基于人工神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)

1、 基于人工神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè) 隨著我國煤炭科學(xué)技術(shù)的快速進(jìn)展，在煤與瓦斯突出猜測(cè)方面取得了突出進(jìn)展，提出了很多猜測(cè)煤與瓦斯突出的方法和指標(biāo)，如基于煤體裂開過程中的聲放射和電磁輻射現(xiàn)象的非接觸式猜測(cè)方法；依據(jù)工作面打鉆時(shí)的鉆屑量、瓦斯涌出量及解吸量進(jìn)行的接觸式猜測(cè)方法；以及其它猜測(cè)指標(biāo)等。但是這些方法和指標(biāo)主要是使用回歸分析的方法得出的，它考慮的是影響煤與瓦斯突出的個(gè)別是或重要因素，沒有全面考慮影響煤與瓦斯突出的因素，致使突出敏感指標(biāo)因地而異，突出臨界值隨礦井不同而變化。因此，猜測(cè)結(jié)果經(jīng)常不很精確。 人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN）的飛速進(jìn)展，基于人工神經(jīng)網(wǎng)絡(luò)的猜測(cè)煤與瓦斯突出猜測(cè)已經(jīng)能夠達(dá)到

2、很高的猜測(cè)精度，優(yōu)于其它猜測(cè)方法，完全可以滿意煤礦煤與瓦斯突出猜測(cè)精度的要求。 1 影響煤與瓦斯突出事故的因素 （1）煤層瓦斯壓力。原始瓦斯壓力越高，煤體內(nèi)的瓦斯含量越大，煤體裂開時(shí)單位面積裂隙上涌出的瓦斯量就越多，裂隙中就越可能積聚起較高的瓦斯壓力，從而越可能撕裂煤體，并將撕裂形成的球蓋狀煤殼拋向巷道。 （2）圍巖的透氣性系數(shù)。圍巖的透氣性系數(shù)越大，越有利于煤層中瓦斯泄漏，在同樣瓦斯壓力下，煤層中賦存的瓦斯越小。 （3）構(gòu)造煤的類型。構(gòu)造煤是煤與瓦斯突出的必要條件，不同類型構(gòu)造煤具有不同的突出危急性。 （4）瓦斯放散初速度。煤樣放散瓦斯快慢的程度用P值表示，其大小與煤的微孔隙結(jié)構(gòu)，孔隙表面性

3、質(zhì)和孔隙大小有關(guān)，隨構(gòu)造煤破壞類型的增高，P值也增高。 （5）軟分層煤厚。由下式可以看出，煤體撕裂后形成的球蓋狀煤殼曲率半徑Ri及煤殼所對(duì)的中心角i越大，下式就簡(jiǎn)單滿意，煤殼就簡(jiǎn)單失穩(wěn)拋出。當(dāng)突出陣面沿軟分層進(jìn)展時(shí)，在垂直煤層方向上有如下關(guān)系： H=2Risin (i）</SUB) 式中 H軟分層煤厚 Ri煤殼曲率半徑 i煤殼所對(duì)的中心角 軟煤厚度越小，形成的煤殼在沿垂直煤層方向上的曲率半徑及所對(duì)中心角就越小，煤殼就越不簡(jiǎn)單失穩(wěn)拋出，煤與瓦斯突出災(zāi)難也就越不簡(jiǎn)單發(fā)生。 2 基于人工神經(jīng)網(wǎng)絡(luò)猜測(cè)模型 2.1 反向傳播算法（BP）的拓?fù)浣Y(jié)構(gòu) BP（Back Propagation）算法 19

4、85年由Rumel-hart等提出，該方法的提出系統(tǒng)地解決了多層神經(jīng)元網(wǎng)絡(luò)中隱單元層連接權(quán)的學(xué)習(xí)問題，并在數(shù)學(xué)上給出了完整的推導(dǎo)。采納BP算法的多層神經(jīng)網(wǎng)絡(luò)模型一般稱為BP網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)模型的一般拓?fù)浣Y(jié)構(gòu)如圖1所示。它由輸入層、隱層和輸出層組成。中間層也就是隱含層可以是一層或多層。 BP網(wǎng)絡(luò)的學(xué)習(xí)過程由兩部分組成：正向傳播和反向傳播。當(dāng)正向傳播時(shí)，輸入信息從輸入層經(jīng)隱單元層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。假如在輸出層得不到盼望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來的神經(jīng)元連接通路返回。返回過程中，逐一修改各層神經(jīng)元連接的權(quán)值。這種過程不斷迭代，最終使得信號(hào)誤

