灰关联分析与BP神经网络方法在矿井瓦斯涌出量预测中的应用.doc

成果应用 总第114期 灰关联分析与BP 神经网络方法在矿井瓦斯涌出量预测中的应用 白庆升, 范正伟, 王为举 中国矿业大学矿业工程学院, 江苏徐州 221116 摘 要将灰关联理论运用到影响矿井瓦斯涌出量预测指标的选取中, 确定了影响矿井瓦斯涌出量预测的主要指标。根据这些指标建立了矿井瓦斯涌出量的BP 神经网络模型, 结合某矿的实际数据, 对预测模型进行训练和验证, 得到了很高的预测精度和较快的收敛速度, 取得了较好的实际应用效果。关键词瓦斯涌出量; 预测指标; 灰关联; BP 神经网络 中图分类号T D712. 5 文献标识码A 文章编号100522009 042Appl ati on of Grey IQ ing 2sheng FAN Zheng 2weiWANG W ei 2ju of M ine, China U niversity of M ining and Technology, Xuzhou 221116, China AbstractThe paper ass ociated Grey relati on t o select the main p redicti on indexs which influence the gas disaster . Based on these in 2dexs we p resented a BP neural net w ork model t o f orecastm ine gas disaster . And the modelwas trained and tested with experi m ental dat in a certain coal m ine, and achieved good results in p ractical app licati ons with high accuracy and faster convergence rate . Keywordsgas e m issi on quantity; p redicti on index; grey relati on; BP neural net w ork 矿井瓦斯涌出量预测是煤矿新井或生产矿井新水平通风设计、瓦斯抽放工程设计、瓦斯防治工作不可缺少的重要环节, 在较大程度上影响着煤矿生产过程中的安全可靠性。只有准确预测矿井或采掘工作面的瓦斯涌出量, 提前采取必要的防治措施才能保证矿井安全生产 [1] 。国内外对瓦斯涌出量预测方 法做了大量研究, 已有许多方法, 如矿山统计法、分源预测法、瓦斯梯度法、煤层瓦斯含量法、瓦斯地质数学模型、灰色关联度分析法和神经网络法等 [2-4] 。 其中灰色关联分析法和神经网络预测方法已经能够达到很高的预测精度, 优于其它预测方法, 完全可以满足煤矿现场对煤与瓦斯突出预测精度的要求 [5] 。 但是为了能以设定的精度逼近真值, 需要有足够多的训练数据和尽可能多的输入因子, 但这恰也是BP 神经网络的问题所在①过多的输入因子和大量的训练数据导致这种方法收敛很慢, 所以往往很长时 间得不到预测结果; ②瓦斯涌出量与其影响因素输入因子 之间存在着复杂的非线性关系, 并不是考虑 的影响因素越多预测的结果越精确。然而绝大多 数利用BP 神经网络预测矿井瓦斯含量的方法并没有考虑上面的两个因素。如果只考虑有限的几个影响因素, 则只能相对地反映影响突出的一个或几个因素, 丢失信息较多, 不能达到很高的预测精度而且很容易发生误判。 灰色关联度是灰色理论的核心内容之一, 是一 [7] 种多因素的统计分析, 它以各因素的样本数据为依据, 用关联度来描述因素间关系的强弱、大小和顺序。本文将运用此理论对BP 神经预测方法进行有效补充, 用于对矿井瓦斯涌出预测指标因素 的优选, 并以某煤矿瓦斯涌出控制因素调查统计为实例, 进行分析和验证, 得到了很高的预测精度和较快的收敛速度, 取得了较好的实际应用效果。 [6] 1 瓦斯涌出量影响因素的灰关联分析 1. 1 灰关联系数 [7, 8] 设瓦斯的涌出量为母因素X 0, 参考序列 , 各影响因素为子因素X i , 比较序列 。 收稿日期2008212216 作者简介白庆升1987- , 男, 江苏徐州人, 中国矿业大学矿业工程学院本科生。 21 2009年4月 白庆升等灰关联分析与BP 神经网络方法在矿井瓦斯涌出量预测中的应用 第18卷第4期 母因素的观测值为 1 X 0 x 01 , x 02 , x 0k , x 0n 子因素的观测值为 2 X i x i 1 , x i 2 , x i k , x i n 其中i 1, 2, 3, m 。 