遗传算法与神经网络的结合在煤与瓦斯突出危险性预测中的应用研究＊

陈全秋郭勇义,2吴世跃徐玉胜王灿召

(1.太原理工大学矿业工程学院,山西省太原市,030024; 2.太原科技大学,山西省太原市,030024; 3.晋城煤业集团寺河矿,山西省晋城市,048205)

★煤矿安全 ★——晋城煤业集团公司协办

遗传算法与神经网络的结合在煤与瓦斯突出危险性预测中的应用研究＊

陈全秋1郭勇义1,2吴世跃1徐玉胜3王灿召1

(1.太原理工大学矿业工程学院,山西省太原市,030024; 2.太原科技大学,山西省太原市,030024; 3.晋城煤业集团寺河矿,山西省晋城市,048205)

将反映煤与瓦斯突出的重要特征指标:最大钻屑量 (S)、钻屑解析指标(K1)、钻孔瓦斯涌出初速度 (q0)和煤的坚固性系数 (f)通过神经网络与遗传算法有效结合,建立煤与瓦斯突出危险性预测模型,并通过现场实测数据进行突出危险性预测。结果表明:两种算法的结合对煤与瓦斯突出危险性预测是有效的,它与传统的预测方法相比收效速度更快,容错能力更强,预测精度更高。

煤与瓦斯突出 预测 特征指标 神经网络 遗传算法

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

随着我国煤炭资源的进一步开发,煤炭开采深度不断增加,煤矿瓦斯突出事故发生频率呈增长趋势,针对此情况必须对突出灾害进行有效防治,而防治的关键在于预测。因此,研究可靠的预测方法便成为了防治工作的重中之重。然而,由于煤与瓦斯突出为非常复杂的动力现象,影响因素众多,多年来国内外学者做了大量研究,但到目前为止还没达成共识。近年来,许多学者试图通过人工神经网络模型对瓦斯突出进行预测,但是由于人工神经网络结构自身的不足,预测效果大多不太理想。自上世纪90年代以来广泛引入了遗传算法,其良好的全局搜索能力及很强的鲁棒性大大改善了神经网络的缺陷,得到了学界的广泛认可。

本文针对煤与瓦斯突出的发生规律,结合突出的综合作用假说,根据突出的非线性特征以及突出指标的影响程度不同,通过BP神经网络和遗传算法的结合对煤矿可能发生煤与瓦斯突出危险的区域进行建模预测。

1 煤与瓦斯突出危险性预测指标集的建立

煤与瓦斯突出是众多因素共同作用的结果,国内外煤层突出资料表明,突出的发生具有区域性分布或带状分布的特点,突出危险带的面积一般不到突出煤层总面积的10%。因此,本文预测指标体系集以煤与瓦斯突出区域预测中接触式预测指标为基础建立。通过对煤矿瓦斯突出的主控因素分析,并考虑到现场测取数据的难度和可操作性,选取最大钻屑量(S)、钻屑解析指标(K1)、钻孔瓦斯涌出初速度(q0)和煤的坚固性系数(f)作为影响突出的基本指标。

最大钻屑量能综合反映煤层应力状态、煤的力学性质及其瓦斯的赋存状况;钻屑解析指标正确反映煤层破坏程度和瓦斯含量的综合作用;钻孔瓦斯涌出初速度全面反映了煤的渗透能力、力学性质、煤层瓦斯压力和含量及地应力等因素的变化;煤的坚固性系数反映了煤的力学性质,通常情况下,瓦斯压力和地应力相同的条件下,煤的坚固性系数越大,越不容易发生突出。

