基于改進鯨魚算法優化BP神經網絡的煤自燃預測研究

孔 彪,朱思想,胡相明,楊 濤,趙旭帥,斐達特,萬姝含

(1.山東科技大學 安全與環境工程學院,山東 青島266590; 2.華北科技學院 礦山安全學院,河北 廊坊065201;3.兗礦能源集團股份有限公司 濟寧二號煤礦,山東 濟寧272000)

我國是世界上最大的煤炭生產和消費國,煤炭是我國的主要能源。煤炭開采過程會引發多種災害,其中煤自燃是威脅礦井安全開采和井下工人生命健康的主要災害之一[1-3]。而氣體和溫度是煤自燃監測的主要預警參數,目前通過分析煤礦井下指標氣體產生及變化趨勢,判定煤自燃發展階段,實現井下煤自燃的監測,已在煤自燃監測預警方面得到廣泛應用[4-6]。

為進一步提高煤自燃監測精度,降低誤差,國內外學者采用神經網絡、聚類分析、回歸及相關性分析等預測方法,構建了不同的預測模型,實現煤自燃預測預報[7-10]。肖粲俊[11]、仲曉星[12]、王民華[13]等提出了智能監測預警和煤礦智能管控;周旭等[14]構建了PSO-XGBoost預測模型對井下火災進行預測預警;為提高礦井外因火災的靜態辨識,李光宇等[15]采用基于機器視覺的方式結合灰色建模方法實現火災辨識和準確定位;鄧軍[16]、LEI[17]等通過隨機森林法預測出采空區溫度和特征指標氣體濃度,并指出該方法具有穩定性和普適性的特點。鯨魚優化算法具有參數少、效率高的優點,目前主要應用于計算機視覺、醫療、經濟管理和交通運輸等領域,在煤自燃領域應用較少。MIRJALIL等[18]于2016年提出了WOA算法,相比其他算法其局部搜索能力更強,但傳統算法存在收斂速度慢、易陷入局部極值問題。針對以上問題,JIANG[19]、秋興國[20]等采用適應度值協調捕獵方法來提高算法的開采和勘探能力。

基于此,筆者通過分析煤升溫過程指標氣體與溫度的變化規律,采用改進鯨魚優化算法結合BP神經網絡算法,構建氣體—溫度預測模型,并進行實驗室和現場測試分析,以期實現井下煤自燃早期的快速監測、識別與預警。

1 鯨魚優化算法

1.1 鯨魚優化算法理論基礎

鯨魚優化算法[20](WOA)是模擬鯨魚狩獵活動而提出元啟發式智能優化算法,包含尋找獵物、包圍獵物、最后追捕獵物。通過計算搜索代理適度值,選取出最優解,依據環形收縮機制及螺旋機制不斷迭代更新自身位置,加快搜索速度。

1)環繞包圍捕食

采用環繞包圍捕食方式進行狩獵,選擇適應度最優個體作為目標,其余個體不斷靠近最優值更新各自位置向獵物包圍,該階段模擬公式如下:

X(t+1)=X*(t)-AD

(1)

式中:X(t+1)為迭代t+1次后種群個體所處位置;X*(t)為迭代t次最優個體所處位置;t為當前迭代次數;A為系數,該階段∣A∣<1;D為個體與最優個體距離。

2)隨機搜索捕食

在隨機搜索捕食過程中,隨機選擇某一個體作為參照對象,其余個體隨機更新位置包圍獵物,該階段模擬公式如下:

D=∣CXrand(t)-X(t)∣

(2)

X(t+1)=Xrand(t)-AD

(3)

式中:C為系數;Xrand(t)為隨機個體位置;X(t)為迭代t次后種群個體所處位置;該階段∣A∣≥1。

3)螺旋軌跡捕食

采用螺旋軌跡的路徑包圍獵物進行捕獵,該階段模擬公式如下:

X(t+1)=Debl·cos(2πl)+X縱坐標為適應度值*(t)

(4)