由于原始变量序列具有不同量纲或数量级, 需进行无量纲化, 以获得可比较的数据列, 将母因素与子因素的观测值进行无量纲化, 可得 3 Y 0y 01 , y 02 , y 0k , y 0n 4 Y i y i 1 , y i 2 , y i k , y i n 式中y 0k y 0k 和临近层瓦斯含量等14个指标。在这些影响因 素中顶板管理方式和层间岩性是定型指标, 必须进行数量化处理。其方法如下①顶板管理方式。地下开采煤矿回采工作面顶板管理方式有3种, 即全部垮落法、充填法、煤柱支撑法含条带开采法 , 能够反映出其对采空区瓦斯涌出量的影响, 3种方法分别用1, 2, 3表示。②层间岩性。根据顶板岩性和 [10] 矿压显现分5类顶板, 因煤层围岩中影响瓦斯涌出卸压范围的重要特性是围岩硬度, 因此, 在量化层间岩性时, 采用围岩硬度加权平均值作为输入值, 即 F ∑f m m 1n [9] n ∑y 0t 1 n , y i k y i k h m H n ∑y i t 1 n 8 则y 0与y i 第k 点的关联系数, 用公式表示为 ρmin min y 0k -y i k max y 0k -y i k ξ0, i k ρy 0k -y i k max y 0-y i k i k 式中, F ; 为第m 层岩; h m 为第m 。 从而可以得到回采工作面瓦斯涌出量的影响因素统计数据, 见表1。 按照灰关联计算方法, 应用Matlab 计算机编程, 得到各影响因素的关联度排序, 见表2。 各影响因素对瓦斯突出强度的关联序列表明了它们对瓦斯突出强度的影响程度。根据上述关联度计算结果, 可以看出工作面采出率、工作面长度、层间岩性、顶板管理方式这四个指标要比其他指标明显偏小, 也就是说明它们对母因素的影响力很小。因此可以选择煤层厚度、采高等其它十个指标作为BP 神经网络的预测指标。 [11] 5式中0-y i △i k 点Y 0 与Y i ; in y 0k -y i k 是第一级最小 k 差; m in m in y 0k -y i k 是第二级最小差; max max i k i k y 0k -y i k 是两级最大差; ρ为分辨系数, 是0 与1之间的数, ρ取值不同, ξi k 亦不同, 从而关联γi 也不同, 但一般不会影响关联序。γi 随ρ的增大而增大。ρ越小, 分辨率越高, 可以证明, 当ρ≤ [2] 0. 546时, 分辨率最高, 因此, 一般取ρ0. 5。1. 2 灰色关联度 关联度由关联系数演变而来, 由于关联系数ξi k 数目很多, 信息不集中, 不便于比较, 为此, 一般将y 0与y i 的m 个关联系数取平均值γi , γi 定义为y i 序列与y 0序列之间的关联度, 即 n γi ∑ξ6 i k n k 1 2 瓦斯涌出量预测BP 神经网络模型的建立 BP 神经网络是基于误差反向传播Back p r opa 2 gati on 算法的多层前馈网络Multi p le -layer feedfor 2ward net w ork, 简记为BP 网络 , 是目前应用最成功 若考虑各关联系数的权重, 便可得y i 与y 0之间 的加权关联度, 即 n γi ∑w k ξ7 i k n k 1 和广泛的人工神经网络。 式中, w k 为关联系数, ξi k 为关联度中的权 重。在煤与瓦斯突出预测指标优选中, 一般采用7 式, 若各控制因素的权重无特殊说明时, 可假定其权重等同, 可采用6 式。关联序为各关联度大小的排序。1. 3 预测指标的选取 影响矿井瓦斯的涌出量的影响因素很多, 包括煤层瓦斯含量、煤层厚度、煤层倾角、煤层埋藏深度、工作面长度、推进速度、开采厚度、采出率、开采强度、顶板管理方式、层间岩性 、层间距离、临近层厚度22 图1 三层BP 神经网络结构 神经网络的拓扑结构是指神经元之间的互连结 构。图1是一个三层的BP 网络结构。BP 网络由输 2009年4月 白庆升等灰关联分析与BP 神经网络方法在矿井瓦斯涌出量预测中的应用 第18卷第4期 入层、输出层以及一个或多个隐层节点互连而成的一种多层网, 这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系, 又不致使网络输出限制在-1和1之间。2. 1 神经网络结构参数的确定 在三层BP 神经网络结构中, 网络第1层为输入层, 以连接输入信息与网络, 即神经网络输入层信息对应影响因素的实际数据。第3层为输出层, 输出内容与一系列输入模式对应, 即输出结果是预测矿井瓦斯涌出量。隐含层是介于输入层和输出层之间 的中间层, 与输入层和输出层完全连接, 其中连接强度用连接权表示, 隐含层激活函数选取对数S 型函数。