2 算法分析

2.1 人工神经网络 (ANN)算法分析

人工神经网络是模拟人脑的结构和功能的非线性信息处理系统,它是一种经过不断学习来实现其自身对数据的记忆、推理、归纳的功能,其学习过程实质就是不断调节权值和阈值的过程。神经网络中使用最广泛的为反向误差传播神经网络 (即BP神经网络)。BP神经网络模型一般包括输入层、隐含层、输出层及各层之间的传递函数。模型用于实际预测时,需要完成学习过程和预测过程。学习过程由信息的正向传播和误差的反向传播组成。在信息的正向传播过程中,输入信息从输入层向隐含层过渡时,每个神经元只对下一层的神经元产生影响,如果输出层达到输出结果,则计算输出层的误差变化值,接着反向传播,同时网络的误差信号沿着原来的连接通路逆向传播并修改各层神经网络的权值,如此反复多次完成对所有信息的训练学习,指导网络收敛至指定的精度,得到满意的权值。然后将得到的结果进行实际的预测。但BP神经网络算法在本质上讲属于最速下降法的内容,因此存在着许多缺陷:收敛速度慢,局部最小点,网络结构很难确定。其网络模型如图1所示。

图1 煤与瓦斯突出BP神经网络模型

2.2 遗传算法分析

遗传算法是模拟生物界优胜劣汰的竞争机制,通过遗传进化过程建立起来的一种全局搜索算法,主要依靠代与代之间的维持,由潜在解组成的种类来实现多向性和全局的搜索。遗传算法通过适应度函数给每个个体一个数值评价,淘汰适应度低的个体,选择适应度高的个体参加遗传操作,经过遗传操作后的个体集合形成下一代新的种群。对这个新种群进行下一轮进化。经过不断的选择、交叉、变异找到最终的染色体,作为最优解保留下来。因此,染色体的遗传问题也可视为典型的寻优过程。由于遗传算法自身具有广泛的适应性,全局搜索能力以及具有很强的鲁棒性,因此,该算法的优点恰恰能弥补神经网络存在的不足。

2.3 算法的结合与实现过程

本文综合遗传算法的全局收敛性和鲁棒性以及BP神经网络局部搜索的快捷性,将遗传算法与BP神经网络进行有机结合。结合的主题思想是通过遗传算法操作可以保证在整个解空间中进行,同时寻优过程不依赖于种群选取的初始值,根据遗传算法将搜索的范围缩小之后,利用神经网络得出精确的网络权值,确定预测的最优值。其步骤如下:

(1)在不同的实数区间内随机产生N组初始的BP网络权值,构成初始权值种群。

(2)对这N组初始权值种群计算训练误差,如果误差符合要求输出权值,进行第4步操作;否则根据训练结果确定其适应度函数,并根据个体适应度值的大小对操作进行有效排序进行下一步操作。

(3)按第2步排序的结果重新进行选择、交叉、变异等遗传操作,使权值不断地进化,并对产生的新权值计算出种群中每个个体的学习误差及其适应度值,若产生的新的权值满足精度要求输出权值,进行第4步操作。否则重复进行选择、交叉、变异操作,直至达到训练要求。

(4)将第2、3步取得的优化权值作为BP网络的初始权值进行训练,形成预测模型。

(5)用训练好的网络预测模型对测试数据进行预测。

3 煤与瓦斯突出危险性预测模型的建立

根据煤与瓦斯突出的非线性特征,模型设计采用3层BP神经网络,因为3层的BP网络可以逼近任意的非线性映射。各层节点数为输入层4个,输出层2个,隐含层节点数根据如下经验公式得到。

式中:n——隐含层节点数;

n1——输入节点个数;

m——输出节点个数;

a——1到10之间的常数。

种群大小 N=66,学习样本26个,预测样本40个。遗传变异率 pc=0.80,最大进化代数为100,指定最小的学习误差为0.001。

4 实例分析

以山西晋城寺河煤矿为研究对象,将本文建立的煤与瓦斯突出危险性预测模型加以应用。寺河煤矿矿井位于沁水煤田东南边缘,井田面积约为230 km2,地质储量为15亿t。全井田可采煤层分为3#、9#、15#共3层煤层,总厚度为10.32 m。其中,主采煤层3#煤平均厚度为6.31 m,可采储量2.1亿t。采区布置分为东区、西区、北区3个部分,矿区瓦斯储量102.63亿m3,相对瓦斯涌出量东区为9.03 m3/t,西区为16.6 m3/t,矿井绝对瓦斯涌出量为486.6 m3/min,是国内乃至世界罕见的高瓦斯矿井。

