基于BP神经网络的煤矿瓦斯浓度预测模型构建及仿真.doc

基于 BP 神经网络的煤矿瓦斯浓度预测 模型构建及仿真 姜 雷 重庆工程职业技术学院 , 重庆 400037 摘 要 在分析影响煤矿瓦斯浓度的各种因素具有非线性特征的基础之上 , 采用 BP 算法构建煤矿 瓦斯浓度预测模型 , 实现对各种因素进行非线性映射 , 进而达到对煤矿瓦斯浓度进行预测的目的 。 MAT LAB 仿真结果表明 , 该模型具有预测精度较高 、 预测速度快 、 预测效果好等优点 。 关键词 煤矿安全 ; 瓦斯浓度 ; BP 神经网络 ; 预测 ; 模型 中图分类号 TP389. 1 文献标志码 A 文章编号 1008-44952010 04-0037-03收稿日期 2009-10-12; 2010-03-30修订 作者简介 姜 雷 1977 , 男 , 四川名山人 , 硕士 , 讲师 , 主要从事系统集成 、 计算机应用教育与研究工作 。 煤矿瓦斯事故大多具有突发性和不确定性 , 现 在使用的煤矿安全监测系统一般都不具备预测和预 报的能力 [1] 。 如何根据各个影响因素预测计算煤层 瓦斯含量是一个非常复杂的问题 , 多采用定性的比较分析 、 分析法 , 的影响程度 , [2-。 正常条件下 , , 煤层中的瓦斯向地 表逸散就越困难 , 煤层在上覆压力的作用下降低了 透气性 , 更加有利于瓦斯的聚积 , 煤层瓦斯涌出量基 本上随煤层埋藏深度的增加而增加 。一般来说 , 同 一煤层随着厚度的增加 , 开采过程中瓦斯生成量大 且含量增加 , 煤层厚度与瓦斯含量呈正相关关系 。 煤层瓦斯含量是煤内游离和吸附两种状态瓦斯量的 总和 , 煤层瓦斯含量越高 , 开采过程中瓦斯生成量越 大 。 煤矿日产量是影响瓦斯浓度的一个重要因素 , 煤层瓦斯涌出量随着日产量的增加而增加 。井下风 速也是影响瓦斯浓度的一个重要因素 , 风速越大 , 单 位时间内从井下带出的瓦斯越多 。 井下瓦斯浓度往往受到以上 5个因素的综合影 响 , 各种因素波动较大 , 具有高度的非线性 。而近年 来迅速发展起来的神经网络具有较高的非线性映射 和并行处理能力 , 其中 BP 神经网络能够逼近任意连 续的非线性函数 , 可以处理系统内在的难以解析的 规律 , 在函数拟合 、 优化计算和最优预测等领域有较 为广泛的应用 [4] 。 BP 算法建立预测 模型 , BP 神经网络是基于误差反向传播 神经网 络 Back Pr opagati on Neural Net w ork 的简称 , 属于多层 前馈神经网络 , 网络模型一般由输入层 、 隐含层 、 输 出层以及层间节点连接组成 。 各层节点仅与相邻层 节点之间有前向连接 , 各层内节点之间无任何连接 , 各层节点之间无反馈连接 。其中 , 输入层节点数对 应于 BP 网络可感知的输入个数 , 输出层节点数与 BP 网络的输出个数相对应 , 中间层节点的数目则根 据需要设置 。 BP 神经网络的学习过程由信息的正向传播和 误差的反向传播两个过程组成 。通过周而复始的信 息正向传播和误差反向传播过程 , 调整各层权值 , 使 得网络输出的误差减少到可以接受的程度 , 或者预 先设定的学习次数 。 2 预测模型构建 2. 1 BP 神经网络结构 由于单隐含层的 BP 神经网络具有无限逼近非 线性连续函数关系的性质 , 因此选择单隐含层的 BP 神经网络 , 即构建三层前馈型 BP 神经网络 。 将煤层 深度 、 煤层厚度 、 煤层瓦斯含量 、 日产量 、 风速作为预 测模型输入层的 5个节点 。输出层为单个节点 , 对 应瓦斯浓度 。 而隐含层节点数的确定至今没有通用 的理论指导 , 隐含层节点太少 , 网络很难适应 , 而太 ・ 73・ 2010年 8月 矿业安全与环保 第 37卷第 4期 多的话 , 又可 能设计 出超 适应的 网络 , 因此 采 用 Kol m ogor ov 映射网络存在定理来确定隐含层的节点 数 , 即 m 2n 1 1 式中 n 为输入层节点数 , m 为隐含层节点数 。 因此 , 确定隐含层包含 11个节点 。 BP 神经网 络结构如图 1所示 。 