5、差達(dá)到允許的范圍之內(nèi)。 圖1 多層前向BP網(wǎng)絡(luò) BP網(wǎng)絡(luò)中采納了有肯定閾值特性、連續(xù)可微的Sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù)。當(dāng)然其他類似的非線性函數(shù)也可選用。本文采納的Sigmoid型函數(shù)： ?（x）1/（1e-1） 2.2 用于煤與瓦斯突出猜測(cè)的BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建 我們知道，影響煤與瓦斯突出的因素許多，并且，到目前為止有的影響煤與瓦斯突出的因素還沒有找到。人工神經(jīng)網(wǎng)絡(luò)模型是綜合了影響煤與瓦斯突出的多種因素的一種非線性煤與瓦斯突出猜測(cè)模型，它盡可能多的考慮影響煤與瓦斯突出的主要因素，來綜合猜測(cè)煤與瓦斯突出災(zāi)難。影響煤與瓦斯突出的主要有瓦斯放散初速度，構(gòu)造煤的類型，軟分層煤厚，煤層瓦斯壓力

6、等因素。其算法程度如圖2。 圖2 人工神經(jīng)網(wǎng)絡(luò)BP算法程序 （1）輸入與輸出層的設(shè)計(jì)。輸入層神經(jīng)元由影響煤與瓦斯突出的主要因素個(gè)數(shù)打算。對(duì)于煤與瓦斯突出猜測(cè)過程，這里選擇5個(gè)主要影響因素（瓦斯放散初速度x1，構(gòu)造煤的類型x2，軟分層煤厚x3，煤層瓦斯壓力x4）和圍巖透氣性x5作為輸入：輸出層由2個(gè)節(jié)點(diǎn)y1、y2（y1、y2的輸出值為0和1）組成，其作用是給出猜測(cè)的3種結(jié)果，以分別表示煤與瓦斯突出區(qū)域猜測(cè)中的突出危急區(qū)、突出威逼區(qū)和無突出危急區(qū)3種情形，從而實(shí)現(xiàn)煤與瓦斯突出危急性評(píng)價(jià)。本軟件使用vc+ +語言實(shí)現(xiàn)。 輸入算法： for(int k=0;k<IN;K+ +) OT_IN=(d

7、ouble)indataloop1.inputk； 輸出層單元的算法： for( int k=0;k<ON;K+ +) inival=0.0； for(int m=0;m<HN;M+ +) inival+=(W_HN_OTkm*OT_HDm); inival+=CW_OTk; OT_OTk=sigmf(sig,inival); （2）隱層的設(shè)計(jì)。隱層可以是一層或多層。隱層單元數(shù)與問題的要求和輸入輸出有直接關(guān)系。隱層單元數(shù)太多，會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過長(zhǎng)，隱單元數(shù)過少，容錯(cuò)性差。這里采納了有2個(gè)神經(jīng)元的隱層。 隱層單元的算法如下： for(imt k=0;k<HN;K+ +) iniv

8、al=0.0; for(int m=0;m<IN;M+ +) inival+ =(W_IN_HDkm*OT_INm); inival+ =CW_HDk; OT_HDk=sigmf(sig,inival); （3）網(wǎng)絡(luò)初始權(quán)值的選擇。由于系統(tǒng)是非線形，初始值對(duì)于學(xué)習(xí)能否達(dá)到局部最小和收斂關(guān)系很大。這里采納較小的隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)的權(quán)值（Wji）和Vkj以及偏置值j和rk賦初值，這樣可保證神經(jīng)元一開頭都在它們的轉(zhuǎn)化函數(shù)變化最大的地方進(jìn)行。 2.3 網(wǎng)絡(luò)樣本訓(xùn)練 網(wǎng)絡(luò)訓(xùn)練的過程就是利用訓(xùn)練樣本集，將網(wǎng)絡(luò)學(xué)習(xí)規(guī)章有不適應(yīng)性映射為權(quán)值矩陣的修改和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)化這樣一個(gè)反復(fù)過程。通過對(duì)網(wǎng)絡(luò)模型的訓(xùn)練，使網(wǎng)絡(luò)捕獲到隱藏在訓(xùn)練樣本中的突出因素與突出危急性之間的相關(guān)規(guī)律，以便用來精確猜測(cè)煤與瓦斯突出地質(zhì)災(zāi)難。選擇樣本時(shí)，應(yīng)使所選擇的訓(xùn)練樣本集具有完全的代表性。 3 實(shí)例應(yīng)用 利用已完成的人工神經(jīng)網(wǎng)絡(luò)猜測(cè)軟件對(duì)實(shí)際問題進(jìn)行試驗(yàn)討論。選擇某礦的某水平的6個(gè)區(qū)域（a1，a2，a3，a4，a5，a6）的相關(guān)突出指標(biāo)原始數(shù)據(jù)和輸出結(jié)果見表1。 表1 原始輸入數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)的猜測(cè)結(jié)果 表一 從表1中可以看出，人工神經(jīng)網(wǎng)絡(luò)的猜測(cè)結(jié)果與實(shí)際突出狀況完全吻合，這就