回采工作面瓦斯涌出BP神经网络分源预测模型及应用.pdf
第32卷第5期煤 炭 学 报Vol . 32 No. 5 2007年5月JOURNAL OF CH I NA COAL SOCIETYMay 2007 文章编号 0253 - 9993 2007 05 - 0504 - 05 回采工作面瓦斯涌出BP神经网络分源 预测模型及应用 朱红青,常文杰,张 彬 中国矿业大学北京资源与安全工程学院 煤炭资源与安全开采国家重点实验室,北京 100083 摘 要基于回采工作面瓦斯涌出分源涌出,利用人工神经网络分别预测开采煤层、邻近煤层、 采空区3种来源的瓦斯涌出量;因3种来源瓦斯涌出量的影响因素不同,为了避免不相关因素的 干扰,提高预测精度,确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经 网络组成,对每个涌出源分别建立神经网络预测模型;最后采用Matlab中BP神经网络算法,针 对实际矿井进行应用,预测误差小. 关键词回采工作面;瓦斯涌出量; BP人工神经网络;分源预测 中图分类号TD71215 文献标识码 A 收稿日期 2006-07-07 责任编辑毕永华 基金项目国家自然科学基金重点资助项目50134040 作者简介朱红青1969 - ,男,湖南双峰人,副教授.E - mail zhqhddvip1sina1com D ifferent2source gas em ission prediction model of working face based on BP artificial neural network and its application ZHU Hong2qing, CHANGWen2jie, ZHANGBin State Key Laboratory of Coal Resources and SafeM ining,School of Resources and Safety Engineering, China University of M ining gas emission quantity; BP neural net work; different2source prediction 回采工作面瓦斯涌出量预测是矿井通风设计、瓦斯防治与管理的重要依据,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,有回归分析法、模糊综合评判法、灰色关联度分析法和神经网络法 等,各种方法有着各自不同的特点 [1~3 ]. 煤矿回采工作面瓦斯涌出为一个动态变化系统,受各种复杂因素 第5期朱红青等回采工作面瓦斯涌出BP神经网络分源预测模型及应用 影响,要达到准确预测瓦斯涌出量的目的,须综合考虑各复杂因素间的不确定关系.近年已有研究人员利 用神经网络预测瓦斯涌出量取得一些成果,但存在一些问题①按全矿或整个工作面预测瓦斯涌出量, 与分源预测相比,不能提供详细的涌出预测资料;② 考虑的影响因素大多只考虑了5个左右,预测精度和 网络适用性不够 [3~5 ]. 笔者对预测结构进行了改进,研究利用神经网络分别预测回采工作面开采层、邻近 层和采空区的瓦斯涌出量,且采用的影响因素更全面,以提高预测精度和适用条件. 1 BP神经网络瓦斯涌出分源预测的基本思路 根据瓦斯分源预测理论,回采工作面瓦斯涌出有开采煤层、邻近煤层和采空区3种来源 [6]. 对于回采 工作面,因3种来源的瓦斯涌出影响因素不同,为了避免不相关因素的干扰,提高预测精度,确定整个预 测体系由3个神经网络组成,即开采层、邻近层和采空区瓦斯涌出量预测神经网络,对每个涌出源分别建 图1 回采工作面BP神经网络瓦斯涌出预测过程 Fig11 Gas emission prediction process in working face based on BP artificial neural network 立神经网络预测模型,则采用BP神经 网络分源预测的体系构成如图1所示. 2 BP神经网络分源预测向量的设 计及定性指标的定量化 瓦斯涌出量BP神经网络预测是否 达到理想精度,除合理网络结构外,还 取决于2个方面①输入向量维数设 计;②样本数量和精度.根据对工作 面开采层、邻近层和采空区瓦斯分源涌 出的影响因素的分析,确定3个分源瓦 斯涌出预测模型的输入向量及相应神经网络的基本结构如图2所示. 图2 回采工作面瓦斯涌出预测神经网络结构 Fig12 Gas emission prediction framework in working face based on BP artificial neural network 在图2所示的输入向量中,大多是定量数据,可直接利用样本数值作为输入向量,但有2个向量属于 定性指标,不能直接作为输入向量,必须进行数量化处理.量化方法如下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 , 为在神经 网络中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 岩性和矿压显现分5类顶板 [7 ] ,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 ∑ n m 1 fm hm H , 式中,F为开采层与邻近层间围岩硬度加权平均值;n为围岩所含岩层数量;fm为第m层岩层硬度,采用 摩氏硬度计量法计算 [8]; hm为第m层岩层厚度;H为开采层与邻近层之间的围岩总厚度. 505 煤 炭 学 报 2007年第32卷 3 神经网络结构参数的确定 回采工作面瓦斯涌出分源预测模型均采用3层结构误差反向传播神经网络.网络第1层为输入层,以 连接输入信息与网络, 3个神经网络输入层信息均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3种来源预测瓦斯涌出量.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度 [9 ]. 采用传统公式p m n,计算的3种瓦斯涌出源涌出量预测网络隐含层 节点数目分别为p181≈3,p291 3和p341 2,因试验预测效果不佳,故采用经验公 式p2m- 1与试验法相结合,经计算, 3个神经网络隐含层节点数目分别为40, 40和16. 