煤与瓦斯突出强度预测的BP神经网络模型

合集下载

煤与瓦斯突出强度预测的BP神经网络模型

ＳｒｎｔｆＣｏｌａｄＧａｕｂｒｔＦｏｅａｔｏｔｅｇｈｏａｎｓＯｔｕｓｒｃｓｆ
ＢＰＮｅｒｌＮｅｗｏｋＭｏｅｕａｔｒｄｌ
ＬＩＬｉｎ－ｈｎＧＡＯｈｎＺＨＡＯＭｅｇａｃａｇ，Ｚｅｇ，ｎ
（ｎｔｕｅｕｉｅｈｏｇｎｎｉｅｒｇｏｅａｏｔｈｉＵｉｒｔ，ｉｏｕ４４０，ｈｎ）ＩｓｔｔｏＳｃｒｙＴｃｎｌｙａｄＥｇｎｅｉＨｎｎＰｌｅｎｃｎｖｓｙＪａｚｏ５００Ｃｉａｉｅｆｔｏｎｆｙｃｅｉ
煤与瓦斯突出是煤矿安全生产的重大隐患，因１对突出特征和瓦斯地质规律进行统计分）此做好煤与瓦斯突出及突出强度的预测工作，对析，出影响突出强度的主要因素，理筛选各主要针找合各区域不同的突出强度，提前采取相应的防治措施，影响因素作为建立突出强度预测模型的指标。对减少矿井安全事故的发生和提高生产效率具有重２突出点数据的量化和标准化，将各突出）即
Ｋｅｙｗｏｒｄｓ：ｗｆｇｓ— ｇｏｏ；Ｓａｅｓｏｏａｎｄｇｓｏｂｕｓ；ＡｒｉｃａｕａｅｗｏｋＬａｏａｅｌｇｙｃｌｆｃｌａａｕｔｒｔｔｆｉｌｎｅｒｌｎｔｒｉ
１预测方法选取
络预测模型可以很好的完成煤与瓦斯突出强度预测，型的建立方法可概防止突出事故的发生，减小突出所造成的危害具有重要的指导作用。通过对新安煤田二，层突出特征的统计分析和瓦斯地质规律的研究，出了煤与瓦斯突出强度预测的主要影响因煤找素。应用人工神经网络的有关知识，结合其主要影响因素建立适合于新安煤田煤与瓦斯突出强度预测的ＢＰ人工神经网络预测模型。并通过误差分析验证了该模型的正确性。关键词：瓦斯地质规律；与瓦斯突出强度；煤人工神经网络中图分类号：Ｄ１Ｔ７２文献标识码：Ａ文章编号：０５２９（０００ — ０９０１０ — ７８２１）４００ — ３

基于BP神经网络的煤与瓦斯突出强度预测模型

基于BP神经网络的煤与瓦斯突出强度预测模型游曦鸣，张学葵，高圣（中国地质大学（武汉）工程学院，湖北武汉430074）摘要：煤与瓦斯突出是煤矿开采过程中主要的危害因素之一，所以对煤与瓦斯突出强度的准确预测，能够有效的防止事故的发生，减少损失。

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上，确定煤层瓦斯含量，瓦斯压力，煤的坚固系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素，利用MA TLAB软件，基于BP神经网络，建立了适合土朱矿的煤与瓦斯突出强度预测模型，并进行了实际检验，确定了模型的可行性。

关键词：煤与瓦斯突出强度；预测模型；BP神经网络Intensity of Coal and Gas Outburst Prediction ModelBased on BP Neural NetworkYOU Xi-ming,ZHANG Xue-kui,GAO Sheng(School of Engineering of China University of Geosciences（Wuhan) , Wuhan 430074,China) Abstract：The coal and gas outburst is one of the main factors that threaten coal mine safety,so the accurate prediction of the intensity of coal and gas outburst can prevent accidents and reduce the loss effectively.On the analysis of the No.5 coal seam in Hunan Tuzhu coal mining area,we could find the key factor of the coal and gas outburst intensity are gas content, gas pressure,coal firmness coefficient,gas initial speed of diffusion. Based on the BP neural network,we established an intensity of coal and gas outburst prediction model for Tuzhu coal mining area by MA TLAB software.The prediction results are identical with actual results.In conclusion,we could determine the feasibility of the model.Keywords：intensity of coal and gas outburst prediction model BP neural network0前言煤与瓦斯突出是煤矿生产中的主要灾害之一，对煤矿的正常开采和工作人员的生命安全构成重大威胁。

