矿井煤层底板突水预测新方法研究_王延福

矿井煤层底板突水预测新方法研究

王延福　靳德武　曾艳京(煤炭科学研究总院西安分院,西安　710054)

摘　要 本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性

的人工神经网络系统(以下简称神经网络),进行煤层底板突水预测。以作者们研制、使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。

关键词 人工神经网络　非线性　神经元　突水预测

Abstract Aim ing at th e w ater inru sh sys tem of coal floor as a non -linear sys tem,this paper has put forw ard ap-plying artificial neural netw ork(ANN)m ethod w hich is w ell adaptable to non-linear pr ob lem s to w ater inr ush forecast through coal floor (WIFF).On th e basis of th e au th ors,s ever al-year pr actice to develop and ap ply ANN to WIFCF,the p rinciple of method ,adaptive con dition s ,model -estab lish men t m ethod and problems in application are explained .ANN m odel is tested at Yanmazhuang Coal M ine of Jiaozuo C oal Bu reau and Fangzh uan g Coal M in e of gold Coal grouping .Satis factory res ults w er e obtained .It is proved that applying ANN to W IFCF is reliable .

Key words artificial neur al network ,non-linear,neur al elem ent,w ater inrush forecas t 国家自然科学基金项目编号49672160

1　矿井煤层底板突水分析

煤层底板突水现象的发生,意味着矿井水文地质状态的突变、应力场能量的释放和隔水岩层结构的破

坏。这是一种失稳现象,或者说是一种非平衡相变现象。正确预测矿坑底板突水的关键是理解失稳机制[4]。

煤层底板突水是一种局域失稳现象,这种失稳的原因是隔水岩层的结构不均匀性或者说是缺陷的存在。局部缺陷的平衡条件破坏时,缺陷发生失稳,其尺度迅速增长,瞬间导致局域破坏。

煤层底板隔水岩层由砂岩、泥岩、煤层、灰岩等复合组成,其中可能的缺陷类型多,就煤层底板突水而言,最重要的缺陷是与煤层底板含水层地下水贯通的充水裂隙的存在。由于应力的加大或煤层底板地下水压力作用,或是两者兼而有之,充水裂隙具有较大的扩张力。当阻止充水裂隙扩张的岩壁变得薄弱时,岩壁发生变形、裂隙增长乃至溃破导致煤层底板突水,所以,在煤层采动过程中,虽然岩层结构被扰动,应力分布被调整,但对煤层底板突水而言,关键是隔水岩层是否在某个局部变得薄弱。所谓薄弱可以是有效隔水层厚度变薄,也可以是应力奇异集中。总之,煤层底板突水有两个必要条件,一是充水裂隙的存在,二是充水裂隙岩壁被弱化,在应力作用下使裂隙发展沟通采面。上述观

点似乎是显而易见的,但长期以来在煤层底板突水研

究方面存在一种倾向,往往将煤层底板隔水岩层中的缺陷,等同于导致材料断裂的裂纹,并由此确定失稳条件。导致煤层底板突水发生的裂隙与导致材料断裂的裂纹失稳,本质上是不同的。对存在裂纹的材料而言,从宏观上看材料是均匀的、完整的、规则的,而对存在裂隙的煤层底板隔水岩层而言,是不均匀性、不完整性、不规则性诱导了失稳。我们要强调岩层中时间尺度不同的两种过程的区别,一种是缺陷发育过程,这是一个慢过程,它响应于岩石形态变化扰动而逐渐演化,这种发育过程并不导致失稳。另一种是缺陷在薄弱处爆涨,岩层遭受破坏的过程是一个快过程,这是导致煤层底板突水的失稳过程。要完整理解煤层底板突水现象,我们需要对这两种过程都有较清晰的认识[3]。因此,煤层底板突水系统是一个非线性系统,系统本身是一个不断与外部环境进行物质、能量、信息交换的开放系统,具有协同性、自组织性、信息性的特点。

