基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析

劉錦偉，　謝雄剛,3，　方井

(1.貴州大學(xué) 礦業(yè)學(xué)院， 貴州 貴陽　550025； 2.貴州大學(xué) 復(fù)雜地質(zhì)礦山開采安全技術(shù)工程中心，

貴州 貴陽　550025； 3.貴州大學(xué) 貴州省優(yōu)勢礦產(chǎn)資源高效利用工程實驗室， 貴州 貴陽　550025)

?

基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析

劉錦偉1,2，謝雄剛1,2,3，方井1,2

(1.貴州大學(xué) 礦業(yè)學(xué)院， 貴州 貴陽550025； 2.貴州大學(xué) 復(fù)雜地質(zhì)礦山開采安全技術(shù)工程中心，

貴州 貴陽550025； 3.貴州大學(xué) 貴州省優(yōu)勢礦產(chǎn)資源高效利用工程實驗室， 貴州 貴陽550025)

摘要：為了提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測煤層注水效果的精度，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立了遺傳算法-BP神經(jīng)網(wǎng)絡(luò)模型，并采用該模型對煤層注水濕潤半徑進行模擬預(yù)測。Matlab模擬結(jié)果表明，遺傳算法-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果比BP神經(jīng)網(wǎng)絡(luò)模型更準(zhǔn)確，平均相對誤差降低了40.29%，訓(xùn)練步數(shù)減少了1 665步，收斂速度快，穩(wěn)定性好。

關(guān)鍵詞：煤層注水； BP神經(jīng)網(wǎng)絡(luò)； 遺傳算法-BP神經(jīng)網(wǎng)絡(luò)模型； 濕潤半徑

0引言

煤層注水能有效防治礦井粉塵、煤與瓦斯突出、沖擊地壓等災(zāi)害。加強煤層注水效果的科學(xué)分析，了解不同注水參數(shù)的煤層注水效果，對煤層注水工藝參數(shù)的選擇有一定的指導(dǎo)意義。目前，煤層注水效果一般采用神經(jīng)網(wǎng)絡(luò)、回歸分析和模糊聚類等方法進行預(yù)測，主要通過數(shù)據(jù)收集和參數(shù)選取來建立數(shù)學(xué)模型，進而進行模擬預(yù)測。對于地質(zhì)因素變化大的煤層，上述方法所建數(shù)學(xué)模型的預(yù)測精度具有一定局限性[1]。顧新宇等[2]利用有限元方法，通過ADINA數(shù)值模擬軟件模擬分析了煤層注水效果，取得了較好的效果，但實驗是在理想條件下進行的，與實際情況有差別。祖海軍[3]利用FLUENT數(shù)值模擬軟件對煤層注水濕潤半徑進行了研究，通過與實測數(shù)據(jù)比較，驗證了該方法效果較好。施偉等[4]利用BP神經(jīng)網(wǎng)絡(luò)模擬分析了煤層注水效果，驗證了BP神經(jīng)網(wǎng)絡(luò)在煤層注水效果預(yù)測方面有一定的應(yīng)用價值。但BP神經(jīng)網(wǎng)絡(luò)極易陷入局部最小值，因此，本文采用遺傳算法(Genetic Algorithm，GA)[5-7]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值及閾值，以提高BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，并將建立的GA-BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于煤層注水效果預(yù)測中。

1GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)原理

GA基本原理是根據(jù)選擇的適應(yīng)度函數(shù)，對編碼形成的染色體個體進行評價，選擇適應(yīng)度高的個體參加交叉和變異操作，經(jīng)遺傳操作后的個體集合形成新的種群來進行下一輪遺傳操作。循環(huán)該過程，最終產(chǎn)生代表問題最優(yōu)的染色體，經(jīng)反編碼得到優(yōu)化的網(wǎng)絡(luò)權(quán)值和閾值[8-9]。

GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程主要包括確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值及BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出3個部分，如圖1所示。通過輸入向量和輸出向量確定BP神經(jīng)網(wǎng)絡(luò)的層數(shù)和節(jié)點數(shù)，進而確定GA個體編碼的長度。種群中的每個個體都記錄了BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值，每訓(xùn)練一次，權(quán)值和閾值就會更新一次，這樣多次操作即可得到最優(yōu)的權(quán)值和閾值，最后采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測[10]。