改进的AHP结合BP神经预测煤与瓦斯突出

改进的AHP结合BP神经预测煤与瓦斯突出周西华;郭坤;白刚;宋东平【摘要】为对煤与瓦斯突出进行准确预测, 结合重要性指标筛选以及改进的层次分析法, 对权重值进行研究, 并进行排序.通过筛选重要性指标, 选定其中具有突出影响的指标.结果表明, 对此造成影响的因素权重分别为地质构造、地应力、瓦斯压力、放散初速度.未经筛选的BP神经网络的实际值与预测值的平均相对误差为3.44％, 而通过筛选后选定的指标, 实际值与预测值的平均相对误差为1.82％, 训练速度、精度优于未经筛选指标的预测.可为防突措施的奠定理论基础, 对煤矿安全生产工作具有借鉴作用.%In order to predict the coal and gas outburst accurately, the weight value is studied and sorted by the importance index screening and the combination of improved analytic hierarchy process. Through screening the importance of indicators, it has a prominent impact on the selection of indicators. The results show that the factors influencing the factors are the geological structure, the geostress, the gas pressure and the initial velocity. The average relative error of the uncovered BP neural network is 3.44％, and the average relative error of the actual value and predicted value is 1.97％, the training speed is high and the prediction precision is high. This can lay a theoretical foundation for the formulation of outburst prevention measures and provide an evaluation method which is consistent with the actual situation.【期刊名称】《物探化探计算技术》【年(卷),期】2019(041)001【总页数】7页(P121-127)【关键词】层次分析法;重要性指标;筛选;BP神经【作者】周西华;郭坤;白刚;宋东平【作者单位】辽宁工程技术大学安全科学与工程学院,阜新 123000;矿山热动力灾害与防治教育部重点实验室,阜新 123000;辽宁工程技术大学煤炭资源安全开采与洁净利用工程研究中心,阜新 123000;辽宁工程技术大学安全科学与工程学院,阜新123000;矿山热动力灾害与防治教育部重点实验室,阜新 123000;辽宁工程技术大学安全科学与工程学院,阜新 123000;矿山热动力灾害与防治教育部重点实验室,阜新 123000;辽宁工程技术大学安全科学与工程学院,阜新 123000;矿山热动力灾害与防治教育部重点实验室,阜新 123000【正文语种】中文【中图分类】TD713;X9360 引言在煤炭开采强度、深度日益加大的同时，煤与瓦斯突出事故逐年增加，且日益严重。

基于 BP 神经网络模型的回采工作面瓦斯涌出量预测

基于 BP 神经网络模型的回采工作面瓦斯涌出量预测刘羿甫;王丰【期刊名称】《江西煤炭科技》【年(卷),期】2014(000)002【摘要】在对BP神经网络原理进行分析的基础上，采用MATLAB语言，利用样本进行网络训练后，设计出预测某煤矿回采工作面瓦斯涌出量的BP神经网络模型，然后对实际数据进行仿真模拟，得到了很好的预测结果。

从预测结果可以看出，达到了工程实际能够接受的预测精度，说明该模型能够用于该煤矿回采工作面的瓦斯涌出量预测。

%Based on the analysis of BP neural network principle ,BP neural network model was designed to predict the gas emission in working face by using MATLAB Language ,which obtained good predictionresult ,achieved engineering acceptable prediction accuracy and illustrated that the model could be used to predict the gas emis-sion in working face .【总页数】3页(P1-3)【作者】刘羿甫;王丰【作者单位】贵州大学矿业学院，贵州贵阳550003;贵州大学矿业学院，贵州贵阳550003【正文语种】中文【中图分类】TD712+.5【相关文献】1.基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测 [J], 魏引尚;刘云飞2.基于瓦斯涌出的回采工作面参数识别BP神经网络模型 [J], 刘新喜;黄晓峰;唐辉明3.基于灰色理论的回采工作面瓦斯涌出量动态预测研究 [J], 秦志4.基于PCA-BP神经网络的回采工作面瓦斯涌出量预测研究 [J], 米翔繁5.因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测 [J], 徐刚; 王磊; 金洪伟; 刘沛东因版权原因，仅展示原文概要，查看原文内容请购买。

