基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

付 华,谢 森,徐耀松,陈子春

(1.辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛 125105;2.开滦(集团)有限责任公司,河北唐山 063018)

基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究

付 华1,谢 森1,徐耀松1,陈子春2

(1.辽宁工程技术大学电气与控制工程学院,辽宁葫芦岛 125105;2.开滦(集团)有限责任公司,河北唐山 063018)

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,建立了基于ACC-ENN算法的绝对瓦斯涌出量预测模型,并结合矿井监测到的历史数据进行实例分析。试验结果表明:经蚁群聚类优化后的Elman神经网络绝对瓦斯涌出量预测模型较其他预测模型具有更好的泛化能力和更高的预测精度,有效地实现了煤矿绝对瓦斯涌出量动态预测。

绝对瓦斯涌出量;蚁群聚类;Elman神经网络;动态预测

瓦斯灾害是制约煤矿安全生产的重要因素之一,对煤矿井下绝对瓦斯涌出量进行精准预测是防治煤矿瓦斯灾害的有力措施[1]。目前国内外众多专家学者对绝对瓦斯涌出量预测进行研究,提出了许多有用的预测模型和方法。吕伏等针对绝对瓦斯涌出量提出了主成分回归分析方法[2]。白云霄、朱红青等提出了用人工神经网络[3-4]构建绝对瓦斯涌出量预测模型。李国祯、谷松等运用灰色理论[5-6]模型,进一步对煤矿绝对瓦斯涌出量进行预测,得到的实验效果较好。王晓路等将卡尔曼滤波[7]算法运用于绝对瓦斯涌出量预测问题上。王其军等综合了免疫算法和神经网络[8],实现对绝对瓦斯涌出量的综合预测。上述方法各有特点,为推动我国煤矿安全生产做出了贡献,但这些方法的瓦斯涌出量预测误差比较大,且需要的样本较多,存在一定的局限性。瓦斯涌出量的预测是一个随时间动态发展变化的复杂过程,回采工作面绝对瓦斯涌出量受自然因素和开采技术因素的综合影响[9],通常很难精确预测和描述。

为解决这类问题,笔者在以上研究成果的基础上,建立蚁群聚类-Elman神经网络的绝对瓦斯涌出量预测模型,将蚁群聚类(ACC,ant colony clustering)算法和Elman神经网络[10](ENN,Elman neural network algorithm)结合起来,充分利用蚁群聚类算法得到Elman神经网络的最优权值和阈值,提高Elman神经网络的预测精度和收敛速度,并用实例验证了该模型的有效性,实现对绝对瓦斯涌出量的动态预测。

1 ACC-ENN模型构建计算理论

在煤矿绝对瓦斯涌出量预测系统中,Elman神经网络由于其特殊的动态特性和递归作用,较前向神经网络具有更强的计算能力和网络稳定性等优点。但是由于Elman神经网络复杂的网络结构和其收敛速度慢、易于局部收敛、精度低等缺点,使Elman神经网络应用在绝对瓦斯涌出量预测中,辨识误差过大,无法实现快速、精准预测[11]。所以笔者将Elman神经网络与能够实现智能搜索、全局优化的蚁群聚类算法结合起来,构造蚁群聚类-Elman神经网络绝对瓦斯涌出量动态预测模型。ACC算法全局优化能力强,有效改善Elman神经网络收敛速度,提高了绝对瓦斯涌出量预测精度。