中间层神经元数目确定是神经网络设计中的难题, 常采用几何平均规则计算法、经验公式计算法和试验法。采用的方法影响预测结果和网络复杂程[12] 度。经验公式为输入层神经元的个数 确定的中间层神经元得个数为19, 但试验预测结果不佳。运用Kol m og or ov 定理与试验结果相结合得到神经网络中间层节点数为76。 表1 回采工作面瓦斯涌出量与影响因素统计数据 煤层 煤层瓦斯煤层煤层工作面推进 埋藏采高工作面 含量速度序号厚度倾角长度 深度/m采出率 /m//m/m ・d -1 /m 3・t -1 /m 123456789101112131415161718 1. 922. 152. 142. 582. 402. 3. 353. 613. 684. 214. 034. 344. 804. 672. 433. 164. 62 408411420432516550563590604607634640450544629 2. 02. 01. 82. 32. 282. 2. 92. 93. 05. 96. 26. 16. 56. 32. 22. 76. 4 1081117912118991211121113 2. 002. 001. 802. 2. 502. 902. 903. 005. 906. 206. 106. 506. 302. 202. 706. 40 155140145180180165155175170180165175175160165170 4. 424. 133. 453. 283. 684. 023. 532. 852. 642. 772. 922. 754. 323. 812. 80 0. 9609500. 9400. 9300. 9400. 9300. 9200. 9400. 7950. 8120. 7850. 7730. 8020. 9500. 9300. 803 临近层临近层层开采顶板 瓦斯涌出量层间 瓦斯含量厚度间距岩性/m 3・t -1 d -1 /m 31 /m 02102. 402. 552. 212. 811. 882. 123. 113. 403. 153. 022. 982. 562. 002. 303. 35 1. 50621. 181. 751. 721. 811. 421. 601. 461. 501. 801. 741. 921. 751. 701. 801. 61 2219172012111314121816171515161319 4. 754. 914. 634. 784. 514. 824. 834. 534. 774. 704. 624. 554. 604. 844. 904. 63 111111111111111111 15271751207821042242197922882325241031393354308736203412199622073456 3. 342. 973. 563. 624. 174. 604. 924. 785. 235. 567. 247. 807. 688. 517. 954. 064. 928. 04 注数据来自文献[9]。 表2 各影响指标与瓦斯涌出量关联度及关联序 影响 指标 煤层瓦斯含量 煤层埋藏深度 5. 3539 煤层煤层采高厚度倾角 5. 8865. 3975. 8861 5 1 工作面长度 4. 30512 推进速度 5. 3867 连接权值、训练参数值和合适的网络结构。最后用3组非训练样本数据代入网络对预测模型进行检验, 结果如表3所示。 表3 检验样本期望输出与预测结果对比 实际 序瓦斯号涌出 量 预测瓦斯涌出量 原始的十四个指标预测 选取的十个指标预测 关联度5. 505关联序3影响指标 工作面采出率 m /min 3 临近层临近层瓦斯层间距层间 厚度岩性 含量 5. 3828 5. 3355. 3934. 29410 6 13 顶板管理方式 4. 29214 开采强度 5. 4654 预测值误差/预测时间/s 预测值误差/预测时间/s 17. 957. 63324. 064. 08334. 925. 06348. 048. 002 -3. 9873. 3504. 939-4. 440 486 8. 1524. 0794. 9987. 673 2. 5413. 1771. 992-4. 565 298 关联度4. 308关联序11 2. 2 神经网络预测法的Matlab 实现 根据灰关联优选出的各个影响因素的指标作为样本集, 以便进行网络训练和检验, 样本数据见表1。表中序号1～14的样本是训练用样本, 序号15～18的样本是用来检验该预测模型的预测效果的。 