基于神經網絡的上隅角CO涌出影響因素分析

史鋼柱

（潞安集團司馬煤業有限公司，山西 長治 047105）

煤礦開采過程中產生的CO一般是由采空區的遺留煤層自燃引起，在煤層自燃預測防治過程中，CO可以作為自燃的指標參數，但是某些礦區在自燃較少的情況下仍然出現了上隅角CO超標問題，這對煤礦的滅火控制不利。所以研究工作面CO涌出影響因素對于煤礦CO治理意義深遠。本文以司馬煤礦1208工作面為研究對象，對其工作面上隅角CO超標問題影響因素進行分析，根據其涌出情況，建立了BP神經網絡預測模型，通過權重公式分析了其涌出影響因素權重值，得到了權重順序。

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弱，但煤礦開采中煤層自燃趨向不能夠完全決定煤層的發火，煤層發火還會受到煤層中水分、變質成分等內因和地質條件、通風情況、采掘水平等外因的影響。

（1）煤體分子中活性結構可以與氧氣反應，煤體與氧氣反應水平也和其性能及類別關系密切，實驗證明煤種不同的煤層涌出CO規律可以相同，但煤在變質過程中，生成CO的趨勢增加，不同煤種臨界溫度也不同。

（2）煤礦開采中所測的CO濃度值會受到工作面風量的影響，高風量會加重漏風，氧化帶寬度增加，使得CO數值升高，但過高的通風量又會對CO產生稀釋作用；風量減小會減小氧化帶寬度，遺煤氧化水平減弱，CO數值降低。

（3）工作面參數對于氣體濃度影響作用大，比如采高數值增大會增加采空區漏風量，使得CO濃度增加，增加采高也會提高遺煤量使得CO濃度增加。

（4）漏風量的大小會改變CO濃度，遺煤氧化的必備條件是漏風中的氧氣存在。漏風強度可以改變氧的濃度，煤體在漏風過程中會消耗氧，CO的濃度也會降低氧濃度。

根據司馬煤礦1208工作面實際情況，采空區CO涌出量的影響因素主要有采空區氧濃度、溫度、推進量、出煤量、回風風流量、漏風風流量、周期壓力等因素，通過灰色關聯度計算得出影響因素關聯度排序依次是漏風量、回風風流量、周期壓力、采空區氧氣濃度、推進度、出煤量和溫度，可將前五因素進行研究分析。

2 神經網絡模型的建立

2.1 模型樣本的選取

神經網絡模型建立包括學習和預測兩個過程，前者通過輸出和期望誤差對比改進神經元連接權值，預測過程是在網絡成熟后進行。結合司馬煤礦1208工作面上隅角CO涌出實測數據和影響因素，選取20組相關數據作為樣本。

2.2 隱含層神經元的確定

非線性問題可通過非線性函數逼近解決，基于1208工作面實際情況建立三層神經網絡。在降低誤差的前提下，增大隱含層神經元數量可以改善神經網絡的計算速度。隱含層神經元數量少會降低神經網絡的運算準確性，但隱含神經元數量太多會出現過度訓練擬合，使成熟模型泛化減小。一般情況采用經驗公式進行計算，隱含層確定經驗公式為：

式中：

j-隱含層神經元數量；

m-輸出層的神經元數量；

n-輸入層的神經元數量；

c-1和10之間常數。

神經網絡模型建立過程中隱含層神經元數量存在最優解，由以上公式，結合本文確定了三層神經網絡，輸入神經元值為5，代入公式計算得出隱含層神經元范圍為（4，13）。

通過MATLAB神經網絡工具箱設計可變隱含層數量，通過仿真確定最大訓練為500，學習速率和性能指標都是0.01，分別對隱含層神經元在（4，13）仿真，得到訓練情況如圖1所示。

圖1顯示了隱含神經元數量在8～11之間的網絡訓練情況，由圖1可以看出神經元為8和9時訓練到設置數才結束，誤差達不到設計要求；神經元為11時在485次訓練完成，對比訓練誤差發現，當隱含層神經元為10個時誤差最小，在185次完成訓練，誤差滿足要求。

圖1 不同神經元訓練誤差曲線

將測試樣本數據輸入模型進行預測仿真，將得到的預測值和實際值誤差進行對比分析，如圖2所示。

圖2 不同隱含層神經元數量的網絡預測誤差

由圖2可以看出，當隱含層神經元個數為10時，預測值和實際數值誤差較小，由此確定了隱含層神經元個數為10。

2.3 訓練函數的確定

BP神經網絡中不同計算方法對于收斂速度和泛化影響較大，主要包括traingd訓練函數的梯度下降法、采用trainbfg函數的擬牛頓算法、采用trainrp的彈性梯度下降法和采用trainlm的L-M算法。分別采用四種函數進行仿真，預測情況如圖3所示。

圖3 不同訓練函數的預測結果誤差對比

由圖3可以看出，采用trainlm的L-M算法計算出的預測值更加接近實際數值，因此選擇L-M算法來計算。

3 BP神經網絡權重值計算

BP神經網絡法能夠把輸入和輸出轉化成優化非線性關系，訓練學習后完成權重分配，不斷進化改善權重結構。權重貢獻采用公式分析，通過計算輸入節點權重值，得出輸入因素的權重貢獻值。本文采用權重貢獻率計算公式為：

式中：

i-輸入層的節點數；

j-隱含層的節點數；

W-輸入到隱含之間的矩陣；

V-隱含到輸出之間的矩陣。

結合以上公式和司馬煤礦數據權重矩陣（如表1所示）可以計算出輸入與輸出之間的權重關系。代入計算后解得采空區氧氣濃度權重值為0.173，推進量權重值為0.142，回風風流量權重為0.243，漏風風流量權重值為0.254，周期壓力權重值為0.188，由此得到影響因素排序依次為漏風風流量、回風風流量、周期壓力、氧氣濃度和推進量。

表1 BP神經網絡權重矩陣計算表

4 結論

本文針對回采巷道上隅角CO涌出量超標的問題，對煤礦影響CO涌出的因素進行了分析，采用關聯度排序后選取了漏風、回風、周期壓力、氧氣濃度、推進量五個因素為研究對象，建立了BP神經網絡預測模型，根據實測數據的仿真確定了隱含層神經元數量和訓練函數的選取，當隱含層神經元為10，采用trainlm函數仿真后預測值和實際值的誤差最小，使用網絡權重矩陣的權重貢獻率公式計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。