煤层底板突水预测实质上是要求根据多种因素和经验迅速作出综合判断,以求得煤层底板突水与否的满意解。

神经网络对于解决非线性系统问题具有较强的适用性,而在那些需要根据多种因素和经验作出综合决策,以求得满意解的场合,应用神经网络更具有优越性。

2　神经网络的基本原理[2]

2.1　神经网络的基本特性

(1)巨量并行性　神经网络与人类的大脑类似,不但结构上是并行,它对信息的处理顺序也是并行的。这种并行处理决不是简单地以“空间复杂性代替时间复杂性”,而是反映了完全不同的“计算”原理。从数学观点看,可以把神经网络看作是由大量子系统组成的大系统,系统的最终行为完全由它的吸引子决定。如果视动力系统的稳定吸引子为记忆的话,那么从初态向吸引子流动的过程就是寻找记忆的过程。初态可以认为是给定有关记忆的部分信息,换言之,流动的过程就是从部分信息找出全部信息的过程,这就是联想记忆的基本原理。进一步,若视动力系统的稳定吸引子为系统计算能量函数的极小点,系统最终会流向期望的最小点,“计算”也就在过程中悄悄完成了。

(2)分布式存储信息　神经网络存储信息的方式与传统的计算机思维方式不同,信息不是存在一个地方而是呈分布式存储的,用大量神经元之间的联结及对各联结权值的分布,来表示特定的信息。

(3)强容错性和鲁棒性　神经网络具有天然的冗余结构——分布式存储,即使当局部网络受损时,仍具有能够恢复原来信息的特点。也就是对部分的信息丢失或模糊的信息仍可以使信息得到完整的恢复,表现出很强的容错能力和鲁棒性。所以,在神经网络中承受硬件损坏的能力比一般计算机强得多,一般的计算机容错能力很差,表现出极大的脆弱性。

(4)自组织、自学习　人工神经网络中各种神经元之间的联结强度用权值大小表示,这种权值可以事先定出,也可以为适应周围环境而不断变化,这种过程称为神经元的学习过程。人工神经网络所具有的自学习过程模拟了人脑的形象思维方法,这是与传统符号逻辑完全不同的一种非逻辑非语言的方法。

2.2　神经元[1]

神经元是神经网络的基本计算单元,一般是多个输入、一个输出的非线性单元,可以有一个内部反馈信息S i和阈值 i及表示神经元活动的特性函数F。图1是一个完整的神经元x i和结构。通常神经元所接受的输入信号总和x i,尚不能反映神经元输入和输出之间所应有的各种关系。因此,还需要进一步用一特性函数来刻划这种关系,产生一新的输出。一般特性函数可表示为:

x i=

∑W j x j+s i x′i=F(X i)

图1　神经元结构

Fig.1　Structure of neural element

在多个神经元时,可用矢量形式表示为:

X′0=F(x W+s)

其中输入x为N维矢量,输出x′为M维矢量,W 为N×M维矩阵。上式意为神经网络连接模型输入层有N个神经元,输出层有M个神经元,共有N个内部反馈信息,在特性函数的作用下,按阈值控制输出。

根据输入、输出的不同特性,可以用不同的特性函数来表示。对于识别、预测之类的问题来说,一般多应用S形特性函数表示。S形特性函数:

x i=F(x i)=

1

1+e-x i

S形特性函数具有中间的高增益区,适应弱信号,两端为低益区,适应强大信号的性能。

2.3　神经网络连接模型

虽然单个神经元可以执行简单的处理功能,但更强的处理能力却来自多个结点连接而成的网络,每一个连接都具有一个加权,称之为连接权,它反应连接的强度。

(1)单层网络　这是最简单的网络如图2所示,它

图2　单层神经网络模型

Fig.2　Model of single-layered neural network

是把一组几个结点形成一层。从图2可见,输入层作为分布式输入只起着输入信号的作用,不执行神经元特

性计算,不被看作网络的一层,计算特性函数的仅一层。输入层的输入信号可表示为行向量x =(x 1,x 2,…,x n ),其中每一分量通过加权连接到输出层的各个结点。每一个结点均可产生一个输入的加权和。实际的网络连接模式有些连接可能不存在。为了一般化,这时仍然采用全连接,神经元x i 与y i 缺乏连接弧时,可设置权值W ij =0。

