基于BP神經網絡灰色關聯分析的煤與瓦斯突出危險性預測

李守國

(1.煤科集團沈陽研究院有限公司；2.煤礦安全技術國家重點實驗室；3.遼寧工程技術大學安全科學與工程學院)

?

基于BP神經網絡灰色關聯分析的煤與瓦斯突出危險性預測

李守國1,2,3

(1.煤科集團沈陽研究院有限公司；2.煤礦安全技術國家重點實驗室；3.遼寧工程技術大學安全科學與工程學院)

摘要基于BP神經網絡理論和灰色關聯分析，建立了煤與瓦斯突出危險性預測模型，使用數學軟件MATLAB7.0，對收集資料的煤層進行了突出危險程度預測，預測結果與礦井實際情況相符。表明灰色關聯BP神經網絡模型對煤與瓦斯突出危險性預測準確性高，具有較高的實用性。

關鍵詞BP神經網絡煤與瓦斯突出灰色關聯分析預測

我國是能源消耗大國，一次能源消耗中煤炭約占70%，煤炭在經濟快速增長中起著重要的作用。我國對煤礦的開采強度一直在增加，煤巖體動力災害也隨著礦井開采深度和強度明顯增加[1]，造成了很大的人員傷亡和巨大的經濟損失。因此，煤與瓦斯突出危險性預測在今后相當一段時間內對煤礦安全生產意義重大。目前煤與瓦斯突出預測方法有拓聚類法、綜合評價法和線性回歸分析法。當地質條件復雜時，這些方法不能夠完全綜合各個影響因素的作用，影響預測結果。BP神經網絡[2-5]在處理輸入與輸出元素復雜多元非線性關系方面顯示出巨大的優勢，具有很強的非線性逼近能力，能給出比較客觀的預測結果。

MATLAB軟件具有強大數據處理功能，豐富的神經網絡模型幾乎都被覆蓋。而BP模型研究應用最多的人工神經網絡(ANN)模型，采用誤差反饋的學習算法，其核心：由學習正向傳播和誤差反向反饋組成。

神經網絡模型拓撲結構由輸入層、隱含層和輸出層3個層次組成，采用梯度收縮技術，用迭代運算求解權，隱含節點的加入使得可調參數增加，逼近精確值。從輸入層傳向隱含層，由隱含層再傳向輸出層，獲得實際輸出值。當輸出層結果誤差大于誤差容許范圍時，則會反向傳播，通過修改神經節點的權值，實現期望輸出和實際輸出的均方差最小化，使結果滿足要求。因為Sigmoid函數在線性和非線性行為之間顯現較好的平衡，確定為隱含層的激活函數。結構圖如圖1所示。

圖1　三層網絡結構的誤差反向傳播示意

1影響因素的灰色關聯分析

由于影響因數眾多，計算量大，導致結果的準確度下降，所以只選擇其中的關鍵因數考慮。根據灰色理論[6-7]的關聯度分析，對影響煤與瓦斯突出強度的因數[8-10]做定量比較，用其與BP神經網絡結合，評價各影響因素的重要度，從而選擇對突出影響較大的參量輸入。

(1)選取系統行為的數據序列和影響系統行為的影響因素序列，考慮m個因數：

(1)

M1為序列算子,且

(2)

(2)對數據做均值化處理，使其無量綱化:

(3)

(3)序列初值像。

(4)

(4)差序列。

(5)

(5)兩極最大差和最小差。

(6)

(6)關聯系數計算。

(7)

(8)

式中，μ為分辨系數，其取值影響關聯系數的大小。

依據《煤與瓦斯突出礦井鑒定規范》中判定煤層突出危險性的3個必要指標，結合灰色關聯分析，確定影響煤與瓦斯突出強度的主要因素有:斷層、瓦斯壓力、煤的破壞類型、煤的堅固性系數f、瓦斯放散初速度、開采深度H、煤層瓦斯含量。

2BP神經網絡煤與瓦斯突出危險性預測模型的建立

建立網絡結構[11-13]時需要考慮以下主要因素：神經網絡層數、神經元個數、神經網絡輸入初始值的選擇、學習速率以及期望誤差。

選取原則：優先考慮輸入層向量對輸出目標影響較大的變量，變量之間影響最小，輸出值能滿足預測要求。

2.1網絡層數

增加層數可以降低誤差，提高精度，但同時增加了網絡的復雜度，學習訓練時間加大;增加神經元數可以提高精度，滿足要求，一般情況下優先增隱含層的神經元數目。本次采用單隱含層的三層BP網絡模型模擬瓦斯突出的危險性。

2.2輸入層、隱含層輸出層神經元個數

輸入層神經元數與影響瓦斯突出的因素的個數相對應[14-15]。鑒于灰色關聯度分析煤與瓦斯突出的因素，輸入神經元個數n=7，輸出變量神經元個數m=2。

由于對于隱含層神經元數量理論上沒有統一的規定，所以依據經驗公式篩選，經過學習訓練，淘汰不滿足要求的，確定神經元個數。通常確定隱含層神經元個數的經驗公式有：

(9)

式中，n為輸入層節點個數;m為輸出層節點個數;a為常數，取a=1。

本文采用從最小隱含節點數4開始檢驗，直到最大隱含節點數28，將不起作用的隱含神經元去掉，最終確定隱含層神經元個數為13。設定預測模型結構為3層的7-13-2結構。

2.3初始值的選擇

經典的BP網絡中神經元常采用S形函數作為激活函數，其輸出值均為正值且為[0,1]，常用雙曲正切函數來代替，輸出值可正可負，為[-1,1]。所以初始值和閾值選為[-1,1]。

