2023年《安全管理》之基于人工神经网络的煤与瓦斯突出预测.docx

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开展，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）的飞速开展，基于人工神经网络的预测煤与瓦斯突出预测已经能够到达很高的预测精度，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。 （2）围岩的透气性系数。围岩的透气性系数越大，越有利于煤层中瓦斯泄漏，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，不同类型构造煤具有不同的突出危险性。 （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，孔隙外表性质和孔隙大小有关，随构造煤破坏类型的增高，△P值也增高。 （5）软分层煤厚。由下式可以看出，煤体撕裂后形成的球盖状煤壳曲率半径Ri及煤壳所对的中心角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开展时，在垂直煤层方向上有如下关系： H=2Risin (Φi） 式中 H——软分层煤厚 　　 Ri——煤壳曲率半径 　　 Φi——煤壳所对的中心角 软煤厚度越小，形成的煤壳在沿垂直煤层方向上的曲率半径及所对中心角就越小，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，该方法的提出系统地解决了多层神经元网络中隐单元层连接权的学习问题，并在数学上给出了完整的推导。采用BP算法的多层神经网络模型一般称为BP网络。多层神经网络模型的一般拓扑结构如图1所示。它由输入层、隐层和输出层组成。中间层也就是隐含层可以是一层或多层。 BP网络的学习过程由两局部组成：正向传播和反向传播。当正向传播时，输入信息从输入层经隐单元层处理后传向输出层，每一层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，那么转入反向传播，将误差信号沿原来的神经元连接通路返回。返回过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得信号误差到达允许的范围之内。 图1 多层前向BP网络 BP网络中采用了有一定阈值特性、连续可微的Sigmoid函数作为神经元的激发函数。当然其他类似的非线性函数也可选用。本文采用的Sigmoid型函数： （x）＝1/（1＋e-1） 2.2 用于煤与瓦斯突出预测的BP神经网络的构建 我们知道，影响煤与瓦斯突出的因素很多，并且，到目前为止有的影响煤与瓦斯突出的因素还没有找到。人工神经网络模型是综合了影响煤与瓦斯突出的多种因素的一种非线性煤与瓦斯突出预测模型，它尽可能多的考虑影响煤与瓦斯突出的主要因素，来综合预测煤与瓦斯突出灾害。影响煤与瓦斯突出的主要有瓦斯放散初速度，构造煤的类型，软分层煤厚，煤层瓦斯压力等因素。其算法程度如图2。 图2 人工神经网络BP算法程序 （1）输入与输出层的设计。输入层神经元由影响煤与瓦斯突出的主要因素个数决定。对于煤与瓦斯突出预测过程，这里选择5个主要影响因素（瓦斯放散初速度x1，构造煤的类型x2，软分层煤厚x3，煤层瓦斯压力x4）和围岩透气性x5作为输入：输出层由2个节点y1、y2（y1、y2的输出值为0和1）组成，其作用是给出预测的3种结果，以分别表示煤与瓦斯突出区域预测中的突出危险区、突出威胁区和无突出危险区3种情形，从而实现煤与瓦斯突出危险性评价。本软件使用vc+ +语言实现。 输入算法： for(int k=0;k OT_IN=(double)indata[loop1].input[k]； 输出层单元的算法： for( int k=0;k {inival=0.0； 　for(int m=0;m 　inival+=(W_HN_OT[k][m]xOT_HD[m]); 　inival+=CW_OT[k]; 　OT_OT[k]=sigmf(sig,inival);} （2）隐层的设计。隐层可以是一层或多层。隐层单元数与问题的要求和输入输出有直接关系。隐层单元数太多，会导致学习时间过长，隐单元数过少，容错性差。这里采用了有2个神经元的隐层。 隐层单元的算法如下： for(imt k=0;k {inival=0.0; 　for(int m=0;m 　inival+ =(W_IN_HD[k][m]xOT_IN[m]); 　inival+ =CW_HD[k]; 　OT_HD[k]=sigmf(sig,inival)}; （3）网络初始权值的选择。由于系统是非线形，初始值对于学习能否到达局部最小和收敛关系很大。这里采用较小的随机数对网络的权值（Wji）和Vkj以及偏置值θj和rk赋初值，这样可保证神经元一开始都在它们的转化函数变化最大的地方进行。 2.3 网络样本训练 网络训练的过程就是利用训练样本集，将网络学习规那么有不适应性映射为权值矩阵的修改和网络结构进化这样一个反复过程。通过对网络模型的训练，使网络捕获到蕴藏在训练样本中的突出因素与突出危险性之间的相关规律，以便用来准确预测煤与瓦斯突出地质灾害。选择样本时，应使所选择的训练样本集具有完全的代表性。 3 实例应用 利用已完成的人工神经网络预测软件对实际问题进行试验研究。选择某矿的某水平的6个区域（a1，a2，a3，a4，a5，a6）的相关突出指标原始数据和输出结果见表1。 表1 原始输入数据和神经网络的预测结果 表一 从表1中可以看出，人工神经网络的预测结果与实际突出情况完全吻合，这就说明该网络模型确实能有效地预测该矿的煤与瓦斯突出灾害。 4 结语 人工神经网络方法已经是比较成熟的非线性数学方法，在应用它进行构造预测模型时，关键的是要提高收敛速度和防止陷入局部最小值。本模型在使用了该网络的BP算法，有效地防止了系统陷入局部最小值，并尽量提高运算速度。