选取表1的1～14组数据作为预测神经网络型的训练学习样本, 经过100万次训练后, 获得稳定的 3 结 论 1 采用灰关联分析方法得到影响矿井瓦斯量母因素 的主要指标是煤层厚度、采高、煤层瓦斯含 量、开采强度等十个指标, 而采出率、工作面长度、层间岩性、顶板管理方式这四个指标对矿井瓦斯涌出量的影响很小。 23 2009年4月 白庆升等灰关联分析与BP 神经网络方法在矿井瓦斯涌出量预测中的应用 第18卷第4期 2 选取的指标完全能够达到预测精度的要求误差在5以内 , 而且总体来看用选取指标的预 [4] 郁 云, 陆金桂. 基于灰色理论和人工神经网络的瓦斯 涌出量预测[J ].人工智能, 2006, 223 269-272. [5] 张志立, 程 磊, 何 敏, 等. 基于人工神经网络的煤与 测结果要比用原始指标的预测结果有更高的精度, 而所用时间却很少。 3 对于具体矿井, 因同属于一块井田内的矿井, 各种因素具有广泛的相似性, 在这种情况下, 可以将有关瓦斯涌出量的原始资料进行汇总, 在该井田范围内采用同一个神经网络预测并计算瓦斯涌出量, 从而使得这种预测分析方法获得更理想的结果和广泛的应用范围。 4 要提高该神经网络的预测精度, 应注意①保证原始样本数据准确; ②合理的选择预测指标, 往往并不是预测指标覆盖面越广预测精度就越高; 确定适当的收敛误差; ③在训练中为提高收敛速度, 防止陷入局部最小值, 可对算法进行适当改进, 如采用附加动量法等。参考文献 [1] 章立清, , 我国矿井瓦斯涌出量预 瓦斯突出预测[J ].矿业安全与环保, 2005, 32增刊 1 -4. [6] 飞思科技产品研发中心. 神经网络与MAT LAB7实现 [M].北京电子工业出版社, 2005. [7] 邓聚龙. 灰理论基础[M].武汉华中科技大学出版 社, 2002. [8] 伍爱友, 姚 建, 肖红飞. 基于灰色关联分析的煤与瓦 斯突出预测指标优选[J ].煤炭科学技术, 2005, 33 4 55-58. [9] 朱红青, 常文杰, 张 彬. 回采工作面瓦斯涌出BP 神 经网络分源预测模型及应用[, 2007, 32 5 504508. [10] . , []. [M].北京煤炭工业出版社, 1987. ] 高大文, 王 鹏, 蔡臻超. 人工神经网络中隐含层节 点与训练次数的优化[J ].哈尔滨工业大学学报, 2003, 352 207-209. [13] 尹朝庆, 尹 皓. 人工智能与专家系统[M].北京中 [J ].煤矿安全, 20078 58 -60. [2] 曾 勇, 吴财芳. 矿井瓦斯涌出量预测的模糊分形神经 国水利水电出版社, 2002. 网络研究[J ].煤炭科学技术, 2004, 322 62-65. [3] 刘超儒, 马云东. 矿井延深瓦斯涌出量的灰色预测[J ]. [责任编辑李月成] 矿业安全与环保, 2005, 323 1-4. 上接第15页 T 形钢带的宽度为120mm , 长度为3300mm , 中间厚度为8mm , 边缘厚度为4mm , 并 分别距钢带两端300mm 处预留两个锚索孔。T 形 钢带可以将两根锚索连接起来, 从而形成组合锚索。 7 钢筋网。钢筋网采用6钢筋焊制成经纬网, 规格为长宽1800mm 1000mm , 网格为方形, 实行锚后挂网的方法, 挂网时, 网的压茬不得小于100mm , 网紧贴岩壁。 8 喷射混凝土。喷射混凝土强度为C20水泥∶石子∶砂子1∶2∶2 , 喷射混凝土厚度为100mm , 洒水养护时间不少于28d 。 此在以上综合分析的基础上, 提出了对破坏巷道进行修复, 即采用对巷道两帮及顶板进行锚注加固的方案, 而且为了维持北翼胶带巷的长期稳定, 对新掘巷道的支护参数进行优化设计, 从而达到良好的支护效果。参考文献 [1] 侯朝炯, 郭励生, 勾攀峰. 煤巷锚杆支护[M].徐州 中国矿业大学出版社, 1999. [2] 刘长武, 褚秀生. 软岩巷道锚注加固原理与应用[M]. 徐州中国矿业大学出版社, 2000. [3] 陈炎光, 陆士良. 中国煤矿巷道围岩控制[M].徐州 5 结 语 本文首先分析了东大煤矿北翼胶带巷的工程地 质条件, 由现场地质情况, 进而分析了巷道的变形破坏机理, 巷道间距、埋深、顶板岩层、断面跨度、支护参数及施工质量都是影响巷道稳定的主要因素。因 中国矿业大学出版社, 1999. [4] 李东印. 锚网喷锚索技术在深井软岩大断面硐室支 护中的成功应用[J ].煤矿设计, 200010 . [5] 李运来, 刘全林. 软岩锚杆支护主要参数的确定[J ]. 西部探矿工程, 200511 . [责任编辑李月成] 24