4 瓦斯涌出量神经网络预测法在Matlab中的实现 用于回采工作面瓦斯涌出量神经网络预测模型训练的训练样本均来源于收集到的现场实测资料,根据 神经网络的输入输出向量构成,将收集到的回采工作面分源瓦斯涌出量及其各个影响因素的指标形成样本 集,以便进行网络训练和检验,样本数据见表1.表中序号1~15的样本是训练用样本,序号16~18的 样本是用来检验该预测模型的预测效果的. 3个神经网络中,需输入的影响因素参数的量纲、取值范围不同,为减少神经网络训练和运算工作 量,必须对输入值进行一定限定,将输入值经过转换限定在一定范围.Matlab神经网络工具箱中提供了一 些样本处理函数,以提高速度.在工具箱中使用最大最小型函数premnmx和tramnmx对输入向量进行处 理,执行结果是将输入向量和目标向量值量化到[ - 1, 1 ]范围内 [10 ]. BP神经网络有多种训练算法,因 参数较多,采用Levenberg - Marquardt算法,在Matlab神经网络工具箱中,对应训练函数是Trainlm . 为提高神经网络运算效率,训练开始前,对2层网络权值赋初值,包括权矩阵和阈值.在回采工作面 开采层神经网络训练过程中,在232个时间步长内训练误差达51188 9510 - 5 ,低于目标误差110 - 4 ; 表1 回采工作面瓦斯涌出量与影响因素数据统计 Table 1 Gas em ission quantity and data on influence factors statistics in working face 序号 开采层原始瓦斯 含量/m3t- 1 煤层埋藏 深度/m 煤层厚度 /m 煤层倾 角 / 采高 /m 工作面 长度/m 推进速度 /md - 1 工作面 采出率 邻近层原始瓦斯 含量/m3t- 1 11192408210102101554142019602102 2211541121082101404116019502110 32114420118111181754113019502164 42158432213102131454167019502140 52140456212152121604151019402155 63122516218132181803145019302121 72180527215172151803128019402181 8313553121992191653168019301188 93161550219122191554102019202112 103168563310113101753153019403111 11412159051985191702185017953140 12410360461296121802164018123115 13413460761196111652177017853102 144180634615126151752192017732198 154167640613116131752175018022156 162143450212122121604132019502100 173116544217112171653181019302130 184162629614136141702180018033135 605 第5期朱红青等回采工作面瓦斯涌出BP神经网络分源预测模型及应用 续表 序号 邻近层厚度 /m 层间距 /m 层间岩性 顶板管 理方式 开采强度 /td- 1 瓦斯涌出量/m3min- 1 开采层邻近层采空区总计 1115020510311 8251179113701183134 2112122418711 5271169110301192197 3116219417511 7511189115201153156 4114817419112 0782111113101203162 5117520416312 1042114117701264117 6117212417812 2422192113901294160 7118111415111 9792155211201254192 8114213418212 2883139110401354178 9116014418312 3253159112601385123 10114612415312 4103157116201375156 11115018417713 1394184112611147124 12118016417013 3545104115611207180 13117417416213 0875108113311277168 14119215415513 6205164114811398151 15117515416013 4125134112311387195 16117016418411 9962128115601224106 17118013419012 2073113114901304192 18116119416313 4565130112611368104 在邻近层神经网络训练过程中,在190个时间步长训练误差达91992 3110 - 5 ,低于目标误差110 - 4 ; 在采空区神经网络训练过程中,在1 594个时间步长内训练误差达81940 9210 - 5 ,低于目标误差1 10 - 4. 根据训练误差的收敛速度,由于参数设置和算法选择合理,网络可较快地达到设计性能标准,即瓦 斯涌出量预测网络误差已控制在01000 1内.训练结束后,可得到神经网络各层连接权值和阈值,下面为 开采层瓦斯涌出量预测神经网络训练结束后得到的连接权值和阈值的部分数据邻近层和采空区的权值 和阈值省略 . 