基于信息融合技術(shù)的礦井瓦斯預(yù)測

劉曉悅 高澤斌

摘要：我國煤礦瓦斯事故發(fā)生概率極高，瓦斯事故已成為了危害煤礦安全生產(chǎn)以及井下工作人員生命財產(chǎn)安全的主要元兇。

關(guān)鍵詞：瓦斯預(yù)測；模糊C均值；BP神經(jīng)網(wǎng)絡(luò)；

中圖分類號：TD77 文獻(xiàn)標(biāo)識碼：A

中國是煤炭生產(chǎn)和消費(fèi)大國，2018年，在我國不可再生能源消費(fèi)中，煤炭占60%左右[1]。煤炭生產(chǎn)大部分為井下開采，礦井環(huán)境復(fù)雜多變，隨著開采深度不斷的加深以及煤層瓦斯涌出量的不斷加大，瓦斯問題已經(jīng)成為煤礦開采的主要安全危害因素。由于礦井瓦斯涌出量也是指導(dǎo)礦井通風(fēng)和設(shè)計的重要指標(biāo)之一，如何實(shí)現(xiàn)瓦斯涌出量準(zhǔn)確預(yù)測已成為制定相應(yīng)的防護(hù)措施、減少礦難的關(guān)鍵工作。

1.模糊C 均值算法

模糊聚類分析作為無監(jiān)督機(jī)器學(xué)習(xí)的主要技術(shù)之一，是用模糊理論對重要數(shù)據(jù)分析和建模的方法。在眾多模糊聚類算法中，模糊C均值（FCM）算法應(yīng)用最廣泛且較成功，這種算法通過使用誤差平方和準(zhǔn)則把實(shí)際中遇到的一些分類問題通過轉(zhuǎn)化進(jìn)行求解。

2.仿真

通過中國國家數(shù)據(jù)庫和網(wǎng)絡(luò)爬蟲軟件收集開漆礦業(yè)集團(tuán)錢家營礦區(qū)2015年12月至2016年6月的回采工作面絕對瓦斯涌出量歷史監(jiān)測數(shù)據(jù)。該案例中，由于回采工作面絕對瓦斯涌出量影響因素很多，經(jīng)過參考相關(guān)資料，本文選取回釆工作面絕對瓦斯涌出量的10個主要影響因素。

首先將歸一化后的數(shù)據(jù)用最大最小距離算法算出初始聚類中心。計算結(jié)果為初始聚類中心有4類，由表可以看出樣本數(shù)據(jù)是一個維數(shù)據(jù)，所以得到的類別中心的每一個中心點(diǎn)也是一個維數(shù)據(jù)，結(jié)果如表所示。

然后將得到的初始化聚類中心作為FCM算法的初始化條件，得到每個數(shù)據(jù)到四個聚類中心的隸屬度，其均可以用隸屬度值來表示其類別，從而得到隸屬度矩陣U，見表2。

U為一個 30*4 的矩車，表示這30個樣本數(shù)據(jù)分別屬于這四種類型的隸屬度，根據(jù)隸屬度矩陣，按照模糊集合中的最大隸屬度原則就能夠確定出每個樣本數(shù)據(jù)大概屬于哪個類型。任取樣本分析，如：第一個樣本數(shù)據(jù) U屬于第一類，U42={0.177 0.432 0.216 0.179}屬于第二類。經(jīng)過FCM 算法聚類后，將處理過的數(shù)據(jù)和處理過程中得到的數(shù)據(jù)結(jié)果結(jié)合起來，可以得到各個因素對瓦斯涌出量的影響程度。

構(gòu)建基于FCM的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型為3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為10，輸出層為1。首先直接將30組數(shù)據(jù)用單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測，得到如下圖1結(jié)果。

單一神經(jīng)網(wǎng)絡(luò)的BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中的誤差比預(yù)期要大，擬合情況一般。隨后將由FCM聚類后的結(jié)果分別作為神經(jīng)網(wǎng)絡(luò)的輸出，用已得到的4個子樣本訓(xùn)練集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，可得4個已訓(xùn)練好的一步預(yù)測模型，將測試數(shù)據(jù)集輸入到這4個模型中，得到n*4個瓦斯涌出量預(yù)測值，每個瓦斯涌出量測量值都有4個對應(yīng)的預(yù)測值 ，根據(jù)公式：

（5）

計算得到對應(yīng)的瓦斯涌出量最終預(yù)測值 。預(yù)測模型的10組預(yù)測輸出結(jié)果如圖4所示。經(jīng)計算，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型在訓(xùn)練過程中的平均絕對誤差為0.10385，精確度達(dá)到89.7%

3結(jié)論

利用MATLAB軟件形成一個基于模糊C均值算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測系統(tǒng)，將影響瓦斯涌出量的動態(tài)數(shù)據(jù)與靜態(tài)數(shù)據(jù)融合、處理和分析，實(shí)現(xiàn)對礦井下瓦斯涌出量更為精確的預(yù)測。

參考文獻(xiàn)

[1]付華，邵良杉.煤礦瓦斯災(zāi)害特征挖掘與融合預(yù)測[M].北京：科學(xué)出版社，2011

[2]李樹仁.煤與瓦斯突出礦井采面瓦斯涌出特征及影響因素分析[J].煤炭技術(shù)，2018，37（09）：241-243.

[3]智登奎，李國勇. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)瓦斯?jié)舛阮A(yù)測[J].礦山機(jī)械，2013，41（4）：117-120

（作者單位：華北理工大學(xué)電氣工程學(xué)院）