煤与瓦斯突出强度BP神经网络预测模型

1 煤与瓦斯突出强度BP神经网络预测模型 周青青1 (1贵州大学 矿业学院，贵州 贵阳 550004) 摘 要：煤与瓦斯突出的预测是煤矿安全工作的主要工作之一。本文通过确定开采深度、瓦斯压力、瓦斯放散初速度、煤的坚硬系数、地质破坏程度为影响煤与瓦斯突出的主要因素，利用MATLAB软件，基于BP神经网络，建立煤与瓦斯突出的预测模型，对瓦斯矿井的工作面和区域进行突出危险性预测。根据本文计算结果与实际检验，确定了预测模型在煤矿瓦斯突出预测方面有一定的准确性，是可行的。 关键词: 煤矿瓦斯突出; BP神经网络;预测模型

Coal and gas outburst intensity BP neural network prediction model Zhou Qingqing1 (1.Mining college, Guizhou University, Guiyang 550004)

Abstract：Coal and gas outburst prediction of coal mine safety is one of the main jobs of the work. This article through the sure mining depth, gas pressure, gas radiation initial velocity, coal's hard coefficient, geological damage effect for coal and gas outburst of the main factors, using MATLAB software, based on the BP neural network, the establishment of coal and gas outburst prediction model for gas mine working face and area of prominent risk prediction. In this paper the calculation results and the actual test, determine the prediction model in coal mine gas outburst prediction has a certain accuracy, is feasible. Key words：Coal mine gas outburst;BP neural network;prediction model 前言 煤与瓦斯突出是煤矿生产建设中的主要灾害，严重制约了煤矿生产并威胁着矿下工作者的生命安全。研究表明，它是一种复杂的瓦斯动力灾害现象，突发性和破坏性极强，并表现出极强的非线性。因此，做好煤与瓦斯突出强度预测工作，对防治煤矿瓦斯突出灾害具有重大意义。目前，我国预测煤矿瓦斯突出的方法主要是定性的比较分析、综合评价方法、电磁辐射预测突出、微震技术预测突出和线性回归分析法。但这些方法不能够综合各个影响因素的作用，不能比较精确地预测煤矿瓦斯突出的强度，存在较大的误差。本文借助了人工神经网络原理，基于BP神经网络建立了矿井的煤与瓦斯突出预测模型，对瓦斯矿井的工作面和区域进行了突出危险性预测，从而为预测和防治煤与瓦斯突出提供一条新的途径。 1. 煤与瓦斯突出主要因素的确立 我国大多数研究者认为，煤与瓦斯突出是地压（构造、采掘集中、上覆岩层）、高斯瓦斯（压力、含量、解吸特性）和煤体物理力学性质（透气性、强度）等三因素综合作用的结果，是聚集在围岩和煤体中大量潜能的高速释放[1]。根据国家安全生产监督管理局颁布的《煤与瓦斯突出矿井鉴定规范》中规定的判定煤层突出危险性的3个单项指标，结合我国典型突出矿井的实际数据分析情况，将影响我国煤矿煤与瓦斯突出强度的主要影响因素总结为：开采深度H（m）、瓦斯压力P(MPa)、瓦斯放散初速度△P(Pa)、煤的坚固性系数F、地质破坏程度D[2]。 2 BP神经网络 神经网络是单个并行处理元素的集合，神经网络是单个并行处理元素的集合，实际上是由大量简单元件相互连结而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统[3]。神经2

网络的实际工作过程是用户在输入层输入需要的参数后，网络的隐含层自动根据其对样本数据总结出来的规律和函数关系产生一定的输出。是一种高度智能化的运算。 BP网络是一种具有三层或三层以上的阶层型神经网络，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP 网络能学习和贮存大量的输入－输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。其学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小[4] [5]。BP神经网络（图1）从左到右依次为输入层、隐含层、输出层。

图1 三层BP网络模型 3 煤与瓦斯突出强度预测模型 3.1 煤与瓦斯突出模型的建立 3.1.1 网络结构 预测模型的建立依赖于要解决的实际问题，根据实际问题中输入量和输出量的个数，可以确定BP神经网络的结构。BP网络一般而言有3层结构，即输入层、隐含层和输出层。 （1）输入层和输出层 煤与瓦斯突出本身是一个复杂的动力学过程，影响因素很多，但是过多的输入参量只会使网络收敛速度下降。因此本文结合实际仅选取以下五个参量作为突出预测的输入参量：开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固系数和地质破坏程度为输入层的节点，通过这5个因素来预测煤与瓦斯突出强度；输出层节点为突出强度。 （2）隐含层 在BP神经网络模型中，输入节点和输出节点的多少根据问题的性质来确定，主要是隐含层层数与隐含层节点的选取。首先，隐含层结构确定隐含层层数确定于隐含层节点单元数确定两部分。由于输入层和输出层都较简单，隐含层层数为一层，这样就能实现需要的映射也有利于提高网络运算速度和预测精度。其次，隐含层节点数的多少关系到整个网络的性能。隐含层确定一般原则是：在能正确反映输入输出关系的基础上，应选用较少的隐含层节点数，以使网络结构尽量简单。一般的三层网络中，隐含层神经元个数p和输入层神经元n之间有以下近似关系：