粗神经网络在煤与瓦斯突出预测系统的应用

ＣＮ控制器发送给地面ＰＡＣ机，时可接收地面Ｐ同Ｃ机的控制指
系，通过去掉冗余属性，以简化知识表达空间维数。可
文中基于粗糙集理论和神经网络系统的瓦斯突出检测方法主要包括如下几个方面：
（）４神经网络系统：用约简后形成的学习样本对神经网络系统进行学习和训练。在人工神经网络中，习规则就是修正学
权值的一个算法，按照最小条件属性集及其相应的原始数据重
新形成测试样本集ｊ。
总线
图１中，，： … ，是输入特征属性，ｏＹ，Ｙ，是输出类别，隐含层的每个神经元对应一个决策模式，输入层到隐含层的权
ＡｂｔａｔＢｓｄｏｈｏｒｈｎｉｅｓｕｙｏｈａｉｕｌｏｔｍｓｗｔｈｏｇｅｈｏｙａｄｔｅＢｅｒｌｎｔｒ，ｓｒｃ：ａｅｎｔｅｃｍｐｅｅｓｖｔｄｆｔｅｖｒｓａｇｒｈ，ｉｔｅｒｕｈｓｔｔｅｒｎｈＰｎｕａｅｗｏｋｏｉｈｔｋｎｄａｔｇｆｒｕｈｓｔｍｅｈｄｃｎｒｍｏｅｒｄｎａｔｉｆｒｔｎ，ｅｒｅｗｏｋｃｎａｃｒｔｌｃｅｅａｅｔｅｃｎｅ－ａｉｇａｖｎａｅｏｏｇｅｔｏａｅｖｅｕｄｎｎｏｍａｉＢＰｎｕａｎｔｒａｃｕａｅｙａｃｌｒｔｈｏｖｒｏｌｇｎｅｓｅｄａｖｎａｅ．ｒｍｉｅｔｕｅｏｐｃｆｅｗｏｋｐｅｉｔｎｍｅｈｎｓ，ｄｕｅｔｉｒｄｃｉｎｏｎａｕｂｒｔｅｃｐｅｄａｔｇｓＰｏｎｎｓｆａｓｅｉｃｎｔｒｒｄｃｉｃａｉｍａｓｈｓｐｅｉｔｆｍｉｅｇｏｔｕｓｉｏｎｏｓｍｅｈｉｔｒｄｃｈｉａｉｎＰａｔａｐｌａｉｎｄｍｏｓｒｔｓｔａｅｍｏｉｅＰｐｅｉｔｎｍｏｅａｅｎｔｅＭＡＡＢｃａｓｏｐｅｉｔｅｓｕｔ．ｒｃｉｌｐｉｔｅｎｔｅｔｔｄｆｄＢｒｄｃｉｄｌｓｄｏｈＴＬｎｍｔｔｏｃａｃｏａｈｈｉｏｂｎｕａｅｗｒｏｌｏａｌｖｒｏｈｉａｖｎａｅｆｃｎｔｉｇｎｙａｄｈｓｏｖｒｅｃｐｅｎｏｄｐｅｉｔｎａｃ — ｅｒｌｎｔｏｋｔｏｂｘｃｒｏｅｃｍｅｔｅｄｓｄａｔｇｓｏｏｓｎｅｃａｆｔｎｅｇｎｅｓｅｄａｄｇｏｒｄｃｉｃｕｒｎｓａｃｏｒｃ．ｈｘｅｉｎａｅｕｔｅｅｌｔａａｅｎｒｕｈｓｔＢｅｒｌｅｗｒｒｄｃｉｎｍｏｅｓｒｌａｌｆｓｏｖｒｅｃｎａｙＴｅｅｐｒｍｅｔｒｓｌｒｖａｓｈｔｓｄｏｏｇｅ — Ｐｎｕａｔｏｋｐｅｉｔｄｌｉｅｉｂｅ，ｔｃｎｅｇｎｅａｄｌｂｎｏａｈｇｃｕａｙｇｏｆｃ．ｉｈａｃｒｃ，ｏｄｅｆｔｅＫｅｒｓｒｕｈｓｔＢｅｒｅｗｒＤＳｓｍｕａｉｎａｄｐｅｉｔｙｗｏｄ：ｏｇｅ・Ｐｎｕａｎｔｏｋ；Ｐ；ｉｌｔｎｒｄｃｉｌｏｏ

