基于神經(jīng)網(wǎng)絡(luò)的上隅角CO涌出影響因素分析

史鋼柱

（潞安集團(tuán)司馬煤業(yè)有限公司，山西 長(zhǎng)治 047105）

煤礦開(kāi)采過(guò)程中產(chǎn)生的CO一般是由采空區(qū)的遺留煤層自燃引起，在煤層自燃預(yù)測(cè)防治過(guò)程中，CO可以作為自燃的指標(biāo)參數(shù)，但是某些礦區(qū)在自燃較少的情況下仍然出現(xiàn)了上隅角CO超標(biāo)問(wèn)題，這對(duì)煤礦的滅火控制不利。所以研究工作面CO涌出影響因素對(duì)于煤礦CO治理意義深遠(yuǎn)。本文以司馬煤礦1208工作面為研究對(duì)象，對(duì)其工作面上隅角CO超標(biāo)問(wèn)題影響因素進(jìn)行分析，根據(jù)其涌出情況，建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)權(quán)重公式分析了其涌出影響因素權(quán)重值，得到了權(quán)重順序。

1 CO涌出量影響因素的選取

常溫情況的煤層自燃趨向可以取決于其氧化能力的強(qiáng)弱，但煤礦開(kāi)采中煤層自燃趨向不能夠完全決定煤層的發(fā)火，煤層發(fā)火還會(huì)受到煤層中水分、變質(zhì)成分等內(nèi)因和地質(zhì)條件、通風(fēng)情況、采掘水平等外因的影響。

（1）煤體分子中活性結(jié)構(gòu)可以與氧氣反應(yīng)，煤體與氧氣反應(yīng)水平也和其性能及類別關(guān)系密切，實(shí)驗(yàn)證明煤種不同的煤層涌出CO規(guī)律可以相同，但煤在變質(zhì)過(guò)程中，生成CO的趨勢(shì)增加，不同煤種臨界溫度也不同。

（2）煤礦開(kāi)采中所測(cè)的CO濃度值會(huì)受到工作面風(fēng)量的影響，高風(fēng)量會(huì)加重漏風(fēng)，氧化帶寬度增加，使得CO數(shù)值升高，但過(guò)高的通風(fēng)量又會(huì)對(duì)CO產(chǎn)生稀釋作用；風(fēng)量減小會(huì)減小氧化帶寬度，遺煤氧化水平減弱，CO數(shù)值降低。

（3）工作面參數(shù)對(duì)于氣體濃度影響作用大，比如采高數(shù)值增大會(huì)增加采空區(qū)漏風(fēng)量，使得CO濃度增加，增加采高也會(huì)提高遺煤量使得CO濃度增加。

（4）漏風(fēng)量的大小會(huì)改變CO濃度，遺煤氧化的必備條件是漏風(fēng)中的氧氣存在。漏風(fēng)強(qiáng)度可以改變氧的濃度，煤體在漏風(fēng)過(guò)程中會(huì)消耗氧，CO的濃度也會(huì)降低氧濃度。

根據(jù)司馬煤礦1208工作面實(shí)際情況，采空區(qū)CO涌出量的影響因素主要有采空區(qū)氧濃度、溫度、推進(jìn)量、出煤量、回風(fēng)風(fēng)流量、漏風(fēng)風(fēng)流量、周期壓力等因素，通過(guò)灰色關(guān)聯(lián)度計(jì)算得出影響因素關(guān)聯(lián)度排序依次是漏風(fēng)量、回風(fēng)風(fēng)流量、周期壓力、采空區(qū)氧氣濃度、推進(jìn)度、出煤量和溫度，可將前五因素進(jìn)行研究分析。

2 神經(jīng)網(wǎng)絡(luò)模型的建立

2.1 模型樣本的選取

神經(jīng)網(wǎng)絡(luò)模型建立包括學(xué)習(xí)和預(yù)測(cè)兩個(gè)過(guò)程，前者通過(guò)輸出和期望誤差對(duì)比改進(jìn)神經(jīng)元連接權(quán)值，預(yù)測(cè)過(guò)程是在網(wǎng)絡(luò)成熟后進(jìn)行。結(jié)合司馬煤礦1208工作面上隅角CO涌出實(shí)測(cè)數(shù)據(jù)和影響因素，選取20組相關(guān)數(shù)據(jù)作為樣本。

2.2 隱含層神經(jīng)元的確定

非線性問(wèn)題可通過(guò)非線性函數(shù)逼近解決，基于1208工作面實(shí)際情況建立三層神經(jīng)網(wǎng)絡(luò)。在降低誤差的前提下，增大隱含層神經(jīng)元數(shù)量可以改善神經(jīng)網(wǎng)絡(luò)的計(jì)算速度。隱含層神經(jīng)元數(shù)量少會(huì)降低神經(jīng)網(wǎng)絡(luò)的運(yùn)算準(zhǔn)確性，但隱含神經(jīng)元數(shù)量太多會(huì)出現(xiàn)過(guò)度訓(xùn)練擬合，使成熟模型泛化減小。一般情況采用經(jīng)驗(yàn)公式進(jìn)行計(jì)算，隱含層確定經(jīng)驗(yàn)公式為：

