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MATLAB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IntensityofCoalandGasOutburstPredictionModelBasedonBPNeuralNetworkYOUXi-ming,ZHANGXue-kui,GAOSheng(SchoolofEngineeringofChinaUniversityofGeosciences（Wuhan),Wuhan430074,China)Abstract：Thecoalandgasoutburstisoneofthemainfactorsthatthreatencoalminesafety,sotheaccuratepredictionoftheintensityofcoalandgasoutburstcanpreventaccidentsandreducethelosseffectively.OntheanalysisoftheNo.5coalseaminHunanTuzhucoalminingarea,wecouldfindthekeyfactorofthecoalandgasoutburstintensityaregascontent,gaspressure,coalfirmnesscoefficient,gasinitialspeedofdiffusion.BasedontheBPneuralnetwork,weestablishedanintensityofcoalandgasoutburstpredictionmodelforTuzhucoalminingareabyMATLABsoftware.Thepredictionresultsareidenticalwithactualresults.Inconclusion,wecoulddeterminethefeasibilityofthemodel.Keywords：intensityofcoalandgasoutburstpredictionmodelBPneuralnetwork0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。自1834年法国鲁阿尔煤田“伊萨克”矿井发生了世界上有记载的第一次突出至今，发生突出的国家有中国、前苏联、法国、波兰、日本和英国等22个国家和地区。据不完全统计，煤与瓦斯突出发生的总次数已超过4万次。其中世界上最大的一次突出发生在1969年7月13日前苏联顿巴斯矿区加加林矿井，突出煤14200t，喷出瓦斯达25万m3。建国以来，我国煤矿发生的特大、重大人身伤亡事故中瓦斯灾害占90%以上。据保守统计，仅2002年，全国煤矿发生死亡事故4344起，死亡6995人。所以，做好煤与瓦斯突出强度预测工作，对防治煤与瓦斯突出灾害具有重大意义。目前，我国预测煤与瓦斯突出的方法主要有定性的比较分析，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，但是这些方法不能够综合各个影响因素的作用，不能比较精确的预测煤与瓦斯突出的强度，存在比较大的误差。煤与瓦斯突出灾害的发生受到多种复杂因素的共同影响，而且它们之间存在复杂的非线性关系。BP神经网络具有很强的非线性逼近能力，擅长处理输入与输出元素存在复杂的多元非线性关系的问题。我们利用MATLAB大型工程软件，以湖南土朱矿5煤层以往18次发生煤与瓦斯突出的数据为基础，建立BP神经网络预测模型。通过对数据的预测分析，确定了模型的可行性，为煤与瓦斯突出强度的预测提供参考依据。1土朱矿煤与瓦斯突出强度的主要影响因素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）、高压瓦斯（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。根据国家安全生产监督管理句颁布的《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三个单项指标，结合土朱矿的实际数据分析情况，我们将影响土朱矿煤与瓦斯突出强度的主要因素总结为：煤层瓦斯含量（m3/t）,瓦斯压力（MPa），煤的坚固系数f，瓦斯放散初速度△p（m/s）。表1土朱矿煤与瓦斯突出原始数据Table1TheoriginaldataofcoalandgasoutburstinTuzhucoalminingarea序号煤层瓦斯含量（m3/t）瓦斯压力（MPa）煤的坚固系数f瓦斯放散初速度△p（m/s）突出强度（t）19.711.520.1839120212.940.960.23720.1310.251.150.143110648.961.200.53817.2510.342.710.4417147.368.173.860.2130148.879.231.540.3624149.189.031.520.3010100.399.781.630.21987.51013.10.980.302432.5119.822.660.3136148.4129.011.220.341565139.462.000.5216119.3148.691.450.2213135.21511.381.270.3311251610.651.820.401381.3179.401.740.2830147.4189.351.010.241869.12BP神经网络基本原理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。网络功能主要由神经节决定，可以通过改变连接点的权重来训练神经网络完成特定的功能。神经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它对样本数据总结出来的规律和函数关系产生一定的输出。这个过程既不是简单的对样本数据进行插值运算或拟合运算，它是一种高度智能化的运算。BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，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。它的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。BP神经网络模型拓扑结构包括输入层（inputlayer）、隐层（hidelayer）和输出层（outputlayer）。3基于BP神经网络的煤与瓦斯突出强度预测模型研究主要过程为：基于BP神经网络算法模拟煤与瓦斯突出过程；根据各种相互关联的影响因素确定模型的输入层、输出层变量；网络样本的训练，然后验证模型的预测结果的准确性。3.1爆破振动模型的建立3.1.1网络结构BP网络一般而言有三层结构，即输入层、隐含层和输出层。BP网络结构示意图（图1）从左到右依次为输入层、隐含层、输出层。图1BP网络结构示意图Fig.1Structureofnetworkmodel（1）输入层和输出层。煤与瓦斯突出过程中关键的影响因素主要是煤层瓦斯含量,瓦斯压力，煤的坚固系数f，瓦斯放散初速度△p，这四项可以作为输入层的节点，通过这四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）隐含层结构。首先，隐含层结构确定包括隐含层层数确定与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，隐含层层数取为一层，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。若数量太少，则网络所能获取的用以解决问题的信息太少；但是隐含层节点过多还可能出现所谓“过渡吻合”问题。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，应选用较少的隐层节点数，以使网络结构尽量简单。论文根据隐含层节点数经验公式，采用多次试凑的方法，以输出误差达到最小为试凑目标，综合考虑最终确定隐含层节点个数为10个。所用隐含层节点数经验公式为：amnn1式中：n为输入层节点个数，m为输出层节点个数，a为常数，取值范围为1～10。综上所述，该爆破强度模型结构设定为三层的4—10—1结构。3.1.2BP网络学习算法步骤（1）样本选择和归一化处理。统计土朱矿历年发生煤与瓦斯突出的数据资料，一共有18个样本，我们分为两组，1~10号样本为训练样本，11~18号样本为测试样本。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。（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kiw、jkw。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kivjkv。训练过程中，计算机会对这四个变量进行调整。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1f，输出层的传递函数为2f。则隐含层节点的输出为（将阈值写入求和项中）：niikikxvfz01k=1,2,……q输出层节点的输出为：qkkjkjzwfy02j=1,2,……n1f=2f=)(tanxsig]1,1[)(tanxsig。传递函数1f、2f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，阀值进行修正，最终得到一个最小的误差。由输出值与实际值计算均方误差，样本全局误差为:2111njpjpjqpytqE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。3.2BP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三层结构模型。根据三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。函数学习函数选为learngd函数,。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Fig.2Trendmapoferrorvariancewithtraintimes3.2.2网络模型的预测结果及其验证（1）网络模型的预测结果。利用上面已经建立的BP神经网络，进行预测，即：将归一化样本数据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。经过合理优化网络结构后的网络预测结果见表2。表2BP网络预测结果与实际情况比较表Table2ThecomparisonofBPnetworkpredictionresultsandactualresults序号煤层瓦斯含量（m3/t）瓦斯压力（MPa）煤的坚固系数f瓦斯放散初速度△p（m/s）实际突出强度（t）预测突出强度（t）119.822.660.3136148.4146.08129.011.220.3415656