遺傳算法與神經網絡的結合在煤與瓦斯突出危險性預測中的應用研究＊

陳全秋郭勇義,2吳世躍徐玉勝王燦召

(1.太原理工大學礦業工程學院,山西省太原市,030024; 2.太原科技大學,山西省太原市,030024; 3.晉城煤業集團寺河礦,山西省晉城市,048205)

★煤礦安全 ★——晉城煤業集團公司協辦

遺傳算法與神經網絡的結合在煤與瓦斯突出危險性預測中的應用研究＊

陳全秋1郭勇義1,2吳世躍1徐玉勝3王燦召1

(1.太原理工大學礦業工程學院,山西省太原市,030024; 2.太原科技大學,山西省太原市,030024; 3.晉城煤業集團寺河礦,山西省晉城市,048205)

將反映煤與瓦斯突出的重要特征指標:最大鉆屑量 (S)、鉆屑解析指標(K1)、鉆孔瓦斯涌出初速度 (q0)和煤的堅固性系數 (f)通過神經網絡與遺傳算法有效結合,建立煤與瓦斯突出危險性預測模型,并通過現場實測數據進行突出危險性預測。結果表明:兩種算法的結合對煤與瓦斯突出危險性預測是有效的,它與傳統的預測方法相比收效速度更快,容錯能力更強,預測精度更高。

煤與瓦斯突出 預測 特征指標 神經網絡 遺傳算法

AbstractIndicators reflecting the important characters of coal/gas outbursts such as maximum drill chips(S),drill chip analytical index(K1),initial velocity of gas outflow through drill hole(q0)and the coefficient of coal rigidity(f)are effectively combined with genetic algorithm via neural network to form a coal/gas outburst prediction model.With the help of the data and test results obtained on site,outburst danger is predicted.Results indicate that the combination of the two algorithms produces an effective prediction of the danger of coal/gas outbursts.Compared with traditional prediction methods,this method produces quicker results with higher fault tolerance and better accuracy.

Key wordsprediction of the danger of coal/gas outburst,characteristic indicator,neural network,genetic algorithm

隨著我國煤炭資源的進一步開發,煤炭開采深度不斷增加,煤礦瓦斯突出事故發生頻率呈增長趨勢,針對此情況必須對突出災害進行有效防治,而防治的關鍵在于預測。因此,研究可靠的預測方法便成為了防治工作的重中之重。然而,由于煤與瓦斯突出為非常復雜的動力現象,影響因素眾多,多年來國內外學者做了大量研究,但到目前為止還沒達成共識。近年來,許多學者試圖通過人工神經網絡模型對瓦斯突出進行預測,但是由于人工神經網絡結構自身的不足,預測效果大多不太理想。自上世紀90年代以來廣泛引入了遺傳算法,其良好的全局搜索能力及很強的魯棒性大大改善了神經網絡的缺陷,得到了學界的廣泛認可。

本文針對煤與瓦斯突出的發生規律,結合突出的綜合作用假說,根據突出的非線性特征以及突出指標的影響程度不同,通過BP神經網絡和遺傳算法的結合對煤礦可能發生煤與瓦斯突出危險的區域進行建模預測。

1 煤與瓦斯突出危險性預測指標集的建立

煤與瓦斯突出是眾多因素共同作用的結果,國內外煤層突出資料表明,突出的發生具有區域性分布或帶狀分布的特點,突出危險帶的面積一般不到突出煤層總面積的10%。因此,本文預測指標體系集以煤與瓦斯突出區域預測中接觸式預測指標為基礎建立。通過對煤礦瓦斯突出的主控因素分析,并考慮到現場測取數據的難度和可操作性,選取最大鉆屑量(S)、鉆屑解析指標(K1)、鉆孔瓦斯涌出初速度(q0)和煤的堅固性系數(f)作為影響突出的基本指標。

最大鉆屑量能綜合反映煤層應力狀態、煤的力學性質及其瓦斯的賦存狀況;鉆屑解析指標正確反映煤層破壞程度和瓦斯含量的綜合作用;鉆孔瓦斯涌出初速度全面反映了煤的滲透能力、力學性質、煤層瓦斯壓力和含量及地應力等因素的變化;煤的堅固性系數反映了煤的力學性質,通常情況下,瓦斯壓力和地應力相同的條件下,煤的堅固性系數越大,越不容易發生突出。