1.1 ENN算法

Elman神经网络(ENN)是一种动态递归性人工神经网络,不但能解决静态系统的建模问题,还能实现动态系统的映射,更加直接地反映系统的动态特性。

设网络输入为x(t),网络输出为y(t),隐含层输出为S(t),反馈层输出为O(t),则Elman神经网络描述为

式中,φ(·)和g(·)分别为隐含层和输出层传递函数;w,σ和β分别为输入层到隐层、隐层到输出层、反馈层到隐层的权值;b1和b2分别为隐含层和输出层阈值。

1.2 适应度函数的确定

根据绝对瓦斯涌出量系统参数辨识[12]的需求,假设e(t)为t时刻的期望输出y～(t)和Elman神经网络实际输出y(t)的误差值。

设n个数据样本,则绝对瓦斯涌出量预测系统的目标函数采用误差平方和

Elman神经网络采用动态反向传播学习算法进行训练,训练的目标就是通过对ENN各层权值调节,使E(t)达到最小。

针对绝对瓦斯涌出量预测的非线性问题,采用蚁群聚类算法对Elman神经网络的权值和阈值进行寻优,使得Elman神经网络的实际输出与期望输出的误差平方和取最小值,则适应度函数为

1.3 蚁群聚类理论

ACC算法是一种模拟进化算法,在聚类的基础上,实现智能搜索、全局优化,且具有鲁棒性、正反馈、分布式计算等特点,更注重收敛速度的提高[13-14]。

对于给定的训练样本X={x1,x2,x3,…,xN},c个聚类中心Q={q1,q2,q3,…,qc},以每个样本到聚类中心距离之和达到最小作为目标函数,数学模型表示为

其中,W为相似分类矩阵;m为权重指数;wij表示样本集合中第i个样本隶属于第j类的程度,同时,聚类中心Q为

假定M个待优化的参数,记为p1,p2,…,pM,对于其中任一pi(1≤i≤M)。根据每个元素中的信息素状态,蚂蚁的状态转移概率定义为

式中,Tk为蚂蚁k下一步允许选择的状态集合;τij(t)为t时刻路线上遗留的信息素;ηij为启发因子;α,β分别表示蚂蚁在寻求最优解的过程中τij和ηij的相对重要程度。

当蚂蚁在各个区域完成元素的选择后,应对信息素τij进行更新:

式中,0≤ρ＜1为解空间信息素的持久性;给定参数D为蚂蚁组释放的信息素密度;Lk为本次循环中蚂蚁k搜索的路径长度。

反复执行这一过程后,直到达到最大迭代次数就停止搜索,返回最优解为聚类结果。

蚁群聚类具体步骤如图1所示。

图1 蚁群聚类算法操作流程Fig.1 The algorithm of ant colony clustering operating procedures

1.4 ACC-ENN的具体算法预测过程

Elman神经网络的激活函数为Sigmoid函数,激励函数自变量定义域为[0,0.1],[0.9,1]时,两个值域内曲线变化比较平坦,本文归一区间为[0.1, 0.9]。其数据归一化公式为

其中,X为原始数据;Xmin为原始数据的最小值;Xmax为原始数据的最大值;Z为变换后的数据。预测运算完成后,对结果数据进行反归一化处理,反归一化公式为

ACC-ENN算法预测过程:

(1)Elman神经网络数据按式(10)进行预处理。

(2)根据预测模型,对蚁群各个参数进行初始化设置。

(3)输入训练样本到蚁群聚类-Elman神经网络模型中,计算Elman神经网络的实际输出y(t)和训练样本的期望输出(t),并得到训练误差e(t),计算相应的适应度函数,采用蚁群聚类算法对瓦斯涌出量样本进行聚类分析,更新蚁群的信息素并计算转移概率,记录当前最优解。若满足适应度函数的精度或者到达迭代最大次数,则搜索得到最优Elman聚类中心,并根据聚类结果选取Elman神经网络的学习样本集。