采煤工作面瓦斯抽采率预测的神经网络模型

采煤工作面瓦斯抽采率预测的神经网络模型
张明;冯涛;朱卓慧
【期刊名称】《现代矿业》
【年(卷),期】2011(000)003
【摘要】由于采煤工作面瓦斯抽采率影响因素复杂多样,且各影响因素之间存在着动态、模糊的非线性关系,传统的预测方法难以建立其预测模型.神经网络具有自组织、自适应、并行处理等特性和很强的非线性逼近能力,通过采煤工作面瓦斯抽采率和其影响因素之间的函数关系建立了预测模型.结果表明,预测模型精度能够满足要求,具有合理性和可行性.
【总页数】3页(P37-39)
【作者】张明;冯涛;朱卓慧
【作者单位】湖南科技大学;湖南科技大学;湖南科技大学
【正文语种】中文
【相关文献】
1.用人工神经网络模型预测采煤工作面的瓦斯涌出量 [J], 刘玉静;肖广智
2.采煤工作面瓦斯抽采率预测的神经网络模型 [J], 张明;冯涛;朱卓慧
3.高瓦斯采煤工作面瓦斯涌出量的分源预测 [J], 姚元领;司俊鸿;宋凯
4.加大矿井瓦斯抽采率提高矿井瓦斯利用率 [J], 刘立君;
5.采煤工作面瓦斯涌出量预测的神经网络模型 [J], 朱川曲
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

神经网络模型及其在煤矿瓦斯预测中的应用

&&!’’%?
摘
要：介绍了近年来我国煤矿瓦斯事故的基本状况，从自然条件、人员素质、系统、安全投入、
管理制度、生产工艺等方面分析了瓦斯事故多发的原因，对瓦斯事故多发的深层次原因进行了剖析。从多方面提出了瓦斯事故防治的对策和建议。指出了各级政府在瓦斯事故防治中的作用；在瓦斯防治中必须树立瓦斯为天的理念，建立评价制度，加大安全投入，加强瓦斯基础理论和瓦斯管理模式的研究，完善煤矿安全监管体制，通过全方位的共同努力，最大限度地减少瓦斯事故的发生。关键词：瓦斯事故；原因；对策中图分类号： 3@;!& 文献标识码： A
方面的，最主要的是没有建立起完备的瓦斯科学管理模式和技术支撑体系，没有建立以人为本，强化真正落实 “先抽后采、监测监控、以风定产” 的瓦斯治理 !& 字方针的工作体系。
"# !
我国煤矿开采的自然条件复杂我国 "(< 的煤矿为井工开采，所有矿井均为瓦
斯矿井。在国有重点煤矿中，高瓦斯矿井占 &#: %< ，煤与瓦斯突出矿井占 !;: #< 。随着矿井开采深度的增加和开采强度的加大，瓦斯压力和涌出量随之增
"4 6: !4 6: !8 6: != 6: !4 6: !=
自学习模型 "# 神经网络的学习方式分为有教师学习和无教师学习两种方式，学习过程就是权重矩阵的修正过程。自学习模型为：（) ） "( ,#$" .%"( 2)1!3 式中 #—学习因子； —— —— $—误差信号； —— %—动量系数。 !" % 误差计算模型误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：

基于人工神经网络的煤与瓦斯突出预测通用版

安全管理编号：YTO-FS-PD565基于人工神经网络的煤与瓦斯突出预测通用版In The Production, The Safety And Health Of Workers, The Production And Labor Process And The Various Measures T aken And All Activities Engaged In The Management, So That The Normal Production Activities.标准/ 权威/ 规范/ 实用Authoritative And Practical Standards基于人工神经网络的煤与瓦斯突出预测通用版使用提示：本安全管理文件可用于在生产中，对保障劳动者的安全健康和生产、劳动过程的正常进行而采取的各种措施和从事的一切活动实施管理，包含对生产、财物、环境的保护，最终使生产活动正常进行。