图 1 BP 神经网络结构 设输入层输入向量为 X x 1, x 2, , x n T , 输入 层到隐含层之间的权值矩阵为 V v ij n m , v ij 入层第 i 个节点对隐含层第 j , 层节点阈值为 x 0-1, 入向量为 Y y 1, , m 的权值矩阵为 W m l , w jk j 个节点 对输出层第 k , 输出层节点阈值为 y 0-1, 输出层输出向量为 O o 1, o 2, , o l T , 期 望输出向量为 D d 1, d 2, , d m T 。 2. 2 特性函数 当有信息向网络输入时 , 信息首先由输入层传 至隐含层节点 , 经特性函数作用后 , 再传至下一隐含 层 , 直到最终传至输出层进行输出 , 其间每经过一层 都要由相应的特性函数进行转换 [5] 。神经元的特性 函数反映了神经元本层的输出对上层输入值的作用 强度 。 瓦斯浓度的影响因素多并且比较复杂 , 预测 函数并不完全是简单的线性关系 , 因此 , 隐含层特性 函数采用式 2 连续可微分的 Sig moid 函数 , 输出层 特性函数采用式 3 的简单线性函数 f x 1e -x 2 g x x 3 通过正向传播 , 对于隐含层有 y j f net j , net j ∑ n i 0 v ij x i , j 1, 2, , m 4 式中 net j 为隐含层第 j 个节点的输入 , y j 为隐含层第 j 个节点的输出 。 对于输出层有 o k g net k , net k ∑ m j 0 w jk y j , k 1, 2, , l 5 式中 net k 为输出层第 k 个节点的输入 , o k 为输出层 第 k 个节点的实际输出 。 2. 3 数据归一化处理 在使用 Sig moid 函数作特性函数时 , 输入数据绝 对值相差较大会造成某些数值低的输入被淹没 , 扩 大输出误差 。 为了提高神经网络的训练效率 , 在输入 层利用式 6 对数据进行归一化处理 , 将其换算到 [0, 1]区间 ; 训练完成后 , 在输出层利用式 7 对数 据进行反归一化处理 , 将其换回 x i x i -x m in x max -x m in 6 x i x i x max -x m in x m in 7 式中 x i 是归一化后的数据 ; x i 是未归一化的数据 ; x m in 是数据的最小值 ; x max 。 2. 4, 会出现网 , , 并调整 , 以使网络能进行正确的计算 。 对误差 δ规则 , 式 8 是误差函数的 定义 e 2∑ l k 1 d k -o k 2 8 隐含层到输出层的权值修改由式 9 计算 , 输 入层到隐含层的权值修改由式 10 计算 w jk t 1 w jk t Δw jk , j 0, 1, , m; k 1, 2, , l 9 v ij t 1 v ij t Δv ij , i 0, 1, , n; j 1, 2, , m 10 式中 v ij t 和 v ij t 1 分别是时刻 t 和 t 1从输入 层节点 i 到 隐 含 层 节 点 j 的 连 接 权 值 ; w jk t 和 w jk t 1 分别是时刻 t 和 t 1从隐含层节点 j 到输 出层节点 k 的连接权值 ; Δv ij 和 Δw jk 是权值的变 化量 。 为了使连接权值沿着 e 的梯度变化方向得以改 善 , 网络逐渐收敛 , 只需权值的变化量与误差的梯度 成正比 , 因此对 Δw jk 和 Δv ij 进行定义 Δw jk -9w jk , j 0, 1, , m; k 1, 2, , l 11 Δv ij -9v ij , i 0, 1, , n; j 1, 2, , m 12 式中 η为增益因子 , η∈ 0, 1 。 3 网络训练及仿真 统计贵州习水富邦煤矿开采中 1514采面煤层 ・ 83・ 2010年 8月 矿业安全与环保 第 37卷第 4期 瓦斯浓度及影响因素实测数据 , 去除异常数据后 , 选 取其中 100组实测数据作为训练样本 , 各指标的数 据见表 1由于篇幅有限 , 只列出部分数据 , 另外选 取 5组实测数据作为非训练用测试样本 , 见表 2。 