2.4學習速率

學習速率決定在每一次循環訓練中所產生的權值變化量。學習速率過大會導致整個系統不穩定，過小又會導致訓練時間長，收斂速度慢，但卻能保證誤差在最小值之內，無限接近最小誤差值。一般傾向于較小的學習速率，為[0.01,0.8]。綜合考慮，學習速率選擇為0.4。

2.5期望誤差

鑒于最優期望誤差值依據檢測樣本誤差來選擇，本文的期望誤差為1×10-4。

2.6隱含層和輸出層的各節點輸出

從輸入層到隱含層節點突出的權值矩陣表示為η，隱含層到輸出層節點突出的權值向量用w表示。ηij(n)則表示本次輸入層神經元j到輸出層神經元i的連接權值，本次學習的修正量為Δηij(n)；wij(n)表示隱含層神經元j到輸出層神經元i的連接權值，該權值學習的修正量為Δwij(n)。正向傳播的隱含層的傳遞函數為ηj(n)，輸出層的傳遞函數為ηi(n)。

隱含層神經元j節點輸出為：

(10)

對于輸出神經元i節點輸入為：

(11)

調整隱含層和輸出層節點權值和閾值

(12)

3網絡訓練和驗證

選取5個典型突出礦井7個參數的實測數據(見表1)，作為神經網絡模型學習的樣本集進行預測。當訓練次數達到1876次時，數據方差最小，均方誤差為9.724×10-5。訓練結束，達到目標要求，各層節點間的權值見表2～表5。

表1　樣本煤樣參數

表2　輸入層與隱含層連接權值

表3　隱含層與輸出層連接權值

表4　輸出層閾值

預測結果顯示，2#，3#煤層的突出危險性較大，1#，4#，5#煤層突出危險性較小，都有突出的危險性,與實際情況相吻合。

表5　BP神經網絡煤與瓦斯突出預測結果

4結語

基于灰色關聯分析BP神經網絡的煤與瓦斯突出危險性的預測方法計算簡單、預測精度高。在瓦斯涌出量、自然發火、煤層地板突出等方面預測也可以應用，也可以推廣到其他的有關預測領域。

參考文獻

[1]李希健，徐明智．近年我國煤與瓦斯突出事故統計分析及其防治措施[J]．礦山機械，2010，38(10)：13-14.

[2]郭德勇，鄭茂杰，郭超，等．煤與瓦斯突出預測可拓聚類方法及應用[J]．煤炭學報，2009，34(6)：783-787.

[3]郭德勇，李念友，裴大文，等．煤與瓦斯突出預測灰色理論-神經網絡方法[J]．北京科技大學學報，2007(4)：354-357.

[4]蘇文叔．利用瓦斯涌出動態指標預測煤與瓦斯突出[J]．煤炭工程師，1996(5)：2-7.

[5]朱紅青，常文杰，張彬．回采工作面瓦斯涌出BP神經網絡分源預測模型及應用[J]．煤炭學報，2007，32(5)：504-508.

[6]傅立．灰色系統理論及其應用[J]．北京：科學技術文獻出版社，1992.

[7]伍愛友，肖紅飛，王從陸，等．煤與瓦斯突出控制因素加權灰色關聯模型的建立與應用[J]．煤炭學報，2005，30(1)：58-62.

[8]汪長明，陳國紅，張軍，等．影響采煤工作面煤與瓦斯突出的主控因素及其重要性排序[J]．煤礦安全，2008(10)：82-86.

[9]倪宏革．煤體結構與瓦斯突出關系淺析[J]．山東煤炭科技，2008(3)：96-97.

[10]寧齊元，劉祖德，游曦鳴，等．基于BP神經網絡煤與瓦斯突出強度預測模型[J]．煤礦開采，2011，16(6)：19-21.

[11]劉勇，江成玉．基于BP神經網絡的煤與瓦斯突出危險性的預測研究[J]．潔凈煤技術，2011，17(1)：97-100.

[12]姜鳳霞．基于BP神經網絡的城市擴張動態模擬和預測[D]．青島：山東科技大學，2008.

[13]叢爽．面向MATLAB工具箱的神經網絡理論與應用[M]．合肥：中國科技大學出版社，2003.

[14]張代遠．神經網絡新理論與方法[M]．北京：清華大學出版社，2006.

[15]任浩源．BP神經網絡在煤與瓦斯突出危險性預測中的應用研究[D]．西安：西安科技大學，2012.

[16]國家安全生產監督總局．AQ 1080—2009煤的瓦斯放散初速度指標(ΔP)測定方法[S]．北京：煤炭工業出版社，2009.

(收稿日期2015-10-09)

Dangerous Prediction of Coal and Gas Outburst Based on BP Neural Network and Grey Relational Analysis Method

Li Shouguo1,2,3

(1. CCTEG Shenyang Research Institute; 2. State Key Laboratory of Coal Mine Safety Technology;3. School of Safety Science and Engineering Liaoning Technical University)

AbstractBased on the theory of BP neural network and grey relational analysis method, the prediction model of coal and gas outburst is constructed. The MATLAB 7.0 mathematical software is adopted to conduct prediction of the dangerous degree of coal and gas outburst. The prediction of the prediction model established in this paper is consistent with the actual situations, it is indicated that the prediction precise of coal and gas outburst of BP neural network is high, therefore,the practicability of BP neural network is ideal.

KeywordsBP neural network, Coal and gas outburst, Grey relational analysis, Prediction

李守國(1979—)，男，所長，副研究員，博士，110016 遼寧省沈陽市沈河區東濱河路108號。