基于SSA优化的GA-BP神经网络煤层底板突水预测模型与应用

尹会永，周鑫龙，郎 宁，张历峰，王明丽，吴 焘，李 鑫

基于SSA优化的GA-BP神经网络煤层底板突水预测模型与应用

尹会永1，周鑫龙1，郎 宁1，张历峰2，王明丽3，吴 焘2，李 鑫4

(1. 山东科技大学 地球科学与工程学院，山东 青岛 266590；2. 枣庄矿业(集团)有限责任公司滨湖煤矿，山东 枣庄 277599；3. 山东省青岛生态环境监测中心，山东 青岛 266003；4. 宁夏煤炭科学技术研究所有限公司，宁夏 银川 750021)

随煤层开采深度的不断增加，煤矿生产过程中面临着复杂的突水机理和多变的突水主控因素，且各因素间相互联系的不确定性，使底板突水预测的难度不断增加。为准确预测底板突水危险性，针对底板突水的小样本、非线性问题，首先利用遗传算法(Genetic Algorithm，GA)将网络随机赋值的初始权值和阈值初次优化，再选取搜索能力强、稳定性较好的麻雀搜索算法(Sparrow Search Algorithm，SSA)对权值和阈值进行二次寻优，从而建立SSA-GA-BP神经网络底板突水预测模型。分析整理山东省滨湖煤矿地质及水文地质资料，选取含水层水压、含水层厚度、隔水层厚度、断层密度、断层分维值、渗透系数、单位涌水量、底板破坏深度共8个因素，作为预测底板突水的主控因素，绘制各主控因素3D映射投影曲面图；利用Surfer软件中的克里金插值法提取50个数据点作为模型的输入样本(分为训练集40个，测试集10个)，对模型进行训练学习，训练误差精度达到要求后，对滨湖煤矿3个未开采工作面的12个数据点进行突水危险性预测。为了验证所建模型的准确性，利用BP、GA-BP、SSA-GA-BP这3种模型对测试集进行预测；为避免模型仅与BP网络预测对比的片面性，同时选取以熵权法确定权重的模糊综合评判法对测试集进行预测；将各网络模型及方法的预测结果与实际值进行对比分析。结果表明：基于SSA优化的GA-BP神经网络模型突水预测误差较小，预测结果准确率更高，为矿井水害预测预报提供了科学的评价方法和理论依据。

底板突水预测；麻雀搜索算法；遗传算法；BP神经网络；熵权法；模糊综合评判

我国煤炭资源的开采强度及范围不断增大，煤田地质及构造条件类型多样。随着开采深度的不断增加，加之矿井复杂的突水机理与隐蔽的致灾因素，导致煤层底板突水预测的难度不断增加，矿井突水事故频发，给社会经济和人民安全造成严重威胁[1-3]。因此，使用准确有效的方法对底板突水危险性进行及时预测，有利于提出科学的风险预防决策，煤矿生产安全性进一步提升[4]。

目前，传统预测煤层底板突水危险性的方法主要有突水系数法、“下三带”法、模糊证据理论法[5]、层次分析法[6]、多元信息复合法[7]等，为矿井的安全生产、水害防治提供了大量有效经验和参考。近年来，对于煤层底板突水预测出现了一些新方法，如集对分析法[8]、多决策树法[9]、熵权耦合法[10]、Logistic回归分析法[11]、突水概念场地模型法[12]、支持向量机法[13]、梯形模糊数法[14]、多模型融合评价法[15]等。上述方法各有特点，针对不同类型煤矿的突水预测也取得了较好的效果。但这些方法对现场地质资料和参数的要求较高，且部分指标权重主观性较强，因此，在应用时具有一定的局限性。面对上述问题，人工神经网络作为一种非线性动力系统具有实时适应性、自学习、并行性等功能，对复杂突水因素的处理能力较强，给底板突水预测提供了一种新思路，于小鸽等[16]提出了BP神经网络模型，该类方法所需样本较少，对参数要求较低，但数据间联系较弱，预测值与实际值有一定差距；陈建平等[17]建立了基于卷积神经网络预测模型，对数据的特征规律进行了有效提取，预测精度进一步提高，但由于随机化的初始权值和阈值，使网络容易陷入局部最优解；施龙青等[18]利用灰狼算法改进网络随机赋值的初始权值、阈值，建立GWO-Elman预测模型，网络搜索精度提升较大，但迭代收敛较慢。因此，可考虑用其他算法对神经网络进行优化。薛建凯[19]于2020年提出一种新型群体智能优化算法——麻雀搜索算法(Sparrow Search Algorithm，SSA)，具有收敛速度快，搜索精度高，稳定性好，鲁棒性强等特点。针对煤层底板突水复杂非线性、多因素叠加问题，该算法有较好的适应性，对底板突水预测来说是一种新尝试。

