基于BP神经网络的煤层瓦斯含量预测研究

夏金周 吴向阳

摘 要：煤层瓦斯一直以来都是煤矿开采过程中必须面临的一个严峻问题，一旦发生矿井瓦斯事故，后果不堪设想，因此准确测定煤层瓦斯含量，做好提前防治工作十分重要。本文以淮北市邹庄煤矿的若干钻孔瓦斯含量实测数据为研究对象，通过建立BP神经网络模型，学习并检验煤层瓦斯含量。结果表明，BP神经网络能够较好的预测煤层瓦斯含量，为预测煤层瓦斯含量提供了一种可行性研究思路。

关键词：BP神经网络;煤层瓦斯;瓦斯含量预测

1 研究背景及意义

1.1 研究背景

一直以来，无论是出口还是进口，我国都是煤炭大国，尽管面临新能源转型的冲击，但对煤炭的需求和依赖短时间内难以减小。煤层瓦斯含量是井下煤层的主要参数之一，对煤层瓦斯含量的测定是预测井下瓦斯突出的重要依据，是防治瓦斯灾害的基本前提。

在实际开采过程中，由于井下地质条件复杂，使得煤层瓦斯含量具有许多不确定性，传统方法是通过采掘工作面打钻抽采瓦斯，以测定瓦斯含量，但此方法需要消耗大量人力和资金。

1.2 研究意义

由于煤层瓦斯含量对煤矿生产至关重要，因此突破传统方法，准确预测煤层瓦斯含量将是科研人员研究的热门领域。准确预测煤层瓦斯含量最直接的意义就是可以提前防治，减少由于瓦斯突出而造成的矿难，保障井下工人的生命财产安全。传统方法测量瓦斯含量成本较高，需要研究一种新的方法，既能准确预测煤层瓦斯含量，又能控制成本。神经网络为我们提供了可能性。

2 数据收集与分析处理

2.1 数据收集

本次研究的数据来源于淮北邹庄煤矿某煤层的钻孔瓦斯含量实测数据，数据共有27组，每个钻孔数据包括钻孔编号、煤层倾角、地质构造、煤层厚度、煤层埋深以及煤层瓦斯含量。

2.2 煤层瓦斯含量影响因素分析

研究表明，影响煤层瓦斯赋存的地质因素比较复杂，主要影响因素包括煤层埋深、煤层倾角、煤层厚度、地质构造和水文地质条件等。

煤层的埋深越深，其上覆压力值就越大，透气性越差，瓦斯散逸越困难，这有利于煤层中瓦斯的保存。煤层自身的性质对瓦斯的赋存起到关键性作用，在其他初始条件相似的情况下，对同一煤层，煤层厚度越厚，倾角越小，瓦斯散逸速度越慢，有利于瓦斯的保存;反之则不利于瓦斯的保存。

此外，地质构造对煤层瓦斯含量有一定的影响，在一定程度上控制着煤层瓦斯的赋存与分布。一般情况下，张性断层利于瓦斯的散逸，压性断层利于瓦斯的保存，向斜构造相对于背斜构造更利于瓦斯保存。研究区域内共有大小断层200多条，其中以正断层为主。为了便于研究地质构造对煤层瓦斯含量的影响，现对研究区的地质构造进行量化处理：1表示背斜，2表示正断层，3表示没有断层或褶皱，4表示向斜，5表示逆断层。

由于研究区域水文地质条件简单，对瓦斯赋存影响不大，故本次研究中不做考虑。

3 煤层瓦斯含量预测

3.1 BP神经网络设计

BP神经网络是近些年来新兴的一门交叉学科，是一种典型的误差反向传播，层与层之间单向传播的多层网络结构模型，是处理非线性优化问题的有效方法。本次研究所采用的BP神经网络模型采用三层，即输入层、隐含层、输出层三层网络结构模型。如下图1所示。

其中，输入层节点数选取4，分别为影响煤层瓦斯含量的煤层埋深、煤层厚度、煤层倾角和地质构造四个要素;隐含层节点数待定，将通过试算方法，确定相对较优的隐含层节点数;输出层元素为一个，即煤层瓦斯含量。

3.2 模型学习与检验分析

选取27个样本数据中20个为学习集样本，剩下的7个为检验集样本，采用HU-BP软件进行样本学习与检验。

利用BP神经网络学习样本，预测煤层瓦斯含量，其软件的网络参数选取十分重要，本次研究采用试算方法，找到一组相对较优的BP网络参数。其中，输入层元素为4，隐含层元素为30，输出层元素为1，学习速率参数取1.5，平滑因子参数取0.7，训练学习误差取0.025，分级迭代级数选15。最终以这样一组相对较优的网络参数对样本进行学习和检验。

学习和检验效果相对较理想，基本符合实际测量的煤层瓦斯含量的数值，其中，学习集中误差为±0.76，检验集中误差为±0.46，总的中误差为±0.69。结果如下表所示。

同时，我们将利用BP神经网络学习得到的预测值与实际值进行对比，绘制出煤层瓦斯含量的散点图，如图2所示。从图中可以看出BP神经网络的学习效果尚存在误差，但已基本符合煤层瓦斯含量实测值。

4 结论与展望

本次神经网络学习过程中，并非学习误差越小越好，有时候会产生过拟合现象，而且增加学习时间。神经网络参数的选取十分重要，首先，输入层元素的确定至关重要，这将关系到整个学习过程的学习效果，其次各个网络参数很难达到最优组合，本文中所采用的参数选取方法可能无法做到最优组合，但基本应该接近。

从学习得到的一系列参数来看，本次基于BP神经网络预测煤层瓦斯含量的研究效果较好，预测值基本与实测值接近，但测值与实测值之间还是存在一定的误差，这可能是由以下几个原因造成的：1）输入层选择存在问题，复杂的地质条件都会对瓦斯赋存产生一定的影响，选择输入层时可能忽略了某些必要的因素;2）网络参数的选取方法可能还有待改进，这些组合起来的参数未必是最优组合。因此，接下来的研究工作将围绕BP神经网络输入层要素的确定和网络参数最优化选择进一步展开。

参考文献：

[1]胡伍生.神经网络理论及其工程应用[M].北京：测绘出版社，2006：1-137.

[2]劉锦伟，谢雄刚，方井，郭鹏飞.基于BP神经网络的煤层瓦斯含量预测[J].甘肃科技，2016，32（21）：22-24.

[3]闫广祥，高一婷，王华.煤层瓦斯赋存影响因素的分析[J].煤炭技术，2018，37（11）：170-172.