文件下载后可定制修改，请根据实际需要进行调整和使用。

随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，如基于煤体破裂过程中的声发射和电磁辐射现象的非接触式预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。

但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化。

因此，预测结果常常不很准确。

人工神经网络技术（ANN）的飞速发展，基于人工神经网络的预测煤与瓦斯突出预测已经能够达到很高的预测精度，优于其它预测方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。

1 影响煤与瓦斯突出事故的因素（1）煤层瓦斯压力。

原始瓦斯压力越高，煤体内的瓦斯含量越大，煤体破裂时单位面积裂隙上涌出的瓦斯量就越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。

基于人工神经网络的煤与瓦斯突出预测

基于人工神经网络的煤与瓦斯突出预测随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，例如，基于声发射和电磁辐射的煤体破裂过程非接触预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。

因此，预测结果常常不很准确。

人工神经网络技术（ANN）的飞速发展，基于人工神经网络的煤与瓦斯突出预测取得了较高的预测精度，优于其它预测方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。

1 影响煤与瓦斯突出事故的因素（1）煤层瓦斯压力。

原始瓦斯压力越高，煤体内的瓦斯含量越大，当煤体破裂时，单位面积内从裂缝中排放的气体越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。

（2）围岩的透气性系数。

围岩的透气性系数越大，更有利于煤层瓦斯泄漏，在同样瓦斯压力下，煤层中赋存的瓦斯越小。

（3）构造煤的类型。

构造煤是煤与瓦斯突出的必要条件，不同类型的构造煤具有不同的突出风险。

（4）瓦斯放散初速度。

煤样放散瓦斯快慢的程度用△P值表示，其大小与煤的微孔隙结构，孔表面性质与孔径有关，随构造煤破坏类型的增高，△P值也增高。

（5）软弱煤层厚度。

由下式可以看出，煤体撕裂后形成的球形煤壳曲率半径Ri及煤壳中心角Φi越大，下式就容易满足，煤壳就容易失稳抛出。

当突出阵面沿软分层发展时，在垂直煤层方向上有如下关系：H=2Risin (Φi）式中 H——软弱煤层厚度Ri——煤壳曲率半径Φi——煤壳中心角软煤厚度越小，沿垂直于煤层的方向形成的煤壳的曲率半径和中心角越小，煤壳就越不容易失稳抛出，煤与瓦斯突出灾害也就越不容易发生。

2 基于人工神经网络的预测模型2.1 反向传播算法（BP）的拓扑结构BP（Back Propagation）算法 1985年由Rumel-hart等提出，该方法系统地解决了多层神经网络中隐单元层连接权重的学习问题，并在数学上给出了完整的推导。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

收稿日期:2010201212作者简介:李连昌(1983-),男,河南南阳人,在读硕士研究生,研究方向为瓦斯灾害预测与防治。

doi:10.3969/j .issn .1005-2798.2010.04.003煤与瓦斯突出强度预测的BP 神经网络模型李连昌,高　争,赵　萌(河南理工大学安全技术及工程学院,河南焦作　454000)摘　要:煤与瓦斯突出是危害煤矿安全生产的主要因素,因此做好煤与瓦斯突出特别是突出强度的预测,为针对性的采取防突措施,防止突出事故的发生,减小突出所造成的危害具有重要的指导作用。