(4)用ACC优化算法对Elman神经网络训练完成后,求得最优蚁群聚类结果,即作为最优Elman神经网络权值、阈值。

(5)经过多次迭代训练后,最终得到蚁群聚类-Elman神经网络模型。再对测试集进行预测,Elman神经网络输出端同时输出预测结果。

(6)对预测结果采用式(11)作反归一化处理,根据Elman神经网络得到的模型输出和测试集输出得到系统预测误差。

2 ACC-ENN绝对瓦斯涌出量动态预测模型构建及应用

2.1 绝对瓦斯涌出量影响因素选取

回采工作面绝对瓦斯涌出量影响因素很多[15],经过与现场工程技术人员沟通以及参考相关资料,选取回采工作面绝对瓦斯涌出量的14个主要影响因素:煤层瓦斯含量(X1)、煤层埋藏深度(X2)、煤层厚度(X3)、煤层倾角(X4)、采高(X5)、日工作进度(X6)、工作面长度(X7)、工作面采出率(X8)、邻近层瓦斯含量(X9)、邻近层厚度(X10)、邻近层间距(X11)、顶板管理方式(X12)、开采强度(X13)、层间岩性(X14)。将这14个主要影响因素作为Elman神经网络的输入样本,实时对瓦斯涌出量Y进行预测。

2.2 瓦斯涌出量ACC-ENN动态预测模型的建立

根据分析的14个绝对瓦斯涌出量影响因素,通过煤矿绝对瓦斯涌出量的实际测试数据,选取16组数据用作Elman神经网络训练(具体数据见表1的 1～16组),选取4组瓦斯涌出量数据用来检验预测模型的精确程度(具体数据见表1的17～20组),建立绝对瓦斯涌出量的ACC-ENN预测模型。预测模型结构如图2所示。

表1 回采工作面绝对瓦斯涌出量与影响因素数据统计Table 1 The statistical data of coalface gas em ission and influencing factors

图2 绝对瓦斯涌出量预测模型结构Fig.2 The structure of absolute gas emission prediction model

在瓦斯涌出量预测系统建模中,采用蚁群聚类优化算法通过最优聚类中心对以Elman神经网络的权值和阈值为向量值的蚁群聚类搜索空间进行寻优,得到最好的适应度函数,并将其最优结果反馈给模型(图2),经过多次迭代,y～(t)-y(t)=e(t)→0,最终得到ACC-ENN动态预测模型。

2.3 绝对瓦斯涌出量预测模型检验及实例分析

本文选取开滦矿业集团钱家营矿区2009年5月至2010年12月的回采工作面绝对瓦斯涌出量历史监测数据进行建模分析和预测,选取了几个对瓦斯涌出量影响较大的因素的历史数据作为预测模型的训练、测试样本集。根据煤矿绝对瓦斯涌出量的影响因素,确定Elman神经网络结构参数和蚁群聚类算法的初始参数如下。输入层节点数为14+1=15;Elman神经网络的隐层中心值取蚁群聚类的中心值,所以隐层节点数=反馈层节点数=聚类个数=6;输出层节点数为1。蚁群为100组,每组有3只蚂蚁,α=0.9,β= 1.5,蚂蚁释放的信息素密度D=1。最大迭代次数Tmax=1 000。

通过Matlab2009结合表1数据对回采工作面绝对瓦斯涌出量预测模型进行仿真试验,将表1中前16个回采工作面的数据用来训练,后4个回采工作面的数据用来检验预测模型的精确程度。图3为瓦斯涌出量实际值与预测值的对比。由图3可知,该预测模型预测效果好,拟合精度高。

图3 瓦斯涌出量预测值与实际值对比Fig.3 The contrastof gas emission prediction and practical values

图4为蚁群聚类-Elman神经网络预测模型的收敛过程图,通过收敛曲线可以看出蚁群聚类优化算法能将误差降至允许的误差范围。

图4 收敛过程Fig.4 The diagram of convergence

表2为ACC-ENN瓦斯涌出量预测模型与RBF神经网络预测模型、Elman神经网络预测模型进行比较。表2中的试验数据可以看出运用ACC-ENN预测算法的相对误差明显低于其他2种预测算法。预测结果表明ACC-ENN预测算法具有较高的预测精度和较好的泛化能力,能够准确地对煤矿瓦斯涌出量进行预测,达到理想的预测效果。