式中:b為常數;l為(-1,1)之間隨機數。

1.2 改進策略

1)改進非線性收斂因子和自適應權值

鯨魚算法相比于其他算法雖然具有較好預測效果,但犧牲了部分勘探能力換取局部開采能力。參考粒子群慣性權重策略,引入非線性遞減因子理念,提出一種分段非線性收斂因子和自適應權值策略進行算法優化[20]。計算公式如下:

(5)

(6)

(7)

式中:a為收斂因子;T為迭代次數。

2)引入隨機學習策略

標準WOA算法僅依靠種群中隨機個體引導進行位置更新完成全局搜索,該方法尋優能力較弱,引入教與學優化算法中涉及的隨機學習策略,模擬討論交流模式,向種群中優秀個體學習優化更新自身位置。運算公式如下:

(8)

式中:xnew為最新個體;學習因子rand (0,1)為(0,1)間的隨機數,體現學習能力差異;xp為種群中隨機選出的不同于個體x的優秀個體。

1.3 改進鯨魚算法有效性測試

為研究改進鯨魚算法自身參數尋優效果和收斂性能,選取4種經典優化算法,即PSO、GWO、WOA、MSWOA,分別用6個標準測試函數進行對比測試,如表1所示。算法參數統一設置,種群數設置為50,維度設置為30,最大迭代次數設置為500次,實驗測試重復20次。

表1 測試函數信息

F1

F2

F4

F6

將4種算法進行測試對比和分析,標準測試函數在每種算法運行后得到二維收斂曲線,其中,橫坐標為迭代次數,縱坐標為適應度值,測試結果如圖1所示。

由圖1分析看出,無論是單峰測試函數還是多峰測試函數,MSWOA曲線變化更陡,迭代次數更少,相比于WOA、PSO和GWO收斂速度明顯改善,參數尋優時間縮短,精度得到提高,能快速準確尋找到最優解。

2 基于MSWOA-BP煤自燃指標氣體—溫度預測模型建立

2.1 數據信息來源

通過建立的煤自燃模擬實驗平臺,分別測定了白芨溝無煙煤、東灘煙煤和平莊褐煤在自燃過程中O2、CO、CH4、CO2、C2H4、C2H6、C3H8等特征指標氣體濃度變化情況。將得到的實驗室數據作為數據樣本,其中指標氣體濃度作為輸入數據,煤樣溫度作為輸出數據,根據指標氣體濃度和溫度對應關系建立模型進行預測。

2.2 煤自燃溫度預測模型評估性檢驗

根據以上東灘煙煤數據集建立煤自燃預測模型,選取以下指標參數進行模型驗證和評估。

1)均方根誤差(RMSE,eRMS)

(9)

式中:pi為某時刻煤樣溫度的預測值;ri為煤樣的監測溫度;n為樣本數量。

2)判定系數(R2)

(10)

3)平均絕對誤差(MAE,eMA)

(11)

4)平均絕對百分比誤差(MAPE,eMAP)

(12)

各預測模型性能比較見表2。

表2 預測模型性能比較

通過計算得到eRMS、eMA、eMAP、R2值,其中eRMS、eMA、eMAP數值越小,R2數值越接近1,表明模型適用性越強、預測精度越高。根據表2中數據對比分析,MSWOA-BP模型eRMS、eMA、eMAP在訓練學習階段分別為2.040 0、1.406 4、1.735 9%,在測試階段分別為2.139 8、1.580 8、3.039 3%。結果表明,無論是在學習階段還是測試階段,MSWOA-BP預測模型評估指標均優于其他預測模型,預測精度較高,預測效果較好。

2.3 模型預測結果分析

分別對MSWOA-BP、GWO-BP、WOA-BP、PSO-BP共4種預測模型誤差進行分析,結果如圖2所示。

(a)訓練集預測誤差圖

(b)測試集預測誤差圖

根據圖2分析得出:MSWOA-BP模型預測誤差整體在5%上下波動;GWO-BP模型預測誤差在15%上下,部分誤差超過20%;WOA-BP模型預測誤差在20%內;PSO-BP模型預測誤差在10%內,但部分誤差超過了15%。誤差結果對比得出,MSWOA-BP模型預測誤差整體波動范圍最小,相比于WOA-BP模型, 其誤差降低,精度更高,準確性最高,預測效果最好。