通过对新安煤田二1煤层突出特征的统计分析和瓦斯地质规律的研究,找出了煤与瓦斯突出强度预测的主要影响因素。

应用人工神经网络的有关知识,结合其主要影响因素建立适合于新安煤田煤与瓦斯突出强度预测的BP 人工神经网络预测模型。

并通过误差分析验证了该模型的正确性。

关键词:瓦斯地质规律;煤与瓦斯突出强度;人工神经网络中图分类号:T D712 文献标识码:A 文章编号:100522798(2010)0420009203Strength of Coal and Gas Outburst Forecast ofBP Neural Network M odelL IL ian 2chang,G AO Zheng,ZHAO Meng(Institute Security Technology and Engineering of Henan Polytechnic U niversity,J iaozuo 454000,China )Abstract:The coal and gas outburst is the key fact or of the coalm ine safety .So it is more i m portant t o p redict the coal and gas outburst es pecially the coal and gas outburst scales t o adop t measures on pur pose,p revent the coal and gas outburst and reduce the har m that the coal and gas outburst causes .According t o the research of the la w of gas -geol ogy and the feature of coal and gas outburst of Xin’an coalfield No .2-1coal sea m,we would find the key fact or of the coal and gas outburst scales .Then we would f ound the p redicti on model of BP artificial neural net w ork,using the knowledge of artificial neural net w ork and the key fact or above .A t last we would p r ove the model is correct by err or analysis .Keywords:La w of gas -geol ogy;Scales of coal and gas outburst;A rtificial neural net w ork1　预测方法选取煤与瓦斯突出是煤矿安全生产的重大隐患,因此做好煤与瓦斯突出及突出强度的预测工作,针对各区域不同的突出强度,提前采取相应的防治措施,对减少矿井安全事故的发生和提高生产效率具有重要的意义。

目前,常用的预测方法主要有直觉性预测和形式化预测,直觉预测方法主要是专家依据个人的职业经验对预测对象的发展前景做出的个人判断;形式化预测方法则是将得到的信息数据按一定的数学模型进行形式化的分析计算,得到对研究对象的预测结果。

鉴于人工神经网络预测法在处理非线性问题时比其他方法具有较强的优越性[1],可以认为神经网络预测模型可以很好的完成煤与瓦斯突出强度预测,模型的建立方法可概括为以下几点:1)　对突出特征和瓦斯地质规律进行统计分析,找出影响突出强度的主要因素,合理筛选各主要影响因素作为建立突出强度预测模型的指标。

2)　突出点数据的量化和标准化,即将各突出点突出强度影响因素表示为数据形式,进一步对各因素作归一化处理,标准化为[0,1]之间的数据。

3)　数据模型的建立,结合标准化后的数据,应用人工神经网络的相关知识建立预测模型。

4)　模型的验证,根据所建立的模型对突出强度进行预测,回归预测结果比较其与实际突出强度的误差,当误差小于某一值时,证明该模型建立成功。

9试验研究总第126期2　新安煤田二1煤层煤与瓦斯突出特征1)　新安煤田浅部区域的突出类型多为强度较小的压出和倾出,突出煤量一般小于100t,且突出多发生在煤巷掘进期间,大型突出主要发生在新安煤田深部区域,最大突出煤量828t。

2)　突出前通常具有突出预兆,多出现片帮、响煤炮、瓦斯浓度增大、煤尘飞扬等瓦斯动力现象,有时几种预兆并存。

3)　突出点附近的作业方式对突出的发生具有一定的诱导作用。

煤巷掘进中的清煤和支护作业一般容易导致强度较小的压出或倾出。

掘进中采用放炮作业时容易诱发强度较大的突出。

揭煤作业存在的突出危险性最大,且造成的突出强度也最大。

4)　突出点附近的瓦斯含量和瓦斯压力较高。

11次瓦斯动力现象全部发生在瓦斯含量大于8m3/t 的高瓦斯区。

5)　煤与瓦斯突出受地质因素和地质动力因素的影响,突出区域具有条带分布特征,突出点大多位于煤厚变化区、小断层附近;顶板周期来压和顶板砂;新安矿突出点主要集中在14采区下部,其它基建矿井,由于开采区域较小尚不明显;新安矿突出点围岩多为2～4m的细粒砂岩,义安矿突出点顶板多为8m左右的粉—中粒砂岩,孟津矿突出点顶板为15m左右的中粒砂岩。

