基于BP神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測(cè)

劉錦偉，謝雄剛,3，方 井，郭鵬飛

(1.貴州大學(xué)礦業(yè)學(xué)院，貴州 貴陽(yáng) 550025；2.貴州大學(xué)復(fù)雜地質(zhì)礦山開(kāi)采安全技術(shù)工程中心，貴州 貴陽(yáng) 550025；3.貴州大學(xué)貴州省優(yōu)勢(shì)礦產(chǎn)資源高效利用實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

基于BP神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測(cè)

劉錦偉1,2，謝雄剛1,2,3，方 井1,2，郭鵬飛1,2

(1.貴州大學(xué)礦業(yè)學(xué)院，貴州 貴陽(yáng) 550025；2.貴州大學(xué)復(fù)雜地質(zhì)礦山開(kāi)采安全技術(shù)工程中心，貴州 貴陽(yáng) 550025；3.貴州大學(xué)貴州省優(yōu)勢(shì)礦產(chǎn)資源高效利用實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

為了更加方便快捷地掌握煤層瓦斯含量。利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，引用了貴州某礦瓦斯等級(jí)鑒定報(bào)告中相關(guān)數(shù)據(jù)，建立了煤層瓦斯預(yù)測(cè)模型，運(yùn)用MATLAB7.0進(jìn)行編程，模擬仿真了貴州某礦地勘鉆孔1+3號(hào)煤層瓦斯帶不同采樣低界深度煤體的水分、灰分、以及地勘鉆孔瓦斯組分中CH4、CO2、N2百分含量與該采樣點(diǎn)煤層瓦斯含量之間的非線性關(guān)系，根據(jù)MATLAB模擬的結(jié)果：平均誤差為4.47%，穩(wěn)定性較好，證明了運(yùn)用地勘鉆孔的相關(guān)參數(shù)預(yù)測(cè)煤層瓦斯含量的可行性。

BP神經(jīng)網(wǎng)絡(luò);煤層瓦斯;非線性模擬;網(wǎng)絡(luò)參數(shù);傳遞函數(shù)

我國(guó)普遍采用的煤層瓦斯含量測(cè)定方法有三類：地勘解析法，間接法和井下解析法[1]。而地勘解析法是煤田地質(zhì)勘探和煤層瓦斯地面開(kāi)發(fā)時(shí)最常用的煤層瓦斯含量測(cè)定方法，在我國(guó)煤田地質(zhì)勘探部門得到了廣泛的推廣應(yīng)用[2]；間接法測(cè)定煤層瓦斯含量需要測(cè)定煤層瓦斯壓力，進(jìn)而計(jì)算出瓦斯含量，測(cè)定煤層瓦斯壓力比較復(fù)雜，工作量較大；井下解析法是在地勘解析法原理基礎(chǔ)上改進(jìn)、發(fā)展形成的，測(cè)量的結(jié)果相對(duì)前兩種方法的精確度高。這些方法工作量大，過(guò)程比較復(fù)雜，測(cè)量周期較長(zhǎng)。

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性函數(shù)逼近能力、自適應(yīng)學(xué)習(xí)能力、容錯(cuò)能力和并行信息處理能力，在解決未知不確定非線性系統(tǒng)的建模、預(yù)測(cè)、控制方面有很大的優(yōu)勢(shì)[3-4]，利用地勘鉆孔中與煤層瓦斯含量相關(guān)的數(shù)據(jù)預(yù)測(cè)煤層瓦斯含量，不僅克服了常用測(cè)量方法的不足，而且方便快捷，經(jīng)濟(jì)性高，也為礦井進(jìn)行瓦斯涌出量預(yù)測(cè)、煤與瓦斯突出預(yù)測(cè)提供了新的途徑。

1 BP神經(jīng)網(wǎng)絡(luò)原理及其算法

BP算法也稱誤差反向傳播算法 （error back propagation algorithm)，是一種多層網(wǎng)絡(luò)的訓(xùn)練算法，用來(lái)估計(jì)網(wǎng)絡(luò)的連接權(quán)重值W和偏差值θ。當(dāng)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)確定后，就可以從輸入層經(jīng)隱含層到輸出層得到各層神經(jīng)元的傳導(dǎo)，在此之后，按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)重，最后到輸入層。隨著這種誤差的反向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式相應(yīng)的正確率也不斷上升，最后達(dá)到預(yù)期的預(yù)測(cè)目標(biāo)。

1.1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

本文選取貴州某礦瓦斯等級(jí)鑒定報(bào)告中1+3號(hào)煤層瓦斯帶中的部分?jǐn)?shù)據(jù)（見(jiàn)表1），通過(guò)該煤層地勘鉆孔中不同采樣低界深度、該取樣深度煤體中的水分、灰分以及地勘鉆孔煤層中CH4、CO2、N2百分含量來(lái)預(yù)測(cè)該深度煤層的瓦斯含量。

