基于模糊神经网络的煤层瓦斯含量预测研究

基于模糊神经网络的煤层瓦斯含量预测研究陈闯模糊神经网络模型研究结果表明:模糊神经网络模型不仅能够较好地解决模糊信息难于定量表达、学习样本难于确定等问题，而且能够较准确地提取出煤层瓦斯含量与其各个影响因素之间的非线性关系。通过实例运算验证，其预测精度较神经网络模型提高了4.84%～25.79%，应用于煤层瓦斯含量预测的效果更为理想，具有良好的应用前景，可以为实施科学的矿井瓦斯管理、预防各种瓦斯事故提供理论依据。模糊神经网络模型建立来源•考虑到煤层瓦斯含量系统的复杂性、动态性、非线性以及随机不确定性，其预测模型必须不断朝着非线性、多参数方向发展•笔者以鹤煤某矿二1煤层为研究对象，在分析影响煤层瓦斯含量的各种地质因素和量化定性因素的基础上，建立模糊神经网络模型，将模糊理论与神经网络有机结合，以模糊数学作为表达与处理不精确数据、模糊信息的手段，既能处理模糊信息，完成模糊推理功能，又具有神经网络的一些特点，准确提取、捕捉煤层瓦斯含量与各个影响因素之间的非线性关系，以达到对井田内未采区域进行煤层瓦斯含量预测的目的。模糊神经网络模型的设计•变量的选取•影响瓦斯含量的主要因素有煤的变质程度、煤层埋藏深度、煤层围岩性质、地质构造、水文地质条件等•笔者选取煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比，作为预测煤层瓦斯含量的影响变量数据的模糊化及去模糊化处理方法•模糊化处理的基本原理如下:根据相应的隶属度函数将输入数据空间进行分割，并获得相应的模糊规则，依据隶属度函数的类型与个数不同，可以将输入数据划分为不同的组别。一般情况下，实测瓦斯含量数据个数均较少，并且数据简单，所以应适当增加隶属度函数的个数。笔者采用三角形和梯形的混合隶属度函数，其函数关系如图1所示。•••式中:a，b，c表示将变量区间划分为模糊子集所依据的临界值;μA1(x)，μA2(x)，A3(x)表示隶属度函数。对于数据的去模糊化处理，简单地采用最大隶属函数法，即取所有模糊规则推理结果的模糊集合中隶属度最大的元素作为输出值。此法的突出优点是计算简单。模糊神经网络整体框架的建立•模糊神经网络可分为5种类型(表1)•文中采用的是类型Ⅲ，即首先对神经网络的输入数据进行模糊化预处理，这些输入信息中包含定性知识和定量数据，以此达到输入信息模糊化的目的，然后运用BP神经网络从已知模糊数据中提取模糊规则，推理出预测结果。网络模型如图2所示。••笔者所建模型神经网络部分采用传统的基于误差反向传递的BP神经网络，因选取煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比作为影响煤层瓦斯含量的因素，所以模糊化层神经元个数为5，而去模糊化层输出值为瓦斯含量值。因此，去模糊化层神经元个数为1，而隶属度函数确定为3个，所以相应的输入层神经元个数则为15，输出层神经元个数为3。•隐层神经元个数视网络训练效果而定，其经验公式为式中:n1为隐层单元数;n为输入单元数;m为输出单元数;d为0到10之间的常数。模糊神经网络在瓦斯含量预测中的应用•数据准备笔者以鹤煤某矿为例，收集整理影响煤层瓦斯含量的相关数据，经数据可靠性分析后共获取了19个地勘钻孔瓦斯含量、9个生产期间实测的瓦斯含量，见表2。其中，前26组数据作为训练样本完成网络的拟合训练，后2组数据不参加学习训练，而作为检验样本来评价模型的预测精度。••••网络训练•设置网络最小均方误差0.001、学习率0.3、动量系数0.8、最大训练次数25000，并对网络的权值、阈值随机赋以0～1之间的初值，经过多次训练对比分析后，选定隐层节点个数为7。网络训练结束后，将训练结果与BP神经网络训练结果进行了对比分析。网络误差变化趋势图如图3、图4所示，网络模型回代结果见表5。•••••从图3可见，BP神经网络经过25步训练后达到拟合精度，网络停止训练。而从图4可见，模糊神网络达到一定训练次数后，拟合精度不再下降，当达到最大训练次数后停止训练，网络最终拟合精度为100。结合表5可知，训练后BP神经网络残差最大值为0.99，而模糊神经网络残差最大值为1.76，两者迭代误差均能满足工程实际要求，说明两者均能反映出瓦斯含量与诸影响因素之间的内在规律，但是预测模型的优劣不能仅凭拟合效果而定，还需对模型的预测能力进行进一步检验。模型检验•网络训练结束后，为了检验模型的预测性能，将检验样本代入网络，并与BP神经网络模型预测结果进行对比分析，其检验结果见表6。•从表6可知，BP神经网络对2116工作面运输巷煤层瓦斯含量预测结果偏差较大，而模糊神经网络的预测误差均控制在10%以内，基本满足精度要求，可以应用于鹤煤某矿未采区煤层瓦斯含量的预测。