3　瓦斯地质规律1)　褶皱构造。

新安煤田位于华北板块南缘,华熊台缘凹陷的渑池—确山陷褶断束北西部。

区域内较大的褶皱构造为新安向斜,该向斜位于区域中南部的乔沟、新安县城、洛阳市一带,轴向近东西,为一宽缓向斜。

向斜轴部出露三叠系刘家沟组、二叠系石千峰组地层。

北翼倾角平缓,一般6～14°,地层出露完整。

南翼由于龙潭沟断层的切割,向斜南翼被破坏,断裂构造极为发育。

从各矿井瓦斯含量分布规律来看,在靠近向斜轴部的区域瓦斯含量相对较大,2)　断裂构造。

新安煤田内较大的断层主要有石井河正断层(F1),走向近E W,倾向N,倾角70～80°,落差350～400m;许村—香坊沟斜交正断层(F2),走向近E W,倾向N—NNE,倾角65～70°,落差150～200m;省磺矿正断层(F7),走向N65°W,局部地段稍有变化,倾向S W,倾角60～70°,落差80～150m;马窑、祖师庙正断层(F12),走向N65°W,倾向S W,倾角60～70°,落差50～100m;F29断层,走向NNW,倾向S WW,倾角65～70°,落差25～50m;龙潭沟断层(F58),走向NW,倾向NE,倾角70°,落差50～200m。

3)　煤层围岩岩性。

煤层围岩是指包括煤层直接顶、老顶和直接底板等在内的一定厚度范围的煤层顶底岩层。

煤层围岩对瓦斯赋存的影响,取决于它的隔气和透气性能。

新安煤田二1煤层顶板多为砂岩,且其厚度变化较大,最厚达33.6m,部分区域为泥岩、砂质泥岩。

4)　煤层埋藏深度。

新安煤田西北部煤层赋存较浅,东部、南部煤层赋存较深,由地勘数据显示,二1煤层埋深最浅为96.58m,最深达982.9m。

通过对新安煤田地勘及生产过程中所测瓦斯含量的统计,研究分析瓦斯含量和埋深的关系,可以看出新安煤田二1煤层瓦斯含量随埋深的增加而增大,瓦斯含量的增加梯度随埋深的增加而逐渐减小。

5)　煤层厚度变化。

新安煤田二1煤层煤厚变化较大,地勘期间探测煤厚最大达18.43m,厚煤区和薄煤区呈块状分布,且煤田内部分区域常出现煤厚突然减小或增大的现象。

4　预测模型的建立4.1　预测指标的选取通过对新安煤田突出特征的分析,结合对地质规律、瓦斯规律的研究,特选地应力(埋深)、突出点附近煤层厚度、作业类型危险系数、瓦斯含量/瓦斯压力、地质构造、煤层顶板20m内砂岩厚度6个参数作为建立强度预测模型的指标。

4.2　预测指标的量化将以上所选指标进行量化,首先分别用Q表示突出强度、D表示突出点附近断层、W表示瓦斯含量、S表示顶板砂岩厚度比、H代表埋深、γ表示工作面类型危险系数、h表示煤厚;然后根据其大小和程度进行数据量化,如表1所示。

表1　新安煤田二1煤层突出参数序号Q/t H/m h/mγW/(m3・t-1)D S 19.6 2.913.50.3580.50.5 22 5.569 2.120.358.50.50.5 39 5.511.60.3510.50.50.5 450 5.59 2.60.79.500.55 2.8 5.540.351000.56 5.88 5.730.3510.500.5 728 5.6940.35100.50.5 812.5 5.740.3510.50.50.5 915.92 6.8 4.40.3511.8700.5 1020 6.78.70.3511.8700.5 118287.685 4.7110.80.51根据量化完成的数据,为提高预测模型的精度01及容错能力,将表1中的量化数据按下列区间进行标准化,Q∈[1,1000],H∈[250,950],h∈[0.2, 14],γ∈{0.35,0.7,1},W∈[6,14],D∈{0,0.5, 1},S∈{0.5,1};标准化后的数据如表2所示。

表2　新安煤田二1煤层突出参数归一化序号Q/t H/m h/mγW/(m3・t-1)D S 10.00860.0570.96380.350.250.50.5 20.0010.4380.13910.350.31250.50.5 30.0080.4290.82610.350.56250.50.5 40.0490.4410.17390.70.437500.5 50.00180.4290.27540.350.500.5 60.00490.4570.20290.350.562500.5 70.0270.4560.27540.350.50.50.5 80.01150.4570.27540.350.56250.50.5 90.01490.6140.30430.350.733800.5 100.0190.6000.61600.350.733800.5 110.82780.7410.326110.60.514.3　预测模型的建立及误差分析针对以上标准化后的数据应用人工神经网络[2]的知识结合matlab软件建立模型,并进行训练。