式中：

j-隱含層神經(jīng)元數(shù)量；

m-輸出層的神經(jīng)元數(shù)量；

n-輸入層的神經(jīng)元數(shù)量；

c-1和10之間常數(shù)。

神經(jīng)網(wǎng)絡(luò)模型建立過(guò)程中隱含層神經(jīng)元數(shù)量存在最優(yōu)解，由以上公式，結(jié)合本文確定了三層神經(jīng)網(wǎng)絡(luò)，輸入神經(jīng)元值為5，代入公式計(jì)算得出隱含層神經(jīng)元范圍為（4，13）。

通過(guò)MATLAB神經(jīng)網(wǎng)絡(luò)工具箱設(shè)計(jì)可變隱含層數(shù)量，通過(guò)仿真確定最大訓(xùn)練為500，學(xué)習(xí)速率和性能指標(biāo)都是0.01，分別對(duì)隱含層神經(jīng)元在（4，13）仿真，得到訓(xùn)練情況如圖1所示。

圖1顯示了隱含神經(jīng)元數(shù)量在8～11之間的網(wǎng)絡(luò)訓(xùn)練情況，由圖1可以看出神經(jīng)元為8和9時(shí)訓(xùn)練到設(shè)置數(shù)才結(jié)束，誤差達(dá)不到設(shè)計(jì)要求；神經(jīng)元為11時(shí)在485次訓(xùn)練完成，對(duì)比訓(xùn)練誤差發(fā)現(xiàn)，當(dāng)隱含層神經(jīng)元為10個(gè)時(shí)誤差最小，在185次完成訓(xùn)練，誤差滿足要求。

圖1 不同神經(jīng)元訓(xùn)練誤差曲線

將測(cè)試樣本數(shù)據(jù)輸入模型進(jìn)行預(yù)測(cè)仿真，將得到的預(yù)測(cè)值和實(shí)際值誤差進(jìn)行對(duì)比分析，如圖2所示。

圖2 不同隱含層神經(jīng)元數(shù)量的網(wǎng)絡(luò)預(yù)測(cè)誤差

由圖2可以看出，當(dāng)隱含層神經(jīng)元個(gè)數(shù)為10時(shí)，預(yù)測(cè)值和實(shí)際數(shù)值誤差較小，由此確定了隱含層神經(jīng)元個(gè)數(shù)為10。

2.3 訓(xùn)練函數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)中不同計(jì)算方法對(duì)于收斂速度和泛化影響較大，主要包括traingd訓(xùn)練函數(shù)的梯度下降法、采用trainbfg函數(shù)的擬牛頓算法、采用trainrp的彈性梯度下降法和采用trainlm的L-M算法。分別采用四種函數(shù)進(jìn)行仿真，預(yù)測(cè)情況如圖3所示。

圖3 不同訓(xùn)練函數(shù)的預(yù)測(cè)結(jié)果誤差對(duì)比

由圖3可以看出，采用trainlm的L-M算法計(jì)算出的預(yù)測(cè)值更加接近實(shí)際數(shù)值，因此選擇L-M算法來(lái)計(jì)算。

3 BP神經(jīng)網(wǎng)絡(luò)權(quán)重值計(jì)算

BP神經(jīng)網(wǎng)絡(luò)法能夠把輸入和輸出轉(zhuǎn)化成優(yōu)化非線性關(guān)系，訓(xùn)練學(xué)習(xí)后完成權(quán)重分配，不斷進(jìn)化改善權(quán)重結(jié)構(gòu)。權(quán)重貢獻(xiàn)采用公式分析，通過(guò)計(jì)算輸入節(jié)點(diǎn)權(quán)重值，得出輸入因素的權(quán)重貢獻(xiàn)值。本文采用權(quán)重貢獻(xiàn)率計(jì)算公式為：

式中：

i-輸入層的節(jié)點(diǎn)數(shù)；

j-隱含層的節(jié)點(diǎn)數(shù)；

W-輸入到隱含之間的矩陣；

V-隱含到輸出之間的矩陣。

結(jié)合以上公式和司馬煤礦數(shù)據(jù)權(quán)重矩陣（如表1所示）可以計(jì)算出輸入與輸出之間的權(quán)重關(guān)系。代入計(jì)算后解得采空區(qū)氧氣濃度權(quán)重值為0.173，推進(jìn)量權(quán)重值為0.142，回風(fēng)風(fēng)流量權(quán)重為0.243，漏風(fēng)風(fēng)流量權(quán)重值為0.254，周期壓力權(quán)重值為0.188，由此得到影響因素排序依次為漏風(fēng)風(fēng)流量、回風(fēng)風(fēng)流量、周期壓力、氧氣濃度和推進(jìn)量。

表1 BP神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣計(jì)算表

4 結(jié)論

本文針對(duì)回采巷道上隅角CO涌出量超標(biāo)的問(wèn)題，對(duì)煤礦影響CO涌出的因素進(jìn)行了分析，采用關(guān)聯(lián)度排序后選取了漏風(fēng)、回風(fēng)、周期壓力、氧氣濃度、推進(jìn)量五個(gè)因素為研究對(duì)象，建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，根據(jù)實(shí)測(cè)數(shù)據(jù)的仿真確定了隱含層神經(jīng)元數(shù)量和訓(xùn)練函數(shù)的選取，當(dāng)隱含層神經(jīng)元為10，采用trainlm函數(shù)仿真后預(yù)測(cè)值和實(shí)際值的誤差最小，使用網(wǎng)絡(luò)權(quán)重矩陣的權(quán)重貢獻(xiàn)率公式計(jì)算得出了各影響因素的重要程度，為煤礦CO控制提供了研究依據(jù)。