2 算法分析

2.1 人工神經網絡 (ANN)算法分析

人工神經網絡是模擬人腦的結構和功能的非線性信息處理系統,它是一種經過不斷學習來實現其自身對數據的記憶、推理、歸納的功能,其學習過程實質就是不斷調節權值和閾值的過程。神經網絡中使用最廣泛的為反向誤差傳播神經網絡 (即BP神經網絡)。BP神經網絡模型一般包括輸入層、隱含層、輸出層及各層之間的傳遞函數。模型用于實際預測時,需要完成學習過程和預測過程。學習過程由信息的正向傳播和誤差的反向傳播組成。在信息的正向傳播過程中,輸入信息從輸入層向隱含層過渡時,每個神經元只對下一層的神經元產生影響,如果輸出層達到輸出結果,則計算輸出層的誤差變化值,接著反向傳播,同時網絡的誤差信號沿著原來的連接通路逆向傳播并修改各層神經網絡的權值,如此反復多次完成對所有信息的訓練學習,指導網絡收斂至指定的精度,得到滿意的權值。然后將得到的結果進行實際的預測。但BP神經網絡算法在本質上講屬于最速下降法的內容,因此存在著許多缺陷:收斂速度慢,局部最小點,網絡結構很難確定。其網絡模型如圖1所示。

圖1 煤與瓦斯突出BP神經網絡模型

2.2 遺傳算法分析

遺傳算法是模擬生物界優勝劣汰的競爭機制,通過遺傳進化過程建立起來的一種全局搜索算法,主要依靠代與代之間的維持,由潛在解組成的種類來實現多向性和全局的搜索。遺傳算法通過適應度函數給每個個體一個數值評價,淘汰適應度低的個體,選擇適應度高的個體參加遺傳操作,經過遺傳操作后的個體集合形成下一代新的種群。對這個新種群進行下一輪進化。經過不斷的選擇、交叉、變異找到最終的染色體,作為最優解保留下來。因此,染色體的遺傳問題也可視為典型的尋優過程。由于遺傳算法自身具有廣泛的適應性,全局搜索能力以及具有很強的魯棒性,因此,該算法的優點恰恰能彌補神經網絡存在的不足。

2.3 算法的結合與實現過程

本文綜合遺傳算法的全局收斂性和魯棒性以及BP神經網絡局部搜索的快捷性,將遺傳算法與BP神經網絡進行有機結合。結合的主題思想是通過遺傳算法操作可以保證在整個解空間中進行,同時尋優過程不依賴于種群選取的初始值,根據遺傳算法將搜索的范圍縮小之后,利用神經網絡得出精確的網絡權值,確定預測的最優值。其步驟如下:

(1)在不同的實數區間內隨機產生N組初始的BP網絡權值,構成初始權值種群。

(2)對這N組初始權值種群計算訓練誤差,如果誤差符合要求輸出權值,進行第4步操作;否則根據訓練結果確定其適應度函數,并根據個體適應度值的大小對操作進行有效排序進行下一步操作。

(3)按第2步排序的結果重新進行選擇、交叉、變異等遺傳操作,使權值不斷地進化,并對產生的新權值計算出種群中每個個體的學習誤差及其適應度值,若產生的新的權值滿足精度要求輸出權值,進行第4步操作。否則重復進行選擇、交叉、變異操作,直至達到訓練要求。

(4)將第2、3步取得的優化權值作為BP網絡的初始權值進行訓練,形成預測模型。

(5)用訓練好的網絡預測模型對測試數據進行預測。

3 煤與瓦斯突出危險性預測模型的建立

根據煤與瓦斯突出的非線性特征,模型設計采用3層BP神經網絡,因為3層的BP網絡可以逼近任意的非線性映射。各層節點數為輸入層4個,輸出層2個,隱含層節點數根據如下經驗公式得到。

式中:n——隱含層節點數;

n1——輸入節點個數;

m——輸出節點個數;

a——1到10之間的常數。

種群大小 N=66,學習樣本26個,預測樣本40個。遺傳變異率 pc=0.80,最大進化代數為100,指定最小的學習誤差為0.001。

4 實例分析

以山西晉城寺河煤礦為研究對象,將本文建立的煤與瓦斯突出危險性預測模型加以應用。寺河煤礦礦井位于沁水煤田東南邊緣,井田面積約為230 km2,地質儲量為15億t。全井田可采煤層分為3#、9#、15#共3層煤層,總厚度為10.32 m。其中,主采煤層3#煤平均厚度為6.31 m,可采儲量2.1億t。采區布置分為東區、西區、北區3個部分,礦區瓦斯儲量102.63億m3,相對瓦斯涌出量東區為9.03 m3/t,西區為16.6 m3/t,礦井絕對瓦斯涌出量為486.6 m3/min,是國內乃至世界罕見的高瓦斯礦井。