圖1　GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)流程

2GA-BP神經(jīng)網(wǎng)絡(luò)模型的建立

決定煤層注水效果的關(guān)鍵是煤層注水參數(shù)的合理選擇。根據(jù)煤層注水相關(guān)理論[11]，確定影響煤層注水效果的因素包括煤層的孔隙率、煤層傾角、煤層厚度、注水壓力、注水流量、注水量、注水時間。從不同礦區(qū)、不同采區(qū)、不同煤層的注水資料[12]中篩選23組樣本進行煤層注水效果模擬分析。GA-BP神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)見表1。

2.1BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)的確定

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)理論，一般情況下采用單隱含層即可得到比較理想的結(jié)果[13]。本文中預(yù)測數(shù)據(jù)相對簡單，因此選用單隱含層的3層神經(jīng)網(wǎng)絡(luò)。根據(jù)影響煤層注水濕潤半徑的影響因素，確定BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)為7個，隱含層節(jié)點數(shù)為15個，輸出層節(jié)點數(shù)為1個。采用Matlab7.0中神經(jīng)網(wǎng)絡(luò)工具箱的newff函數(shù)創(chuàng)建BP訓(xùn)練網(wǎng)絡(luò)，輸入層到隱含層的傳遞函數(shù)和隱含層到輸出層的傳遞函數(shù)分別為S型的正切函數(shù)(tansig)和線性傳遞函數(shù)(purelin)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2.2輸入、輸出數(shù)據(jù)預(yù)處理及參數(shù)設(shè)置

為了加快BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，減小模擬過程中的誤差，需對BP神經(jīng)網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)進行預(yù)處理。采用premnmx函數(shù)對輸入向量p和目標(biāo)向量t進行歸一化處理，格式為[pn, minp,maxp,tn,mint,maxt] =premnmx(p,t)(其中pn，tn分別為歸一化的輸入向量和目標(biāo)向量)，將每組數(shù)據(jù)量化到[-1,1]內(nèi)。網(wǎng)絡(luò)訓(xùn)練采用歸一化數(shù)據(jù)。訓(xùn)練結(jié)束后，采用postmnmx函數(shù)將結(jié)果還原為最初目標(biāo)所用的單位。

訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)：學(xué)習(xí)率為0.02，最大訓(xùn)練次數(shù)為10 000，訓(xùn)練要求精度為0.000 1。

2.3GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)

目前，基于Matlab的GA工具箱主要有GATBX，GAOT，GADS等，其中GADS為Matlab7.0自帶的工具箱。可通過Matlab編程、Matlab函數(shù)調(diào)用、Matlab工具箱實現(xiàn)GA。本文選用GATBX工具箱，通過Matlab7.0編程來實現(xiàn)GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用GA優(yōu)化的網(wǎng)絡(luò)權(quán)值和閾值，采用二進制編碼方案。設(shè)定初始種群規(guī)模為40，進化次數(shù)為50次，交叉概率為0.8，變異概率為0.2，網(wǎng)絡(luò)總誤差為0.000 1。將得到的最優(yōu)個體解碼作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。適應(yīng)度函數(shù)為gabpeval，編解碼子函數(shù)為gadecod。

表1　GA-BP神經(jīng)網(wǎng)絡(luò)模型樣本數(shù)據(jù)

注：21—23組樣本為測試樣本。

圖2　BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

模擬訓(xùn)練結(jié)束后，選取3組數(shù)據(jù)作為測試樣本，預(yù)測煤層注水濕潤半徑，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比，結(jié)果見表2。GA優(yōu)化過程中最優(yōu)個體適應(yīng)度變化曲線如圖3所示，BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖4所示。

表2　BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果比較

圖3　最優(yōu)個體適應(yīng)度變化曲線

(a) BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

(b) GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

從表2可看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的平均相對誤差為3.4%，而GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測值的平均相對誤差為2.03%，較BP神經(jīng)網(wǎng)絡(luò)降低了40.29%。從圖3可看出，GA優(yōu)化過程中最優(yōu)個體適應(yīng)度呈階梯式下降趨勢，其值由最初的0.132下降到0.107 5，且遺傳代數(shù)為37代時最優(yōu)個體適應(yīng)度達到穩(wěn)定。從圖4可看出，BP神經(jīng)網(wǎng)絡(luò)方法循環(huán)到8 762步才收斂于目標(biāo)誤差值，而GA-BP神經(jīng)網(wǎng)絡(luò)方法于6 097步左右即可達到0.000 099 995 7的學(xué)習(xí)精度，且網(wǎng)絡(luò)趨于穩(wěn)定。

3結(jié)論

(1) 模擬預(yù)測結(jié)果證明GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的方法能夠較好地解決BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的問題，增強網(wǎng)絡(luò)的智能搜索能力。

(2) 通過煤層注水濕潤半徑預(yù)測實例可看出，GA-BP神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)的預(yù)測平均相對誤差降低了40.29%，精度更高，收斂速度快。

(3) 由于GA在迭代過程中所需時間較長，導(dǎo)致預(yù)測實時性不高，有待改進。

參考文獻：

[1]李麗麗.煤層注水效果分析的仿真研究[J].計算機仿真, 2012，29(4):234-237.

