if ies t he model ca n impr ov e r obust n ess a n d l ea r n in g ef f icien cy whil e en sur in g pr edict ion a ccur a cy . Key words pr edict ion of coa l a n d g a s out bur st in t en sit y ; l oca l l in ea r embeddin g ； f r uit f l y opt imiza t ion a l g or it hm ； BP n eur a l n et wor k; big da t e pr ocess 0引言引言 准确、快速预测工作面煤与瓦斯突出危险性对 于防治突出灾害、保障井下作业人员安全具有重要 意义。传统的煤与瓦斯突出预测方法有单项指标 法、综合扌标法、地质指标法等，这些方法都为静态 预测，预测机理较为单一，不能全面反映工作面突出 危险性，且指标临界值大多根据煤矿统计数据或经 验确定，存在预测效果较差及智能化程度低等 问题，13 BP神经网络具有较强的非线性映射能力和高 度自学习、自适应能力4 ,被广泛应用于煤与瓦斯突 出预测中。但当数据量过大时BP神经网络存在训 练速度较慢、易陷入局部极小等问题。针对训练速 度慢的问题,常用的改进方法是通过主成分分析、线 性判别法和灰色关联分析等提取数据特征后再输入 BP神经网络进行预测，但这3种方法为线性特征提 取方式，对本质为非线性分布的煤与瓦斯突出影响 因素的特征提取效果较差5 ,导致BP神经网络预 测精度不高。针对易陷入局部极小的问题，当前广 泛使用遗传算法对BP神经网络进行参数寻优，提 高其映射能力，但遗传算法存在交叉和变异操作，容 易陷入局部最优，且编码方式较为复杂⑷，不利于实 现煤与瓦斯突出危险性快速、准确预测。 针对以上问题，本文结合LLE Loca l Lin ea r Embeddin g，局部线性嵌入法和FOA Fr uit f l y Opt imiza t ion Al g or it hm，果蝇优化算法对BP神经 网络进行改进，利用LLE适用于非线性数据特征提 取的特点来提取煤与瓦斯突出影响因素原始样本的 本质特征，借助FOA全局参数寻优及初始设定参 数少的优势来优化BP神经网络的权值及阈值，实 现煤与瓦斯突出强度快速、准确预测。 1煤与瓦斯突出强度预测模型煤与瓦斯突出强度预测模型 1.1 LLE LLE 于 特征 ， 具 数少、收敛速度快等优点，可将输入的高维数据点映 射到全局低维坐标系，且降维后的数据能够较好地 保持原有的拓扑结构。其基本思想在样本空间中， 每一个样本点是由许多相互邻接的局部线性点拼凑 而成，这种局部线性点概要地描述了高维数据集的 本质特征，当高维数据集整体向更低的维度进行嵌 入时提取出这种特性，就保留了原有高维数据集的 根本特征7。 LLE 将 N L 维向 成 原始 Xlxn转换为保留原始数据特征的由N个4维向量 4VN组成的降维矩阵Y『xn，矩阵0 0与矩阵xx的 列向量一一对应。LLE算法步骤如下8 1 构造每个样本点x,1,2,2,N的0个 近邻点。计算某个样本点与其他N-1个样本点之 间的欧氏距离，找到11的0个最近邻集合X X为各维度之间的距离。 重构系数对于X X煤层及地质构造指标的二级指标煤层 厚度4、煤层倾角人及构造复杂度4 ；地应力及 开采扰动指标的二级指标最大主应力710、开采深 度An及采高712。 根据煤与瓦斯突出矿井鉴定规范，煤体破坏 类型可分为I 9，依次用1〜5表示；构造复杂度 按煤层断层、褶皱、节理等方面的复杂程度划分为 4 类 ， 简 单 、 一 、 和 杂构造，依次用1〜4表示。这些影响因素复杂多 变，数据量大，各因素之间又相互作用，组成一个非 线性复杂系统，共同影响煤与瓦斯突出的发生。 搜集上述12个因素的实测数据作为LLE- FOA-BP 模型的输入样本表1,对煤与瓦斯突出 强度R进行预测。 2. 2 LLE算法特征提取过程 选取样本中的前30组原始数据作为训练集，后 10组为测试集，输入LLE-FOA-BP模型中进行联 合训练和预测。首先要确定LLE算法中0和d的 值。0值的选取在算法中起到关键作用，如果0值 太小，则提取出的数据不能很好地保持原始数据的 本质特征，反之若0值太大，则得到的新因子不能 体现局部特性。本文中取经验数值，即0 11。根 2019年第10期隆能增等基于LLE-FOA-BP模型的煤与瓦斯突出强度预测・71・ Ta bl e 1 表1 Ra w da t 煤与瓦斯突出影响因素原始数据 a of in f l uen cin g f a ct or s of coa l a n d g a s out b ur st 序号 R/t Ai / m3 ・ t-1 A2/ A3/ MPa m3 ・ t-1 A4 / mL・ s-1 A56A7/m8 1A9 A10 / MPa A11/mA12/m 1 68 6. 