表2 3种预测模型预测效果对比分析Table 2 The different p rediction model prediction effects contrast and analysis

3 结 论

(1)煤矿瓦斯涌出量的影响因素较多,提出了ACC-ENN瓦斯涌出量预测模型,可以对瓦斯涌出量与其影响因素之间的非线性关系进行逼近,非线性学习能力强。

(2)由于Elman神经网络算法本身存在学习速度慢、精度低、鲁棒性差等缺陷,使得将其应用到煤矿瓦斯涌出量预测模型中,容易影响瓦斯涌出量预测精度,所以采用蚁群聚类算法对Elman神经网络的权值、阈值进行寻优。

(3)通过矿井绝对瓦斯涌出量预测试验,结果表明:基于ACC-ENN的瓦斯涌出量预测模型与RBF神经网络、Elman神经网络两种预测方法相比,具有更快的收敛速度和更高的预测精度,相对误差明显低于其他预测模型,有效地实现了煤矿瓦斯涌出量动态预测。

[1] 石 琨.综放工作面瓦斯综合治理技术[J].煤炭科学技术, 2012,40(5):63-66.Shi Kun.Gas comprehensive control technology of fully mechanized top coal cavingmining face[J].Coal Science and Technology,2012, 40(5):63-66.

[2] 吕 伏,梁 冰,孙维吉,等.基于主成分回归分析法的回采工作面瓦斯涌出量预测[J].煤炭学报,2012,37(1):113-116.

LüFu,Liang Bing,Sun Weiji,etal.Gas emission quantity prediction of working face based on principal component regression analysis method[J].Journal of China Coal Society,2012,37(1):113-116.

[3] 白云霄.基于神经网络算法的煤矿瓦斯涌出量预测模型研究[J].煤炭技术,2012,31(11):104-105.

Bai Yunxiao.Research on coalmine gas emission forecastingmodel based on neural network algorithm[J].Coal Technology,2012,31 (11):104-105.

[4] 朱红青,常文杰,张 彬.回采工作面瓦斯涌出BP神经网络分源预测模型及应用[J].煤炭学报,2007,32(5):504-508.

Zhu Hongqing,Chang Wenjie,Zhang Bin.Different-source gasemis-sion prediction model of working face basedon BP artificialneural network and its app lication[J].Journal of China Coal Society,2007, 32(5):504-508.

[5] 李国祯,李希建,孟昭君,等.基于灰色理论的矿井未开采区瓦斯涌出量预测[J].煤炭工程,2010,29(9):85-87.

Li Guozhen,Li Xijian,Meng Zhaojun,et al.Prediction on gas emission value from unmined block ofmine base on grey theory[J].Coal Engineering,2010,29(9):85-87.

[6] 谷 松,崔洪庆,冯文丽.基于灰色理论的小波神经网络对瓦斯涌出量的预测[J].煤炭学报,2007,32(9):964-966.

Gu Song,Cui Hongqing,Feng Wenli.Mine gas gushing forecasting based on greymodeland waveletneural network[J].Journal of China Coal Society,2007,32(9):964-966.

[7] 王晓路,刘 健,卢建军.基于虚拟状态变量的卡尔曼滤波瓦斯涌出量预测[J].煤炭学报,2011,36(1):80-85.

Wang Xiaolu,Liu Jian,Lu Jianjun.Gas emission quantity forecasting based on virtual state variables and Kalmanfilter[J].Journal of China Coal Society,2011,36(1):80-85.

[8] 王其军,程久龙.基于免疫神经网络模型的瓦斯浓度智能预测[J].煤炭学报,2008,33(6):666-668.

Wang Qijun,Cheng Jiulong.Forecast of coalmine gas concentration based on the immune neural network model[J].Journal of China Coal Society,2008,33(6):666-668.

[9] 崔鸿伟.长壁采煤工作面瓦斯涌出量影响因素实测研究[J].煤炭科学技术,2011,39(11):70-72.