表2 训练样本期望输出与预测结果的对比 Table 2 Comparison of tra i n ing sample expectation output and prediction resultsm3/min 序号 开采层瓦斯涌出量 实际值预测值 误差/ 邻近层瓦斯涌出量 实际值预测值误差/ 采空区瓦斯涌出量 实际值预测值误差/ 工作面总瓦斯涌出量 实际值预测值 误差/ 1117911784 1- 01330113711371 801131011801185 121830313431341 001030 2116911702 101716110311032 601252011901189 1- 01474219721942 7 - 01919 3118911888 8- 01063115211525 301348011501187 7251100315631601 811174 4211121093 8- 01768113111319 201702012001220 4101200316231633 401370 5211421142 501117117711767 1- 01164012601210 9- 181880411741120 5 - 11180 6219221922 301079113911392 301165012901303 3- 41580416041617 901389 7215521558 301325211221108 5- 01542012501240 2- 31920419241907 001264 8313931400 401307110411040 201019013501327 6- 61400417841768 2 - 01247 9315931593 001084112611262 101167013801369 5- 21760512351235 101098 10315731572 501070116211617 4- 01160013701384 431890515651574 301257 11418441845 901122112611261 701135111411153 811210712471261 401296 12510451034 9- 01101115611562 70117311211160 4- 31300718071758 0 - 01538 13510851074 3- 01112113311337 801586112711216 9- 41180716871629 0 - 01664 14516451634 1- 01105114811474 1- 01398113911388 8- 01086815181497 0 - 01153 15513451298 4- 01779112311225 4- 01374113811321 3- 41250719571845 1 - 11319 Iw{1, 1} [11244,- 01023 423, 01839 24, 01119 97, 01694 21, 01088 926,- 11129 6, 201370 9, 705 煤 炭 学 报 2007年第32卷 ⋯⋯], Iw{2, 1} [ - 01746 54,- 01748 03,- 01671 25,- 01813 51, 01084 354, 01545 22,⋯⋯], B{1} [ - 391752 6,- 81183 4, 61122 3, 321765, 251844 8, 231360 8,⋯⋯], B{2} [ - 01794 93 ]. 用训练成功的网络分别对训练样本和校验样本计算,并与原样本对比,得到结果及误差情况见表2, 3.通过对比分析可看出,训练样本中期望输出与预测输出间最大误差是3178 ,最小误差仅0105 ,校 验样本中误差不超过7 ,可控制到5以内,能满足生产要求,故训练成的神经网络符合要求. 表3 检验样本期望输出与预测结果对比 Table 3 Comparison of inspect sample expectation output and prediction resultm3/min 序号 开采层瓦斯涌出量 实际值预测值 误差/ 邻近层瓦斯涌出量 实际值预测值误差/ 采空区瓦斯涌出量 实际值预测值误差/ 工作面总瓦斯涌出量 实际值预测值 误差/ 1212821131 8- 6150115611437 9- 7182012201209 1- 4195410631778 8- 61926 2311331351 07106114911468 4- 1145013001289 3- 3157419251108 731835 3513051499 43176112611364 98133113611322 5- 2176810481186 811826 5 结 论 1采用BP神经网络分源预测回采工作面开采层、临近层和采空区瓦斯涌出,能提高预测的准确 性,根据实例可知,满足现场需要分源预测为回采工作面分源治理提供了瓦斯预测的理论依据. 2 BP神经网络的实质是研究多因素的非线性问题 ,属统计预测范畴,具有一定应用范围,一般不 超过神经网络训练数值范围的10 ,即在应用上述的3个神经网络进行开采层、邻近层、采空区瓦斯涌 出量预测时,要注意样本取值范围不能超过训练所用数据最大和最小值的110. 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尽可能增加样本的覆盖 面;输入因素尽可能考虑到各种影响因素;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] LunarzewskiL.Gas emission prediction and recovery in underground coal mines [J ].Int. J. of Coal Geology, 1998, 35 1 117~145. [2] KlausNoack.Control of gas emission in underground coalmines [J ].Int .J.of Coal Geology, 1998, 35 1 57~82. [3] 瓦斯通风防灭火安全研究所.矿井瓦斯涌出量预测方法的发展与贡献[J ].煤矿安全, 2003, 34 9 10~13. [4] 刘玉静,肖广智.用人工神经网络模型预测采煤工作面的瓦斯涌出量[J ].煤矿安全, 2003, 34 1 11~14. [5] 撒占友,何学秋,王恩元.基于自适应神经网络的采掘工作面瓦斯涌出量预测[J ].煤炭学报, 2001, 26 S0 96~99. [6] 包剑影,苏 燧,李贵坚.阳泉煤矿瓦斯治理技术[M ].北京煤炭工业出版社, 1996. [7] 岑传鸿.顶板灾害防治[M ].徐州中国矿业大学出版社, 1994. [8] 谢仁海.煤矿地质[M ].北京煤炭工业出版社, 1987. [9] 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, 35 2 207~209. [10 ] 闻 新,周 露,李 翔,等. Matlab神经网络仿真与应用[M ].北京科学出版社, 2003. 805