基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用_吉振光

基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用吉振光（太原理工大学矿业工程学院，山西太原030024）摘要：邻近层瓦斯向回采工作面运移是造成工作面瓦斯浓度超限的原因之一。

运用遗传算法和BP神经网络的基本理论，选取了影响邻近层瓦斯涌出9个基本指标，建立邻近层瓦斯涌出的预测模型，并通过现场实测数据对邻近层瓦斯涌出量进行了预测。

预测结果表明：该模型预测获得的精度较高，预测模型可靠。

关键词：邻近层；BP神经网络；遗传算法；瓦斯涌出中图分类号：TD712+．5文献标志码：B文章编号：1003－496X（2011）07－0036－03煤层在开采之前，整个岩层没有遭到破坏，岩层的原始应力处于平衡状态。

煤层在受到采动影响之后，原有的平衡状态被破坏，促使应力重新分布。

随着工作面不断向前推移，工作面后部放顶过程中，顶板变形产生裂隙直至垮落，底板变形而向上鼓起形成破坏性裂隙。

而处于开采层顶底板的邻近煤层的瓦斯受到采动的影响沿着裂隙涌入回采工作面，造成工作面瓦斯含量急剧增加，从而影响回采工作面的正常生产〔1〕。

随着煤炭开采技术的迅速发展以及瓦斯抽采技术的日益完善，找出预测邻近层瓦斯涌出量的方法已经变得非常必要。

结合邻近层瓦斯涌出量的预测值，配置相应的瓦斯抽采设备，减少煤层开采时邻近层瓦斯的涌出，从而有利于工作面高效的生产。

根据遗传算法和BP神经网络的基本理论，结合邻近层瓦斯涌出的影响因素，对邻近层瓦斯涌出量进行了预测。

1遗传算法改进的BP神经网络模型的建立人工神经网路是模拟人脑的结构和功能的非线性信息处理系统，它是一种经过不断学习来实现其自身对数据的记忆、推理归纳的功能，其学习过程实质就是不断调节权值和阈值的过程。

1．1BP神经网络算法分析BP神经网络是人工神经网络其中的一种，BP 神经网络的学习过程由2部分组成正向传播和反向传播。

当输入信息从输入层数据经隐层处理后传向输出层，每一层的神经元的状态只影响下一层的神经元状态，如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元通路返回。

返回过程中，逐一修改各层神经元连接的权值。

这种过程不断的迭代，最后使得信号误差在允许的范围内。

由于BP神经网络是基于梯度下降法的，因此BP神经网络算法是基于单点搜索的，不具备全局搜索的能力；并且BP神经网络的结构参数是随机给定的，因此结果具有一定的随机性〔5〕。

BP神经网络结构如图1。

图1BP神经网络结构1．2遗传算法对BP神经网络的优化遗传算法是模拟生物界优胜劣汰的竞争机制，通过遗传进化过程建立起来的一种全局搜索算法。

遗传算法通过对适应度函数给每个个体一个数值评价，淘汰适应度低的个体，选择适应度高的个体参加遗传操作，经过遗传操作后的个体集合形成新的种群，新的种群进行下一轮进化，重复循环这个过程，把最优的保存下来。

遗传算法具有全局搜索的功·63·（第42卷第7期）技术·创新能，克服了BP 神经网络的不足。

遗传算法对BP 神经网络优化的具体过程如图2所示〔3〕。

图2遗传算法对BP 神经网络优化流程2邻近层瓦斯涌出预测模型的建立2．1邻近层瓦斯涌出预测指标集的建立邻近层瓦斯涌出受到多方面因素的影响，预测指标体系集是根据国内邻近层瓦斯涌出的相关资料结合实际情况选定的。

预测指标体系集包括：邻近层瓦斯含量（K 1），邻近层厚度（K 2），层间距（K 3），层间岩性（K 4），顶板的管理方式（K 5），开采厚度（K 6），工作面推进速度（K 7），工作面长度（K 8），煤层倾角（K 9）等9个基本指标。

层间岩性（K 4）主要反应瓦斯的逸散与煤层围岩的关系，根据顶板岩性和矿压显现分5类顶板〔6〕，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；顶板管理方式（K 5）：全部垮落法用1表示，填充法用2表示，煤柱支撑法用3表示〔2〕。