表 1 训练用实测样本数据 编号 煤层深 度 /m 煤层厚 度 /m 煤层瓦斯 含量 /m 3/t 产量 / t/d 风速 /m /s 瓦斯浓 度 / 11001. 521. 92511. 40. 8521101. 422. 12351. 50. 8031081. 222. 62011. 80. 7041201. 019. 31682. 10. 5051150. 919. 31512. 40. 4561150. 819. 31342. 70. 4071050. 820. 31342. 70. 42 81050. 719. 21353. 10. 3791351. 024. 71682. 10. 6410 130 0. 9 21. 5 151 2. 4 0. 50 利用 MAT LAB 神经网络工具箱提供的 ne wff 函 数创建 BP 神经网络模型 , 用训练样本对创建好的网 络模型进行训练 , 训练参数设定 学习率 0. 05, 最大 训练次数 10000, 训练要求精度 0. 001。 在训练过程 中当满足目标精度要求或达到最大迭代次数时 , 自 动停止训练 。 训练过程中误差变化趋势见图 2, 当网 络 学 习 迭 代 到 725次 时 , 就 达 到 了 学 习 精 度 0. 000998572, 网络趋于稳定 。 表 2 编号 煤层深度 / m 煤层厚度 / m / /产量 / t/d 风速 / m /s 瓦斯浓度 /实测值 预测值 相对误差 / 11081. 221. 62011. 80. 670. 692. 992110421. 52351. 50. 780. 825. 1331251. 320. 82181. 60. 700. 682. 8641301. 123. 51841. 90. 670. 6705 135 1. 1 19. 3 184 1. 9 0. 55 0. 56 1. 82 用 5组非训练样本数据 , 对训练好的预测模型进 行了检验 见表 2 。 通过对表 2实测值和预测值的综 合对比后发现 ,BP 网络的预测值与实测值吻合较好 , 该预测模型可以用于预测煤矿瓦斯浓度。 4 结论 煤矿瓦斯浓度是多种影响因素综合作用的结 果 , 利用 BP 神经网络建立的模型能很好地实现对非 线性因素进行映射逼近 , 克服了精确建模的困难 , 能 比较真实地反映煤矿瓦斯浓度与各种因素之间复杂 的非线性关系 , 为煤矿瓦斯浓度的预测提供了一种 途径 。 网络模型的建立是以大量样本数据为基础的 , 当样本数据较少或代表性较差时 , 网络的判断能力 差 , 预测效果便会降低 。 对中小规模的煤矿来说 , 由 于生产设备 、 技术工艺等有较大的限制 , 各影响因素 的数据统计工作并不到位 , 会导致模型所需要的样 本数据不足或代表性较差 , 无法实现预测目的 。 参考文献 [1]付琳燕 , 华钢 . 基于人工神经网络的煤矿瓦斯浓度预测 系统研究 [J ].煤矿机电 , 20066 41-43. [2]徐平 , 张子戌 . 新汶矿区协庄矿 11 煤层瓦斯含量预测 [J ].矿业安全与环保 , 2003, 301 15-16. [3]张宗伦 , 吴财芳 . 梁北煤矿主采煤层瓦斯含量分布规律 研究 [J ].煤炭工程 , 20067 53-55. [4]吴观茂 , 黄明 , 李刚 . 基于 BP 神经网络的瓦斯含量预测 [J ].煤田地质与勘探 , 2008, 361 30-33. [5]王永庆 . 人工智能原理与方法 [M].西安 西安交通大学 出版社 , 1998. [6]郝吉生 . BP 算法及其在煤与瓦斯突出预测中的应用 [J ].辽宁工程技术大学学报 , 2004, 231 9-11. [7]陈金国 . 神经网络模型及其在煤矿瓦斯预测中的应用 [J ].煤炭科技 , 20052 39-41. [8]宋强 , 徐蕾 , 张运素 . 基于灰色神经网络算法的煤矿瓦斯 涌出量预测模型的研究 [J ].工矿自动化 , 20084 1-4. 责任编辑 吴自立 ・ 93・ 2010年 8月 矿业安全与环保 第 37卷第 4期