Cui Hongwei.Site measurement study on influence factors of gas emission value from mechanized longwall coalmining face[J].Coal Science and Technology,2011,39(11):70-72.

[10] 王春晓,陈开岩,张 宝.基于Elman组合预测模型的瓦斯涌出量预测[J].黑龙江科技学院学报,2011,21(4):285-288.

Wang Chunxiao,Chen Kaiyan,Zhang Bao.Amount of gas emission prediction base on Elman and combination prediction model[J].Journal of Heilongjiang of Science and Technology,2011,21(4): 285-288.

[11] 付 华,姜 伟,单欣欣.基于耦合算法的煤矿瓦斯涌出量预测模型研究[J].煤炭学报,2012,37(4):654-658.

Fu Hua,Jiang Wei,Shan Xinxin.Study on coupling algorithm on coalmine gas emission forecast model[J].Journal of China Coal Society,2012,37(4):654-658.

[12] Shao Liangshan,Fu Guixiang.Disaster prediction of coalmine gas based on datamining[J].Journal of Coal Science&Engineering (China),2008,14(3):458-463.

[13] 王晓路.基于蚁群算法优化SVM的瓦斯涌出量预测[J].煤炭技术,2011,30(5):81-82.

Wang Xiaolu.Forecasting ofgasemission quantity based on ant colony optimization SVM[J].Coal Technology,2011,30(5):81-82.

[14] 华 臻,王振钟.蚁群优化算法在矿井中的应用[J].煤炭学报,2008,33(3):353-356.

Hua Zhen,Wang Zhenzhong.App lication of ant colony algorithm to mine[J].Journal of China Coal Society,2008,33(3):353-356.

[15] 孙 林,杨世元.基于LS-SVM的回采工作面瓦斯涌出量预测[J].煤炭学报,2008,33(12):1376-1380.

Sun Lin,Yang Shiyuan.Prediction for gas emission quantity of the working face based on LS-SVM[J].Journalof China Coal Society, 2008,33(12):1376-1380.

Gas em ission dynam ic prediction model of coalm ine based on ACC-ENN algorithm

FU Hua1,XIE Sen1,XU Yao-song1,CHEN Zi-chun2

(1.Faculty of Electrical&Control Engineering,Liaoning Technical University,Huludao 125105,China;2.Kailuan Group Co.,Ltd.,Tangshan 063018, China)

For the purpose ofachievingmore accurate and reliable gas emission dynamic prediction through effective analysis of gasmeasuring data in mines,this paper put forward amethod that use ant colony clustering to optimize Elman neural network.Ant colony clustering algorithm wasmerged with Elman neural network to optimize weight and threshold.Themodel of gas emission quantity prediction was established by ACC-ENN algorithm,with the historical data ofmine actualmonitoring to experimentand analysis.The results show that the Elman neuralnetworkmodel optimized by ant colony clustering than other predictionmodel has better generalization ability and higher precision of prediction,to realize the dynamic forecast of gas emission effectively.

absolute gas emission quantity;ant colony clustering;Elman neural network;dynamic prediction

TD712

A

0253-9993(2014)07-1296-06

付 华,谢 森,徐耀松,等.基于ACC-ENN算法的煤矿瓦斯涌出量动态预测模型研究[J].煤炭学报,2014,39(7):1296-1301.

10.13225/j.cnki.jccs.2013.0773

Fu Hua,Xie Sen,Xu Yaosong,et al.Gas emission dynamic prediction model of coal mine based on ACC-ENN algorithm[J].Journal of China Coal Society,2014,39(7):1296-1301.doi:10.13225/j.cnki.jccs.2013.0773

2013-07-01 责任编辑:毕永华

国家自然科学基金资助项目(51274118);辽宁省科技攻关资助项目(2011229011)

付 华(1962—),女,辽宁阜新人,教授,博士生导师。E-mail:fxfuhua@163.com