2．2邻近层瓦斯涌出预测模型参数的设定邻近层瓦斯涌出预测模型采用3层结构误差反向传播神经网络，网络第一层为输入层，以连接输入信息和网络。

第三层为输出层，输出与输入层一系列指标集相对应的内容，可以得到所需的模拟结果。

第二层为隐含层，用于连接输入层和输出层，连接强度用连接权表示。

隐含层节点个数根据经验公式n =n 1+槡m +a ，n 1表示输入节点的个数，m 表示输出节点的个数，a 表示1到10之间的常数。

首先应用matlab 工具箱中的newff 生成BP 神经网络。

输入层与隐层之间的转移函数为tansig （）正切S 型函数，隐层与输出层之间的转移函数为logsig （）函数。

种群大小为N =70，学习样本为15个，学习效率为0．05，最大进化代数为500，指定的学习误差为0．0001。

输入层含有9个节点，输出层有1个节点，隐含层根据经验公式，含有13个节点。

3实例分析表1是统计的邻近层瓦斯涌出量与影响因素的关系的数据〔2〕，利用上述模型对邻近层的瓦斯涌出量进行模拟预测。

运用MATLAB 实现了适应度函数的编程、权值和阈值的编码、初始种群的生成。

在程序中根据适应度函数计算出每一个个体的适配值，判断是否满足条件，如果满足，则进行遗传操作，产生新的个体，表1邻近层瓦斯涌出量与影响因素数据统计序号邻近层原始瓦斯含量/m 3·t －1邻近层厚度/m 层间距/m 层间岩性顶板管理方式开采厚度/m 推进速度/m ·d －1煤层倾角/（ʎ）工作面长度/m 邻近层瓦斯涌出量/m 3·min －112．551．75204．6312．24．51151601．7722．561．75154．616．32．75111751．5632．641．62194．7511．84．13111751．5243．021．74174．6216．12．7791651．4852．021．5205．03124．42101551．3763．41．5184．7715．92．8581701．5672．121．6144．8312．94．02121551．2681．881．42134．8212．93．6891651．0492．211．72124．7812．83．45131801．39103．111．46124．53133．53111751．62112．811．81114．5112．53．28171802．12123．151．8164．716．22．6491801．33132．41．48174．9112．34．67101451．31142．981．92154．5516．52．92121751．23152．11．21224．87124．1681401．03·73·（2011－07）计算BP神经网络的误差平方和，如果没有达到期望值，再继续进行遗传操作，在继续进行遗传操作。

如果在500代遗传操作之内满足条件，则得到最优解〔3〕。

训练结束后，可得到神经网络各层连接权值和阀值。

表2为训练样本期望输出与预测结果的对比。

通过比较可以看出预测值和实测值误差较小，从而可以判断该模型预测可以获得较高的精度，预测模型比较可靠。

表2训练样本期望输出与预测结果的对比序号12345678实测值1．771．561．521．481．371．561．261．04预测值1．76711．56231．52531．47421．37111．56511．26221．0413误差/%－0．1640．1730．348－0．3980．1310．3880．1350．019序号9101112131415实测值1．391．622．121．331．311．231．03预测值1．39231．61712．10821．33821．31931．22541．0331误差/%0．165－0．16－0．5420．5910．702－0．3740．2524结语由于邻近层瓦斯涌出的影响因素较多，以及各个矿井的煤层地质构造、赋存情况的不同，导致瓦斯涌出的主控因素也不尽相同，可以针对不同的矿井，不同的回采工作面对基本指标进行调整，通过建立的模型进行预测，可以大大提高瓦斯涌出量的准确信，为邻近层瓦斯的抽采提供理论依据。

参考文献：〔1〕陈大力．邻近层的瓦斯涌出量预测〔J〕．煤矿安全，1993（9）．〔2〕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〔J〕．煤炭学报，2007（5）．〔3〕朱斌泉，林景栋．遗传优化BP神经网络在槽况预测中的应用〔J〕．佳木斯大学学报，2010（5）．〔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（2）．〔5〕赵川，杨洁，曾强，等．遗传算法改进的BP神经网络在协同创新评价中的应用〔J〕．设计与研究，2010（8）．〔6〕岑传鸿．顶板灾害防治〔M〕．徐州：中国矿业大学出版社，1994．作者简介：吉振光（1985－），男，山西晋城人，太原理工大学在读硕士研究生，主要从事矿井通风系统优化、矿井灾害防治理论与技术、矿井安全信息工程的研究。

（收稿日期：2010－12－06；责任编辑：王福厚）·83·（第42卷第7期）技术·创新。