试验数据的收集均在该矿3#煤层东、西区进行,通过该矿瓦斯监控资料以及在实验室对该矿具有代表性的不同地点所采集煤样进行模拟实验研究所确定出的煤与瓦斯突出临界指标值,选出了现场突出和不突出的煤样各13组数据来作为网络模型的学习样本,进而对从现场预测预报中具有煤与瓦斯突出危险的40组数据进行重新模拟预测,确定其煤与瓦斯突出危险性。

网络输出0～0.4999时用0表示,代表没有突出危险性;网络输出0.5000～1.0000时用1表示,代表具有突出危险性并必须采取相应的防突措施。预测结果见表1所示。

根据以上数据分析,通过遗传算法和BP神经网络结合并利用矩阵实验室 (MATLAB)程序操作对最大钻屑量 (S)、钻屑解析指标 (K1)、钻孔瓦斯涌出初速度 (q0)和煤的坚固性系数 (f)等4个煤与瓦斯突出的重要指标进行建模预测,得出预测结果是可行的,并且与现场长期观测结果基本吻合。本文建立的预测模型可以使原来用单一的指标预测瓦斯突出危险性模型的准确性得到了进一步提高,使防突措施由原来所需的40个点降低到26个点,可减少防突工作所消耗的人力、物力和财力,有效地提高矿区防突投入的经济效益。

表1 寺河煤矿现场测定试验样本及模拟预测结果

续表:

由于煤与瓦斯突出的非线性特征、影响因素的复杂性以及各个矿井的煤层地质构造、赋存状况、开采方式等因素的不同,影响煤与瓦斯突出的主控因素也不尽相同,可以针对各个矿区实际情况将突出指标进行适当地调整,通过本文采用的方法进行建模预测,可以大大提高传统的用单一指标来预测煤与瓦斯突出危险性的准确性,使煤矿防突预测工作更加科学合理。

5 结论

本文采用遗传算法和BP神经网络的结合对寺河矿区煤与瓦斯突出危险性进行了模拟预测,进一步增加了瓦斯突出的准确性,在保证安全的前提下防突的工作量可减少35%。

分析表明:两种算法的结合对煤与瓦斯突出危险性预测是有效的,它与传统的预测方法相比收敛速度更快、容错能力更强、预测精度更高,能为今后的突出预测工作所借鉴。

[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]李敏强,徐博艺,寇纪淞.遗传算法与神经网络的结合[J].系统工程理论与实践,1999(2)

[3]于不凡.国内外煤与瓦斯突出日常观测综述[C].煤与瓦斯突出预测资料汇编.煤炭科学研究总院重庆分院, 1987(6)

[4]王凯,俞启香.煤与瓦斯突出的非线性特征及预测模型[M].北京:中国矿业大学出版社,2005

[5]玄光男,程润伟.遗传算法与工程优化[M].北京:清华大学出版社,1999

[6]迟宝明,林岚,丁元芳.基于 GA-BPANN模型在地下水动态预测中的应用研究[J].工程勘察,2008(9)

[7]陈志高.遗传算法和BP神经网络在 GDP预测中的应用[J].计算机与数字工程,2009(9)

[8]施式亮,伍爱,王从陆.基于神经网络与遗传算法的煤与瓦斯突出区域预测研究[J].工业生产与矿业安全, 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

陈全秋(1983-),男,陕西汉中人,在读硕士研究生,主要从事煤层气开发与煤矿瓦斯防治研究。

(责任编辑 梁子荣)

国家科技支撑计划项目(2007BAK29B01)、山西省科技攻关项目 (2007031120-02)