分別對MSWOA-BP、GWO-BP、WOA-BP、PSO-BP共4種預測模型回歸判定系數R2進行分析,結果如圖3所示。

(a)MSWOA-BP神經網絡訓練集預測值和實際值對比圖

(b)GWO-BP神經網絡訓練集預測值和實際值對比圖

(c)WOA-BP神經網絡訓練集預測值和實際值對比圖

(d)PSO-BP神經網絡訓練集預測值和實際值對比圖

由圖3可見,預測值和實際值整體變化趨勢大致吻合,其中MSWOA-BP神經網絡R2為0.996 53,GWO-BP神經網絡R2為0.952 85,WOA-BP神經網絡R2為0.982 62,PSO-BP神經網絡R2為0.968 39,MSWOA-BP神經網絡預測模型回歸判定系數R2均高于其余預測模型,最接近于1,說明該模型能準確反映煤自燃溫度變化趨勢,且性能最好。

WOA-BP、PSO-BP、GWO-BP和MSWOA-BP煤自燃溫度預測模型預測值與真實值對比如圖4所示。可以看出,相比于真實值,PSO-BP和MSWOA-BP模型預測結果最接近,效果最為明顯,但從整體預測結果變化趨勢對比能夠看出MSWOA-BP模型預測效果最佳,與真實值之間誤差最小,具有較強的適用性和較高的準確性。

圖4 神經網絡模型測試集預測值和真實值對比圖

2.4 現場應用

將建立的預測模型應用于兗礦集團東灘煤礦,采用束管系統對3302工作面氣樣進行采樣分析,為期15 d,得到各指標氣體濃度數據。為了驗證預測模型在煤礦現場的適用性和準確性,將氣體濃度作為輸入參數代入預測模型,實現溫度預測,并與現場實測溫度進行對比分析,結果見表3。

表3 束管監測系統現場監測氣樣數據及溫度預測結果

對表3數據進行處理,得到預測溫度與現場實測溫度對比圖和相對誤差圖,如圖5和圖6所示。

圖5 預測溫度與現場實測溫度對比圖

圖6 溫度相對誤差分析圖

由表3可見,采用改進煤自燃溫度預測模型得到3302工作面煤層溫度平均為30～45 ℃,在持續15 d的監測期間內,該工作面各指標氣體濃度始終處于低水平狀態,且溫度較低,表明未出現煤自燃發火危險,煤層處于安全階段。

由圖5～6可見,預測模型預測溫度與現場實測溫度基本吻合,相對誤差在2.3%～12.1%內,表明該模型在誤差允許范圍內能夠有效實現溫度預測。結合礦井安全監測預警平臺,為煤自燃火災預測提供了參考依據,可以有效防止火災發生。

該研究可為煤自燃高效預測預警提供一種新方法,下一步可進行不同礦井、不同煤種煤自燃的實驗室和現場的預測分析,形成針對性的煤自燃預警方法體系。

3 結論

1)基于WOA、GWO、PSO智能算法,提出能應用于煤自燃溫度預測的MSWOA-BP模型,其具有較好的預測效果。

2)采用多個標準測試函數驗證了MSWOA收斂速度更快、計算精度更高。結合模型性能評估指標和預測結果,MSWOA-BP模型預測結果訓練階段eMAP為1.735 9%,測試階段eMAP為3.039 3%,eRMS、eMA、eMAP指標均優于其他模型,且R2最接近1,表明MSWOA-BP模型預測效果最好。

3)將建立的模型應用于東灘煤礦,通過15 d的監測數據,預測溫度與實測溫度誤差在2.3%～12.1%內,能夠實現溫度的快速預測。