18 0.43 4. 569. 35 0.34 32. 512219. 4411 2.5 2 1285.22 0. 56 4.0212.660.56 3 2.3 133 22.5 418 2.3 3 1333.78 0. 484. 77 17.620.43 4 2.2 143 23.74362.2 4 1425.79 0. 604. 56 19.540.53 3 2.6 132 20.34392.6 37975.08 0. 494. 378 15 0.22 2 2.9 132 23.54402.9 382246.45 0. 736. 24 17.220.36 3 3.5 134 26.4 621 3.5 392298.55 0. 755. 96 15.840.48 4 4.2 154 22.35444.0 401896.55 0. 654. 93 13.700.33 3 3.8 173 20.24923.8 据0和〃的关系可知4的取值范围为6〜9,将d BP神经网络 中进行 ，经过 发 ，当4 7 果最好。由每个样本点的近邻 点计算出该样本点的局部重建权值矩阵f fD ,根据 f fD计算得出在低维空间保持12维原始样本点内在 何 7维重 由Pi巴构 成，见表2。 表2重构有效因子 Ta b l e2 EWect iv er econ st r uct ion Wa ct or s 序号 P1P2P3P4P5P6P7 1 -0.24 1. 761.291. 563. 311.550. 91 2 -0.28 1. 78 -0.40 -0.54-0.50 1.65 -0.95 3 -0.59-0.05 1. 36 0.46 1. 161. 51 -0.97 4 -0.30 0.05 2. 13 0.090. 811. 32 -0.95 270.78 -2.50-0.93-0.22-2.50 0. 91 -0.94 28 0. 71 -0.43-0.22 1. 050. 10 -0.27-0.99 292.891. 38 1. 841. 45 0.09 -0.24-0.99 30 -2.07 0. 100. 500. 64 0.08 -0.07 1. 00 2. 3 BP神经网络训练及FOA参数寻优 将重 归一 ［ 1,1-作为 BP神经网络 ，R作为输出 式（5）确定隐 点数q 5 J n c a （5） 式中n为输入层个数LLE-FOA-BP模型相 对误差的方差最小，为3.69,波动性大大降低，说明 FOA算法优化了 BP神经网络各层之间的连接结 构，提高了最优权值与阈值的搜索效率,增强了 BP 神经网络的鲁棒性。 在训练速度方面，BP神经网络模型和FOA-BP 神经网络模型分别经过289次和123次迭代训练达 到106的预设训练精度，而LLE-FOA-BP模型经 过24次迭代训练就达到10-8的训练精度，超出了 预期训练效果，表明用LLE算法进行煤与瓦斯突出 影响因素特征提取效果良好，能够较好地保留影响 原始数据的本质特征，减少数据间的冗余信息及噪 声，在保证预测精度的前提下缩减数据维度，从而提 高BP神经网络的学习效率。 3结论结论 1 利用BP神经网络较强的非线性映射及高 度自学习能力进行煤与瓦斯突出强度预测。测试结 果表明，BP神经网络模型.FOA-BP神经网络模型、 LLE-FOA-BP模型的平均相对误差均在14以下， 证明将BP神经网络应用于煤与瓦斯突出强度预测 是可行的。 2 借助LLE算法非线性数据特征提取的优 势，对煤与瓦斯突出影响因素的原始数据进行维数 约减，形成重构有效因子，减少数据间的冗余信息及 噪声。测试结果表明,LLE-FOA-BP模型经过24次 迭代 108 度 BP 经 网络的学习效率。 3 利用FOA算法较强的全局寻优能力优化 BP神经网络权值及阈值，避免陷入局部极小。测试 结果表明,LLE-FOA-BP模型相对误差的方差最 小，为3. 69,波动性大大降低，增强了 BP神经网络 的鲁棒性。 4 LLE-FOA-BP模型的相对误差最小，为 06，优于BP神经网络模型和FOA-BP神经网 络模型。在LLE算法特征提取及FOA算法全局寻 优 重优 LLE-FOA-BP 能够 保证 测精度的基础上，提高学习效率。在海量非线性数 方 LLE-FOA-BP 果将 明显，对于促进煤矿企业大数据处理和数据挖掘技 术的发展具有一定的意义。 参考文献References 1 -张宏伟，李胜.