試驗數據的收集均在該礦3#煤層東、西區進行,通過該礦瓦斯監控資料以及在實驗室對該礦具有代表性的不同地點所采集煤樣進行模擬實驗研究所確定出的煤與瓦斯突出臨界指標值,選出了現場突出和不突出的煤樣各13組數據來作為網絡模型的學習樣本,進而對從現場預測預報中具有煤與瓦斯突出危險的40組數據進行重新模擬預測,確定其煤與瓦斯突出危險性。

網絡輸出0～0.4999時用0表示,代表沒有突出危險性;網絡輸出0.5000～1.0000時用1表示,代表具有突出危險性并必須采取相應的防突措施。預測結果見表1所示。

根據以上數據分析,通過遺傳算法和BP神經網絡結合并利用矩陣實驗室 (MATLAB)程序操作對最大鉆屑量 (S)、鉆屑解析指標 (K1)、鉆孔瓦斯涌出初速度 (q0)和煤的堅固性系數 (f)等4個煤與瓦斯突出的重要指標進行建模預測,得出預測結果是可行的,并且與現場長期觀測結果基本吻合。本文建立的預測模型可以使原來用單一的指標預測瓦斯突出危險性模型的準確性得到了進一步提高,使防突措施由原來所需的40個點降低到26個點,可減少防突工作所消耗的人力、物力和財力,有效地提高礦區防突投入的經濟效益。

表1 寺河煤礦現場測定試驗樣本及模擬預測結果

續表:

由于煤與瓦斯突出的非線性特征、影響因素的復雜性以及各個礦井的煤層地質構造、賦存狀況、開采方式等因素的不同,影響煤與瓦斯突出的主控因素也不盡相同,可以針對各個礦區實際情況將突出指標進行適當地調整,通過本文采用的方法進行建模預測,可以大大提高傳統的用單一指標來預測煤與瓦斯突出危險性的準確性,使煤礦防突預測工作更加科學合理。

5 結論

本文采用遺傳算法和BP神經網絡的結合對寺河礦區煤與瓦斯突出危險性進行了模擬預測,進一步增加了瓦斯突出的準確性,在保證安全的前提下防突的工作量可減少35%。

分析表明:兩種算法的結合對煤與瓦斯突出危險性預測是有效的,它與傳統的預測方法相比收斂速度更快、容錯能力更強、預測精度更高,能為今后的突出預測工作所借鑒。

[1]S.Y.Wu,Y.Y.Guo,Y.X.Li.Research on the mechanism of coal and gas outburst and the screening of prediction indices[C],Procedia Earth and Planetary Science,2009

[2]李敏強,徐博藝,寇紀淞.遺傳算法與神經網絡的結合[J].系統工程理論與實踐,1999(2)

[3]于不凡.國內外煤與瓦斯突出日常觀測綜述[C].煤與瓦斯突出預測資料匯編.煤炭科學研究總院重慶分院, 1987(6)

[4]王凱,俞啟香.煤與瓦斯突出的非線性特征及預測模型[M].北京:中國礦業大學出版社,2005

[5]玄光男,程潤偉.遺傳算法與工程優化[M].北京:清華大學出版社,1999

[6]遲寶明,林嵐,丁元芳.基于 GA-BPANN模型在地下水動態預測中的應用研究[J].工程勘察,2008(9)

[7]陳志高.遺傳算法和BP神經網絡在 GDP預測中的應用[J].計算機與數字工程,2009(9)

[8]施式亮,伍愛,王從陸.基于神經網絡與遺傳算法的煤與瓦斯突出區域預測研究[J].工業生產與礦業安全, 2007(8)

On the combined application of genetic algorithm and neural network in the prediction of coal/gas outbursts

Chen Quanqiu1,Guo Yongyi1,2,Wu Shiyue1,Xu Yusheng3,Wang Canzhao1
(1.College of Mining Technology,Taiyuan University of Technology,Taiyuan,Shanxi province 030024,China; 2.Taiyuan University of Science and Technology,Taiyuan,Shanxi province 030024,China; 3.Sihe Coal Mine,Jicheng Coal Group,Jincheng,Shanxi province 048205,China)

TD713

A

陳全秋(1983-),男,陜西漢中人,在讀碩士研究生,主要從事煤層氣開發與煤礦瓦斯防治研究。

(責任編輯 梁子榮)

國家科技支撐計劃項目(2007BAK29B01)、山西省科技攻關項目 (2007031120-02)