[2]顧新宇,馬尚權(quán),陳開巖,等.有限元方法模擬分析煤層注水效果[J].煤炭技術(shù),2010,29(6):106-108.

[3]祖海軍.基于FLUENT的煤層注水濕潤半徑模擬研究[J].煤炭與化工,2014,37(1):124-127.

[4]施偉,劉建輝,秦書玉.基于BP網(wǎng)絡(luò)的煤層注水效果的預(yù)測[J].計算機仿真,2009,26(3):172-174.

[5]胡錦宏.基于遺傳神經(jīng)網(wǎng)絡(luò)的煤層氣含量預(yù)測[J].綠色科技, 2015(2):260-263.

[6]吉振光.基于遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)模型在鄰近層瓦斯涌出量預(yù)測中的應(yīng)用[J].煤礦安全, 2011,42(7):36-38.

[7]劉奕君,趙強,郝文利.基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測研究[J].礦業(yè)安全與環(huán)保，2015，42(2):56-60．

[8]陳俊杰,王明遠.基于遺傳算法的拐點偏移距神經(jīng)網(wǎng)絡(luò)預(yù)測模型構(gòu)建及分析[J].中國地質(zhì)災(zāi)害與防治學(xué)報,2015,26(2):142-147.

[9]雷英杰，張善文.MATLAB遺傳算法工具箱及其應(yīng)用[M].西安:西安電子科技大學(xué)出版社，2005:8-9.

[10]張紅鴿,張釗,張偉.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測上覆巖層破壞范圍[J].煤礦安全, 2012，43(4):15-17.

[11]金龍哲,李晉平,孫玉福,等.礦井粉塵防治理論[M].北京:科學(xué)出版社，2010:67-71.

[12]秦書玉，張永吉，田利軍，等.煤礦安全數(shù)學(xué)分析與預(yù)測[M].北京：煤炭工業(yè)出版社，2002:271.

[13]寧齊元,劉祖德,游曦鳴，等.基于BP神經(jīng)網(wǎng)絡(luò)煤與瓦斯突出強度預(yù)測模型[J].煤礦開采,2012,16(6):19-20.

經(jīng)驗交流

劉錦偉，謝雄剛，方井.基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤層注水效果分析[J].工礦自動化，2016,42(1)：48-51.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20151231.1558.014.html

Effect analysis of coal seam water infusion based on genetic algorithm-BP neural network

LIU Jinwei1,2,XIE Xionggang1,2，3,FANG Jing1,2

(1.Mining College, Guizhou University, Guiyang 550025, China; 2.Engineering Center for Safe

Mining Technology under Complex Geologic Conditions, Guizhou University, Guiyang 550025,

China; 3.Guizhou Engineering Lab of Mineral Resources, Guizhou University, Guiyang 550025, China)

Abstract:In order to improve prediction accuracy of coal seam water infusion effect by using BP neural network, genetic algorithm was used to optimize weight value and threshold value of BP neural network. Genetic algorithm-BP neural network model was built and used to predict wetting radius of coal seam water infusion. The Matlab simulation result shows that the genetic algorithm-BP neural network model has more accurate prediction result than BP neural network model, average relative error of the genetic algorithm-BP neural network model is reduced by 40.29%, training steps are reduced by 1 665 steps, convergence speed is fast and stability is good.

Key words:coal seam water infusion; BP neural network; genetic algorithm-BP neural network model; wetting radius

作者簡介：劉錦偉(1990-)，男，甘肅慶陽人，碩士研究生，研究方向為礦山安全與災(zāi)害防治，E-mail:276904359@qq.com。

基金項目：國家自然科學(xué)基金資助項目(51264004)。

收稿日期：2015-11-03；修回日期：2015-12-01；責(zé)任編輯：李明。

中圖分類號：TD67

文獻標(biāo)志碼：A網(wǎng)絡(luò)出版時間：2015-12-31 15:58

文章編號：1671-251X(2016)01-0048-04DOI:10.13272/j.issn.1671-251x.2016.01.014