煤与瓦斯突出危险性的模式识别和概 率预测[J-岩石力学与工程学报，2005,24 19 3577-3581. ZHANG Hon g weiLIShen g .Pater n r ecog n it ion a n d possibil it y pr edict ion of coa l a n d g a s out b ur st ]J Chin eseJour n a l of Rock Mecha n icsa n d En g in eer in g 2005,24193577-3581. [2-李胜，罗明坤，范超军，等.采煤工作面煤与瓦斯突出 危险性智能判识技术[J-中国安全科学学报，2016, 261076-818 LIShen gLUO Min g k unFAN Cha ojunet a l 8 2019年第10期隆能增等基于LLE-FOA-BP模型的煤与瓦斯突出强度预测-73 - Resea r ch on coa l a n d g a s out b ur st r isk in t el l ig en t r ecog n it ion in min in g f a ce [J]. Chin a Sa f et y Scien ce Jour n a l ,2016,2610 76-81. [3 -朱志洁，张宏伟，韩军，等基于PCA-BP神经网络的 煤与瓦斯突出预测研究中国安全科学学报 2013 234 45-508 ZHUZhijie, ZHANG Hon g wei, HAN Jun, et a l . Pr edict ion of coa l a n dg a sout b ur st b a sedon PCA-BP n eur a l n et wor k [J-. Chin a Sa f et y Scien ce Jour n a l, 2013 234 45-508 [4]李朝静，唐幼纯，黄霞.BP神经网络的应用综述 劳动保障世界理论版,2012871-74. [5 -马宇基于高维空间的非线性降维的局部线性嵌入 LLE方法[D]成都西南交通大学2017. [6 -程加堂，艾莉，徐绍坤基于MMAS-BP的煤与瓦斯突 出强度预测中国安全科学学报，2011,219 77-818 CHENGJia t a n gAI LiXU Sha ok un 8Pr edict ion of coa l a n d g a s out b ur st in t en sit y ba sed on MMAS-BP [J]. Chin a Sa f et y Scien ce Jour n a l ,2011,219 77-81. [7 -律方成，张波.基于LLE降维和BP_Ada b oost分类器 的GIS局部放电模式识别电测与仪表，2014, 511537-41. LYU Fa n g chen g , ZHANG Bo. Pa t t er n r ecog n it ion of GIS discha r g e t y pes ba sed on LLE dimen sion a l it y r educt ion a n d BP _ Ada boost cl a ssif ier [J]. El ect r ica l Mea sur emen t g In st r umen t a t ion201451 15 37-418 [8 -李心杰，贾进章基于LLE-ELM的矿井瓦斯涌出量 预测方法研究工业安全与环保，2015,417 上接第42页 [1]罗超文，李海波，刘亚群深埋巷道地应力测量及围岩 应力分布特征研究岩石力学与工程学报，2010, 2971418-14238 LUO Cha owen, LI Ha ib o, LIU Ya qun . St udy of dist r ibut in g cha r a ct er ist ics of st r essin sur r oun din g r ock ma ssesa n din -sit ust r essmea sur emen t f or deepl y b ur iedt un n el s[J]8Chin eseJour n a l of Rock Mecha n ics a n dEn g in eer in g 2010 2971418-14238 [12] 阚忠辉.最大水平主应力对巷道围岩稳定性影响研究 采矿技术 201818340-42. [13] 强 最大 平主 力 定 影响 值分析矿业研究与开发2008,28162-64. GAO Fuqia n g 8Numer ica l a n a l y sis on t he in f l uen ce of ma ximum hor izon t a l pr in cipa l st r esson sur r oun din g r ock st a b il it y of r oa dwa y[J].Min in g Resea r ch a n d Dev el opmen t 2008 28162-64. [14] 金志远，徐佑林，邓川，等.