基于BP神经网络的煤层瓦斯含量预测

2016-12-13刘锦伟谢雄刚郭鹏飞

甘肃科技 2016年21期

刘锦伟，谢雄刚,3，方井，郭鹏飞

(1.贵州大学矿业学院，贵州贵阳 550025；2.贵州大学复杂地质矿山开采安全技术工程中心，贵州贵阳 550025；3.贵州大学贵州省优势矿产资源高效利用实验室，贵州贵阳 550025)

基于BP神经网络的煤层瓦斯含量预测

刘锦伟1,2，谢雄刚1,2,3，方井1,2，郭鹏飞1,2

为了更加方便快捷地掌握煤层瓦斯含量。利用BP神经网络的优势，引用了贵州某矿瓦斯等级鉴定报告中相关数据，建立了煤层瓦斯预测模型，运用MATLAB7.0进行编程，模拟仿真了贵州某矿地勘钻孔1+3号煤层瓦斯带不同采样低界深度煤体的水分、灰分、以及地勘钻孔瓦斯组分中CH4、CO2、N2百分含量与该采样点煤层瓦斯含量之间的非线性关系，根据MATLAB模拟的结果：平均误差为4.47%，稳定性较好，证明了运用地勘钻孔的相关参数预测煤层瓦斯含量的可行性。

BP神经网络;煤层瓦斯;非线性模拟;网络参数;传递函数

我国普遍采用的煤层瓦斯含量测定方法有三类：地勘解析法，间接法和井下解析法[1]。而地勘解析法是煤田地质勘探和煤层瓦斯地面开发时最常用的煤层瓦斯含量测定方法，在我国煤田地质勘探部门得到了广泛的推广应用[2]；间接法测定煤层瓦斯含量需要测定煤层瓦斯压力，进而计算出瓦斯含量，测定煤层瓦斯压力比较复杂，工作量较大；井下解析法是在地勘解析法原理基础上改进、发展形成的，测量的结果相对前两种方法的精确度高。这些方法工作量大，过程比较复杂，测量周期较长。

BP神经网络具有很强的非线性函数逼近能力、自适应学习能力、容错能力和并行信息处理能力，在解决未知不确定非线性系统的建模、预测、控制方面有很大的优势[3-4]，利用地勘钻孔中与煤层瓦斯含量相关的数据预测煤层瓦斯含量，不仅克服了常用测量方法的不足，而且方便快捷，经济性高，也为矿井进行瓦斯涌出量预测、煤与瓦斯突出预测提供了新的途径。

1 BP神经网络原理及其算法

BP算法也称误差反向传播算法（error back propagation algorithm)，是一种多层网络的训练算法，用来估计网络的连接权重值W和偏差值θ。当神经网络的拓扑结构确定后，就可以从输入层经隐含层到输出层得到各层神经元的传导，在此之后，按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权重，最后到输入层。随着这种误差的反向传播修正的不断进行，网络对输入模式相应的正确率也不断上升，最后达到预期的预测目标。

1.1 BP神经网络模型的构建

本文选取贵州某矿瓦斯等级鉴定报告中1+3号煤层瓦斯带中的部分数据（见表1），通过该煤层地勘钻孔中不同采样低界深度、该取样深度煤体中的水分、灰分以及地勘钻孔煤层中CH4、CO2、N2百分含量来预测该深度煤层的瓦斯含量。

1.2 确定BP神经网络拓扑结构

根据BP神经网络的理论，一般情况下使用一个单隐含层就可以得到比较理想的结果[5],本预测数据相对比较简单，因此该煤层瓦斯含量预测模型选用单隐层的三层神经网络。煤层地勘钻孔中的采样低界深度、水分、灰分以及煤体中CH4、CO2、N2百分含量6个参数作为神经网络模型的输入参数，煤层瓦斯含量为输出参数，隐含层节点数为13个，使用软件MATLAB7.0中的神经网络工具箱newff函数创建BP训练网络，输入层到隐含层的传递函数和隐含层到输出层的传递函数分别为S型的正切函数（tansig）和线性传递函数（purelin）。网络结构如图1所示。

表1 训练用实测样本数据

图1 BP神经网络结构

1.3 输入输出数据预处理及参数设置

为了加快网络的训练速度、减小模拟过程中的误差，需对神经网络的输入输出数据进行一定的预处理。对输入向量P和目标向量T采用premnmx函数进行归一化处理，其归一化编程语句为：[Pn,minp, maxp,Tn,mint,maxt]=(P,T)，它将每组数据都量化到范围[-1,1]内，网络训练也是采用归一化的数据。训练结束后可以使用函数postmnmx函数将模拟结果还原成最初目标所用的单位[6]。

训练的网络模型参数设定为：学习率0.02，最大训练次数80000，训练要求精度0.0001。训练过程中当满足目标精度要求或达到最大迭代次数时,自动停止训练。

1.4 煤层瓦斯含量预测模拟

将建立的煤层瓦斯含量预测模型运用软件MATLAB7.0、通过编程的形式进行训练模拟，训练误差变化曲线图如图2所示，模拟训练结束后，另外选取3组数据作为测试样本，预测煤层瓦斯含量，并与原始测得的数据进行了对比分析（见表2）。

图2 网络训练误差曲线

表2 训练用实测样本数据

从图2可以看出，当网络学习迭代到75537次时, 就达到了学习精度0.0000999991,网络趋于稳定。从表2可以看出，BP网络的预测值与实测值吻合较好,相对平均误差为4.47%，误差小于7%，模型预测误差精度能满足实际的需要[7]，也验证了BP神经网络预测模型的正确性，即可以作为煤层瓦斯含量的一个有效预测手段。