1.2 確定BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

根據(jù)BP神經(jīng)網(wǎng)絡(luò)的理論，一般情況下使用一個(gè)單隱含層就可以得到比較理想的結(jié)果[5],本預(yù)測(cè)數(shù)據(jù)相對(duì)比較簡(jiǎn)單，因此該煤層瓦斯含量預(yù)測(cè)模型選用單隱層的三層神經(jīng)網(wǎng)絡(luò)。煤層地勘鉆孔中的采樣低界深度、水分、灰分以及煤體中CH4、CO2、N2百分含量6個(gè)參數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，煤層瓦斯含量為輸出參數(shù)，隱含層節(jié)點(diǎn)數(shù)為13個(gè)，使用軟件MATLAB7.0中的神經(jīng)網(wǎng)絡(luò)工具箱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）。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

表1 訓(xùn)練用實(shí)測(cè)樣本數(shù)據(jù)

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

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

為了加快網(wǎng)絡(luò)的訓(xùn)練速度、減小模擬過(guò)程中的誤差，需對(duì)神經(jīng)網(wǎng)絡(luò)的輸入輸出數(shù)據(jù)進(jìn)行一定的預(yù)處理。對(duì)輸入向量P和目標(biāo)向量T采用premnmx函數(shù)進(jìn)行歸一化處理，其歸一化編程語(yǔ)句為：[Pn,minp, maxp,Tn,mint,maxt]=(P,T)，它將每組數(shù)據(jù)都量化到范圍[-1,1]內(nèi)，網(wǎng)絡(luò)訓(xùn)練也是采用歸一化的數(shù)據(jù)。訓(xùn)練結(jié)束后可以使用函數(shù)postmnmx函數(shù)將模擬結(jié)果還原成最初目標(biāo)所用的單位[6]。

訓(xùn)練的網(wǎng)絡(luò)模型參數(shù)設(shè)定為：學(xué)習(xí)率0.02，最大訓(xùn)練次數(shù)80000，訓(xùn)練要求精度0.0001。訓(xùn)練過(guò)程中當(dāng)滿足目標(biāo)精度要求或達(dá)到最大迭代次數(shù)時(shí),自動(dòng)停止訓(xùn)練。

1.4 煤層瓦斯含量預(yù)測(cè)模擬

將建立的煤層瓦斯含量預(yù)測(cè)模型運(yùn)用軟件MATLAB7.0、通過(guò)編程的形式進(jìn)行訓(xùn)練模擬，訓(xùn)練誤差變化曲線圖如圖2所示，模擬訓(xùn)練結(jié)束后，另外選取3組數(shù)據(jù)作為測(cè)試樣本，預(yù)測(cè)煤層瓦斯含量，并與原始測(cè)得的數(shù)據(jù)進(jìn)行了對(duì)比分析（見(jiàn)表2）。

圖2 網(wǎng)絡(luò)訓(xùn)練誤差曲線

表2 訓(xùn)練用實(shí)測(cè)樣本數(shù)據(jù)

從圖2可以看出，當(dāng)網(wǎng)絡(luò)學(xué)習(xí)迭代到75537次時(shí), 就達(dá)到了學(xué)習(xí)精度0.0000999991,網(wǎng)絡(luò)趨于穩(wěn)定。從表2可以看出，BP網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)測(cè)值吻合較好,相對(duì)平均誤差為4.47%，誤差小于7%，模型預(yù)測(cè)誤差精度能滿足實(shí)際的需要[7]，也驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的正確性，即可以作為煤層瓦斯含量的一個(gè)有效預(yù)測(cè)手段。

2 結(jié)論

1)利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)建立的煤層瓦斯含量預(yù)測(cè)模型，能很好地實(shí)現(xiàn)煤層地勘資料中不同采樣低界深度煤體的水分、灰分、以及瓦斯組分中的CH4、CO2、N2百分含量與該采樣點(diǎn)煤層瓦斯含量之間的非線性映射逼近關(guān)系，驗(yàn)證了利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤層瓦斯含量的正確性和可行性。

2)利用煤層瓦斯地勘資料中不同采樣點(diǎn)煤樣的水分、灰分以及煤樣瓦斯組分中CH4、CO2、N2的百分含量預(yù)測(cè)煤層瓦斯含量，其方法簡(jiǎn)單，工作量少，很容易得出預(yù)測(cè)結(jié)果，對(duì)于掌握采煤工作面瓦斯涌出量具有指導(dǎo)意義。

[1]陳大力,陳洋.對(duì)我國(guó)煤層瓦斯含量測(cè)定方法的評(píng)述[J].煤礦安全,2008(12):79-82.

[2]俞啟香編著，礦井瓦斯防治[M].徐州：中國(guó)礦業(yè)大學(xué)出版社.1992:20-41.

[3]張德豐.MATLAB神將網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社.2009：1-9.

[4]張瑞林.現(xiàn)代信息技術(shù)在煤與瓦斯突出區(qū)域預(yù)測(cè)中的應(yīng)用[D],重慶大學(xué).2004：54-57.

[5]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(qiáng)度預(yù)測(cè)模型[J].煤礦開(kāi)采,2011,16(6):19-20.

[6]劉錦偉,謝雄剛,方井.基于遺傳算法的煤層注水效果分析[J].工礦自動(dòng)化：2016,30(8):47-51.

[7]楊智懿,熊亞選,張乾林等.工作面瓦斯涌出量的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)研究[J].煤炭工程，2004（10）：74.

TD712.5