深井高地应力节理化巷道 围岩支护设计数值模拟研究矿业研究与开发, 811. LIXin jieJIA Jin zha n g 8Pr edict ion met hod of min e g a semission b a sedon LLE-ELM[J] In dust r ia l Sa f et y a n dEn v ir on men t a l Pr ot ect ion 2015 4178-118 [9 -杨帆，王小兵，邵阳.改进型果蝇算法优化的灰色神经 网络变形预测测绘科学2018,43263-69. YANG Fa n , WANG Xia obin g , SHAO Ya n g . Def or ma t ion pr edict ion of g r ey n eur a l n et wor k b a sed on modif ied f r uit f l y a l g or it hm [J ].Scien ce of Sur v ey in g a n d Ma ppin g 2018 43263-69. [0]杨刚,王建民基于改进果蝇优化BP神经网络的磨 矿 度 [J]. 技 器 20188 122126. YANG Ga n g , WANG Jia n min . Sof t mea sur emen t of g r in din g sizeb a sedon modif iedf r uit f l y a l g or it hmt o opt imizeBPn eur a l n et wor k[J] In st r umen t Techn ique a n dSen sor 20188122-1268 [1]高洪香.宁夏黄土丘陵区水资源需求预测研究[D]. 银川宁夏大学2013. [12] 付华,王馨蕊,王志军,等.基于PCA和PSO-ELM的 煤与瓦斯突出软测量研究传感技术学报，2014 , 27121710-1715. FU Hua WANG Xin r ui WANG Zhijun et a l 8 Resea r chon t hesof t sen sor of coa l a n dg a sout b ur st ba sed on PCA a n d PSO-ELM[J] Chin eseJour n a l of Sen sor s a n d Act ua t or s 2014 27121710-1715 [3]李绍泉近距离煤层群煤与瓦斯突出机理及预警研究 [D]北京中国矿业大学北京2013. [14] AQ 10242006煤与瓦斯突出矿井鉴定规范[S]. 2018,38115760. JIN Zhiy ua n , XU Youl in , DENG Chia n , et a l . Numer ica l simul a t ion on suppor t desig n of sur r oun din g r ock in deep join t -con t r oled r oa dwa y wit h hig h g r oun d st r ess [J]8Min in g Resea r ch a n d Dev el opmen t 2018 381157-608 [5] 孙玉福水平应力对巷道围岩稳定性的影响煤炭 学报，2010,356891895. SUN Yuf u. Af f ect s of in -sit u hor izon t a l st r ess on t a b il it y of ur r oun din g r ock r oa dwa y[J].Jour n a l of Chin a Coa l Societ y 2010 356891-895. [6] 郭延辉,侯克鹏.深部矿井三维地应力特征及其对巷 道稳定性的影响昆明理工大学学报自然科学 版，2014,39228-33. GUO Ya n hui , HOU Kepen g . 3D in -sit u st r ess dit r ib ut ion a n dit in f l uen ceon t a b il it y of r oa dwa y in a deep min e[J].Jour n a l of Kun min g Un iv er it y of Scien ce a n d Techn ol og yNa t ur a l Scien ce Edit ion 2014 39228-33.