由此，我们设计的煤与瓦斯突出的BP神经网络预测模型可以采取5输入—11隐含—1输出的三层神经网络模型，其中由输入层到隐含层的传递函数和隐含层到输出层的传递函数均为S型对数函数[6]。 3.1.2 BP网络学习算法步骤 （1）样本选择和归一化处理 选取国内18个典型突出矿井五个参数的实测数据资料，分为2组，1-10号样本为训练样本，11-18号样本为测试样本（表1）。为降低不同输入变量间的数量级差异，增加网络权重和阈值3

对各输入数值变化的灵敏度，需要对样本数据进行归一化处理，把样本数据整合到[0,1]这个区间中来，训练结束后，再将输出结果反归一化映射到原数据范围内[7]。 表1 典型煤与瓦斯突出矿井突出强度与影响因素数据统计

序号 开采深度H/m 瓦斯压力P/MPa 放散速度△P/Pa 地质构造D 坚固系数F 突出强度/t 1 428 1.52 5199.6 3 0.18 120.0 2 460 0.96 933.3 1 0.23 20.1 3 395 1.15 4132.9 1 0.14 106.0 4 477 1.20 1766.6 2 0.53 17.2 5 510 2.71 2266.5 4 0.44 147.3 6 425 3.86 3999.7 3 0.21 148.8 7 462 1.54 3199.7 3 0.36 149.1 8 552 1.52 1333.2 3 0.30 100.3 9 445 1.63 1199.9 5 0.21 87.5 10 455 0.98 3199.7 3 0.30 32.5 11 745 2.66 4799.6 3 0.31 148.4 12 426 1.22 1999.8 3 0.34 65.0 13 442 2.00 2133.2 5 0.52 119.3 14 543 1.45 1733.2 5 0.22 135.2 15 620 1.27 1466.5 3 0.33 25.0 16 662 1.82 1733.2 3 0.40 81.3 17 485 1.74 3999.7 5 0.28 147.4 18 578 1.01 2399.8 4 0.24 69.1 （2）确定网络初始值 从总体来看，权值是随着训练的进行而更新的，并且一般是收敛的。输入层与隐含层之间、隐含层与输出层之间第j 次迭代的权值分别为wki，wjk 。输入层与隐含层之间、隐含层与输出层之间第j 次迭代的阈值分别vki，vjk 。训练过程中，计算机会对这5 个变量进行调整[8]。所训练的模型参数设定为: 最大训练次数1500 次，学习率0. 05，要求精度0. 001。 (3) BP 网络算法的向前计算 即正向传播，过程为: 输入层→隐含层→输出层; 正向传播的隐含层的传递函数为f1，输出层的传递函数为f2。 则隐含层节点的输出为( 将阈值写入求和项中) : 4

输出层节点的输出为: 传递函数f1，f2连续可微、单调递增。此时，BP 网络就完成了m 维空间向量对n 维空间的近似映射。 ( 4) 反向传播即误差计算，当正向传播所得输出值不能满足目标函数的误差要求时，数据沿原路线相反的方向传递，同时对各层之间的权值，阈值进行修正，最终得到一个最小的误差[9]。由输出值与实际值计算均方误差，样本全局误差为: 至此，网络的结构和计算过程就基本确定下来了，上述计算步骤均通过MATLAB 软件予以实现。 3.2 BP网络训练和验证 3.2.1 网络训练 在已经确定的网络结构的基础上，选取合适的传输函数和学习函数，来实现网络模型训练。本文中网络模型为典型的3层结构模型。根据3层网络结构模型选取传输函数与学习函数的一般规律，输入层到隐含层、隐含层到输出层的传输函数均选为tansig、学习函数选为learngd函数[10]。 通过对样本进行1500次的学习之后，训练结果如图2所示，预测模型的误差接近于预先设定值0.001，能够满足要求。

图2 网络训练误差曲线 3.2.2 网络模型的预测结果及其验证 利用上面已经建立的BP神经网络，进行预测，即：将归一化样本数，利用仿真函数进行仿真预测得到一个输出，并对该输出进行反归一化，得到突出强度的预测值[11]。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，通过对比分析可看出，训练预测输出与实际情况间最大误差是-18.99%、最小误差仅0.067%，除个别样本，其余的预测值都能高度逼近实测值，能够反映出煤与瓦斯突出的实际情况，符合生产要求。