在单层网络中,可把各加权表示为加权W 矩阵:

W =

W 11

W 12……W 1M W 21W 22…W 2M W N 1

W N 2

……

W NM

矩阵的维数是N ×M ,N 是输入信号向量的分量数,M 是该层内的结点数。

(2)多层网络　一般分布复杂的神经网络能提供更强的计算能力。虽然目前已构成了很多神经网络模型,但它们的结点都是按层排列的,这一点正是模仿了人类大脑皮层中的网络模块。

将单层网络进行级联就构成了多层网络,也即一层的输出作为下一层的输入。图3显示的是两层神经网络模型。

图3　两层神经网络模型

Fig .3　Model of two -layered neural network 应当指出的是:如果神经元不用非线性特性函数,则多层的神经元连接模式的计算能力并不比单层神经元连接模式计算能力强[1]。2.4　神经网络的训练

任何一个神经网络模型,要实现某种功能的操作,

就必须先对它进行训练,使之获得知识,并把这些知识存储在神经网络的加权中,训练的实质就是加权矩阵随外部激励(环境)作自适应的变化。

神经网络一般有两类训练方式:

(1)有指导的训练　这类训练不仅需要训练用的输入向量,同时还要求有与之对应的表示所输出的目标向量。通常训练一个网络需要很多训练范例。当加上一个输入向量时,要计算网络的实际输出,并和相应的目标向量比较,比较结果的误差用规定的算法改变加权值来变动。这样,把训练组中的每个训练范例相继加入,对每个训练范例都要计算误差和调节加权,直到训练组中的误差达到可接受的精度为止。

(2)无指导的训练　这类训练不要求有目标向量,神经网络通过自身经历来学会某种功能。训练范例集仅仅由输入矢量组成。通过学习算法修改神经网络权值,使其生成的输出矢量一致。因此,实际的训练过程是抽取范例集中的变化特征,把类似矢量聚成一类。一般在训练前无法确定由那种类型的输入将产生那种类型的输出,只能在训练之后把输出转换成一个通用表示,建立起输入-输出的关系。2.5　反向误差传播算法(BP 算法)

该学习算法的过程由神经网络正向计算和误差反向传播组成。在网络正向计算过程中,输入信息从输入层经隐含层逐层处理,并传向输出层。在正向传播的过程中,每一层神经元的状态又影响其下一层神经元的状态。如果正向传播不能得出期望的输出,则转入反向传播,将误差信息沿原来的连接通路返回,通过修改各层神经元的权值和阈值,使得误差信号最小。3　神经网络方法应用条件

一般说来,神经网络方法对于处理复杂的非线性问题,显得较为优越。对于像信息的检测与识别、预测、特征提取、诊断、推论、优化计算等类问题的应用是合适的。

神经网络的适用条件:

(1)这种应用涉及一批数据,而这些数据又依赖于多个互相关联的参数。

(2)在该应用所涉及的范围,积累了相当数量的历史性数据和范例。

(3)该应用中所提供的数据有些是不完善的、有误差的,但它们却描述了确定的范例。

(4)欲求解的问题没有精确的求解方法或者要获得这种方法费用太大,时间太长。

(5)要求项目开发的时间太短,但对训练神经网络来说时间足够。

从采煤工作面煤层底板突水预测问题的实质和现状、焦作矿区的资料状况、经济能力、时间要求等进行全面分析,确认采用神经网络是完全适宜的。

4　采煤工作面煤层底板突水预测神经网络模型和模型参数的确定

4.1　神经网络模型类型的确定

神经网络模型类型的确定要根据问题的实质、客观具备的条件和模型能力间的匹配来决定。

采煤工作面煤层底板突水预测问题的实质是个分类的满意解问题:突水或不突水。焦作矿区是我国煤炭系统著名的大水矿区,煤层底板突水资料丰富。这些突水资料及其有关的参数,往往伴有噪声需要精心处理,又从投资、时间要求分析,确认:

训练方法——有指导的训练

联想记忆——它联想

判决信息——复杂

信息容量——中等

训练时间——慢

执行时间——快

实用性——高

据此可筛选得最佳模型类型为BP模型。

4.2　模型的设计判据

特性函数——S型函数

神经网络层数——二层或多层

隐蔽层尺寸型号——小—中

连接——全连接或随机连接

训练算法——BP算法

训练参数——学习速率系数、冲量系数

5　神经网络模型的建立

5.1　建立焦作矿区地质—水文地质模型,确定矿井突水类型

焦作矿区为一覆盖的石炭二迭系煤田,位于太行山复背斜隆起的东南翼,处于东西向构造和新华夏系构造的复合部位,区内广泛发育燕山运动以来所生成的各种构造形迹,以多次活动的断裂构造为主(均为高角度正断层),褶皱构造表现微弱。矿区内含水层对矿井安全生产威胁最大的是太原统灰岩含水层和奥陶系灰岩含水层。

(1)石炭系(上统C3)太原组,地层总厚75m左右,距下伏奥陶系灰岩20m左右,由砂岩、粉砂岩、煤层和石灰岩组成。石灰岩有6～8层,厚27～42m,占地层总厚的35%～50%,其中以八灰(L8)和二灰(L2)厚度较大(一般厚6～12m)分布较稳定,是矿井充水的直接水源。

(2)奥陶系(中统O2)马家沟组灰岩含水层(简称奥灰),为煤系基底主要含水层,厚400～450m。在太行山区奥灰出露地面,直接接受大气降水及地表水的渗入,并有大型溶洞及岩溶泉出现。在矿区内奥灰含水层为覆盖型(位于冲积层下)和埋藏型(位于煤系地层以下),其岩溶发育受到埋藏深度的控制和构造断裂的影响。奥灰在矿区内具有统一水位标高+79～+85m,水力联系密切,水力坡度平缓,受降雨影响明显。说明奥灰含水层地下水区域补给范围广,水量充沛地下迳流条件好,是补给上覆各含水层的总水源。[8]

40a来矿区内矿井突水水量达1m3/min以上的突水,均系煤层底板突水所造成,属于华北类型煤矿地下水害。

5.2　训练范例的确定

深入矿区各矿,搜集、整理采煤工作面煤层底板突水与不突水范例。经过筛选、处理确认可靠的采煤工作面煤层底板突水与不突水范例91个(其中突水范例50个,不突水范例41个)将40个突水范例、32个不突水范例,作为神经网络的学习范例用于网络训练,其余范例预留作验收用。

5.3　典型采煤工作面突水特征参数的提取

经与矿区矿井水文地质专家讨论,参考华北同类型矿区的特性并通过神经网络的多次测定验证,最后确定11个特征变量作为神经网络模型的输入量:

(1)煤层底板隔水岩层承受的地下水水压,(2)煤层底板隔水岩层厚度,(3)采空面积,(4)有无构造,(5)矿压,(6)采煤工作面倾斜长度,(7)距下风道距离,(8)煤层底板隔水岩层中泥性岩所占的比例,(9)煤层底板隔水岩层中砂性岩所占的比例,(10)煤层底板隔水岩层中砂性岩所处的部位,(11)煤层开采深度。

5.4　具体模型数据的确定

按照前述的设计原则又具体参考了美国玛丽莱昂德大学N.VBhat教授等人应用BP神经网络模型研制的“用神经计算模拟非线性化学处理系统”(美国国家科学基金项目),美国A T&T贝尔实验室Y.L e Cun 教授等人应用BP神经网络模型研制的“用反向传播网络识别手写数字”系统和英国航天中心W.A.Wr ig ht教授应用BP算法的“用神经网络划分图象”方面的成功经验[7],确定:

模型输入数——11个

模型输出数——1个(突水0,不突水1)

模型隐蔽层数——2层

模型初始尺寸——11×55×19×1

训练参数——学习速率系数0.9、冲量系数0.25

训练次数——10000次

5.5　具体模型的训练、调试[5][6]

将训练范例输入模型进行训练,对隐蔽层数、模型尺寸、训练参数、训练次数逐一进行调试测定,判断调试好坏的标准是均方根误差值E R MS 的大小。例如,在模型尺寸为11×55×19×1时,网络的均方根误差值为1.89。当模型尺寸改为11×44×15×1时,网络的均方根误差值E R M S 变为1.03,说明11×44×15×1尺寸的网络优于11×55×19×1尺寸的网络。

再如,训练次数N 的变动对均方根误差E RM S 的影响(图5)

。

图5　BP 训练误差曲线Fig .5　BP training error curve

由于均方根误差值E RMS <0.1,说明误差可以接受,训练可以结束。

最后得调试后神经网络模型为:模型输入数——11个

模型输出数——1个(突水0,不突水1)模型隐蔽层数——2层

模型尺寸——11×44×12×1

训练参数——学习速率系数0.5、冲量系数0.19用预留的采煤工作面煤层底板突水与不突水的范

例,对神经网络进行自验收试验,得均方根误差0.032,说明网络得到了完全的训练。6　预测系统的生产性检验

为检验煤层底板突水预测系统的可靠性,分别在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿进行了生产性检验,预测结果和实际结果相符。

参考文献

1　施鸿宝.神经网络及其应用.西安:西安交通大学出

版社,1993.

2　胡守仁.神经网络应用技术.北京:国防科技大学出

版社,1993.

3　H ?哈肯.协同学讲座.西安:陕西科学技术出版

社,1987.

4　于渌,郝柏林.相变和临界现象.北京:科学出版社,

1984.

5　A .Hamiltin ,et al.Integr ated Pu le Stream Network s.Res ult ,Is sues ,and pointers ,IEEE Trans .On Neural Netw or ks,1992;3(3).

6　E .Sack inger ,et al .Application of the ANNa Neural Netw or k ch ip to High-s peed charater Recognifion.IEE E T rans.On Neur al Netw orks ,1992;3(3).7　P.G.J.Lisboa 编著.邢春颖,阳影等译.现代神经

网络应用.北京:电子出版社,1996.

8　煤炭科学研究总院西安分院,峰峰矿务局,鹤壁矿务

局,邢台矿务局,邯郸矿务局.华北型煤矿奥灰水防治研究.西安:陕西人民出版社,1990.

(1998年3月收稿)　编辑高岩松

来自大洋钻探(ODP )的最新消息

据汪品先院士1999年3月22日来电:大洋钻探计划(O DP )184航次的研究人员们正在我国东沙群岛东南(19.58°N ,117.96°E),水深约2093m 处钻探第3井位。自从在我国南沙群岛区域开始钻探第1井位以来,他们已提前顺利完成了预定计划。由于天气宜人,再加上出色的工作,钻探和运输等方面的工作都比预定计划进展得要快。由于时间充裕,他们决定对已经撤消的井位进行钻探。在1145井位,他们已经获得了200m ,具有3M a 以上记录的半深海沉积.有趣的是,其沉积速率在逐渐增高。最近的沉积速率要比3M a 以前的沉积速率大约高10倍.研究人员们已开始探寻地球化学、古生物学和地球物理学记录之间的相互关系。他们相信,此次大洋钻探最终一定会给人们一个有关我国南海变迁的满意结果。

在1145井位打3个钻孔之后,他们将向西北方向航行,探求我国南海的早期历史。

转载《科学通报》