基于神经网络的上隅角CO涌出影响因素分析

史钢柱

（潞安集团司马煤业有限公司，山西 长治 047105）

煤矿开采过程中产生的CO一般是由采空区的遗留煤层自燃引起，在煤层自燃预测防治过程中，CO可以作为自燃的指标参数，但是某些矿区在自燃较少的情况下仍然出现了上隅角CO超标问题，这对煤矿的灭火控制不利。所以研究工作面CO涌出影响因素对于煤矿CO治理意义深远。本文以司马煤矿1208工作面为研究对象，对其工作面上隅角CO超标问题影响因素进行分析，根据其涌出情况，建立了BP神经网络预测模型，通过权重公式分析了其涌出影响因素权重值，得到了权重顺序。

1 CO涌出量影响因素的选取

常温情况的煤层自燃趋向可以取决于其氧化能力的强弱，但煤矿开采中煤层自燃趋向不能够完全决定煤层的发火，煤层发火还会受到煤层中水分、变质成分等内因和地质条件、通风情况、采掘水平等外因的影响。

（1）煤体分子中活性结构可以与氧气反应，煤体与氧气反应水平也和其性能及类别关系密切，实验证明煤种不同的煤层涌出CO规律可以相同，但煤在变质过程中，生成CO的趋势增加，不同煤种临界温度也不同。

（2）煤矿开采中所测的CO浓度值会受到工作面风量的影响，高风量会加重漏风，氧化带宽度增加，使得CO数值升高，但过高的通风量又会对CO产生稀释作用；风量减小会减小氧化带宽度，遗煤氧化水平减弱，CO数值降低。

（3）工作面参数对于气体浓度影响作用大，比如采高数值增大会增加采空区漏风量，使得CO浓度增加，增加采高也会提高遗煤量使得CO浓度增加。

（4）漏风量的大小会改变CO浓度，遗煤氧化的必备条件是漏风中的氧气存在。漏风强度可以改变氧的浓度，煤体在漏风过程中会消耗氧，CO的浓度也会降低氧浓度。

根据司马煤矿1208工作面实际情况，采空区CO涌出量的影响因素主要有采空区氧浓度、温度、推进量、出煤量、回风风流量、漏风风流量、周期压力等因素，通过灰色关联度计算得出影响因素关联度排序依次是漏风量、回风风流量、周期压力、采空区氧气浓度、推进度、出煤量和温度，可将前五因素进行研究分析。

2 神经网络模型的建立

2.1 模型样本的选取

神经网络模型建立包括学习和预测两个过程，前者通过输出和期望误差对比改进神经元连接权值，预测过程是在网络成熟后进行。结合司马煤矿1208工作面上隅角CO涌出实测数据和影响因素，选取20组相关数据作为样本。

2.2 隐含层神经元的确定

非线性问题可通过非线性函数逼近解决，基于1208工作面实际情况建立三层神经网络。在降低误差的前提下，增大隐含层神经元数量可以改善神经网络的计算速度。隐含层神经元数量少会降低神经网络的运算准确性，但隐含神经元数量太多会出现过度训练拟合，使成熟模型泛化减小。一般情况采用经验公式进行计算，隐含层确定经验公式为：

式中：

j-隐含层神经元数量；

m-输出层的神经元数量；

n-输入层的神经元数量；

c-1和10之间常数。

神经网络模型建立过程中隐含层神经元数量存在最优解，由以上公式，结合本文确定了三层神经网络，输入神经元值为5，代入公式计算得出隐含层神经元范围为（4，13）。

通过MATLAB神经网络工具箱设计可变隐含层数量，通过仿真确定最大训练为500，学习速率和性能指标都是0.01，分别对隐含层神经元在（4，13）仿真，得到训练情况如图1所示。

图1显示了隐含神经元数量在8～11之间的网络训练情况，由图1可以看出神经元为8和9时训练到设置数才结束，误差达不到设计要求；神经元为11时在485次训练完成，对比训练误差发现，当隐含层神经元为10个时误差最小，在185次完成训练，误差满足要求。

图1 不同神经元训练误差曲线

将测试样本数据输入模型进行预测仿真，将得到的预测值和实际值误差进行对比分析，如图2所示。

图2 不同隐含层神经元数量的网络预测误差

由图2可以看出，当隐含层神经元个数为10时，预测值和实际数值误差较小，由此确定了隐含层神经元个数为10。

2.3 训练函数的确定

BP神经网络中不同计算方法对于收敛速度和泛化影响较大，主要包括traingd训练函数的梯度下降法、采用trainbfg函数的拟牛顿算法、采用trainrp的弹性梯度下降法和采用trainlm的L-M算法。分别采用四种函数进行仿真，预测情况如图3所示。

图3 不同训练函数的预测结果误差对比

由图3可以看出，采用trainlm的L-M算法计算出的预测值更加接近实际数值，因此选择L-M算法来计算。

3 BP神经网络权重值计算

BP神经网络法能够把输入和输出转化成优化非线性关系，训练学习后完成权重分配，不断进化改善权重结构。权重贡献采用公式分析，通过计算输入节点权重值，得出输入因素的权重贡献值。本文采用权重贡献率计算公式为：

式中：

i-输入层的节点数；

j-隐含层的节点数；

W-输入到隐含之间的矩阵；

V-隐含到输出之间的矩阵。

结合以上公式和司马煤矿数据权重矩阵（如表1所示）可以计算出输入与输出之间的权重关系。代入计算后解得采空区氧气浓度权重值为0.173，推进量权重值为0.142，回风风流量权重为0.243，漏风风流量权重值为0.254，周期压力权重值为0.188，由此得到影响因素排序依次为漏风风流量、回风风流量、周期压力、氧气浓度和推进量。

表1 BP神经网络权重矩阵计算表

4 结论

本文针对回采巷道上隅角CO涌出量超标的问题，对煤矿影响CO涌出的因素进行了分析，采用关联度排序后选取了漏风、回风、周期压力、氧气浓度、推进量五个因素为研究对象，建立了BP神经网络预测模型，根据实测数据的仿真确定了隐含层神经元数量和训练函数的选取，当隐含层神经元为10，采用trainlm函数仿真后预测值和实际值的误差最小，使用网络权重矩阵的权重贡献率公式计算得出了各影响因素的重要程度，为煤矿CO控制提供了研究依据。