笔者以山东枣庄市滨湖煤矿为研究背景，利用遗传算法(Genetic Algorithm，GA)将网络随机化的初始权值、阈值初次优化，再利用麻雀搜索算法对权值、阈值二次寻优，从而建立SSA-GA-BP网络底板突水预测模型，进一步提高GA-BP网络的非线性动态映射能力和突水预测的准确性，以期为矿井底板水害防治提供理论依据。

1 研究区概况

滨湖煤矿位于山东省枣庄市滕北矿区的中西部，区内主要可采煤层有太原组12下、16煤层。其中，12下煤层全区分布，平均厚度1.27 m；研究区为162采区，面积约6.37 km2，16煤为该采区主要开采煤层，平均厚度1.23 m。162采区位于藤县背斜的北翼，属单斜构造向西北倾斜，区内揭露1 m以上断层25条，构造复杂程度为中等。

2 底板突水主控因素

煤层底板突水是一种多因素复合叠加的非线性动态过程，各影响因素间有着密切的联系[20]。本文以井田地质、水文地质、构造等资料为基础，分析得到滨湖煤矿162采区煤层底板的主要充水水源为奥陶纪灰岩(简称奥灰)含水层，充水通道主要有采动裂隙、断层、裂隙带，并根据以往煤层底板突水特征，选取含水层水压(1)、含水层厚度(2)、隔水层厚度(3)、断层密度(4)、断层分维值(5)、渗透系数(6)、单位涌水量(7)、底板破坏深度(8)共8个因素作为研究煤层底板突水的具体依据。根据其具体资料，利用Origin软件绘制各因素的3D映射投影曲面图(图1)。

2.1 含水层水压(A1)

研究区16煤底板埋深为490～570 m。目前，奥灰水位高程为–168.53 m(2020年10月28日)，煤层底板所承受水压力较大，可以达到3.29～4.39 MPa，具有奥灰突水的危险性。含水层水压3D映射投影曲面如图1a所示。

2.2 含水层厚度(A2)

根据矿井实际突水情况及钻孔揭露资料，引起研究区煤层底板突水的主要含水层为奥灰顶部上马家沟组含水层，该段含水层浅部48～90 m富水性较强，与煤层底板具有直接水力联系，因此，将该段作为奥灰含水层的等效厚度(图1b)。

2.3 隔水层厚度(A3)

研究区16煤至奥灰间主要由泥岩、煤层、砂质泥岩、细砂岩、粉砂岩及灰岩组成，间距44.2～ 55.7 m，平均50.9 m，依据钻孔资料利用Origin软件绘制隔水层厚度3D映射投影曲面图(图1c)。

2.4 断层密度(A4)

断层密度指单位面积内断层迹线的条数。一般在构造复杂、密度较大的地方发育较多的储水空间和导水通道，更容易发生突水[21]。断层密度的计算公式为：

式中：为网格中断层(或褶皱轴部)迹线的条数；为网格面积，km2。

2.5 断层分行维数值(A5)

断层分行维数值是描述断裂构造复杂程度的合理参数。某区段的分行维数值越大，则表示该区断层分支较多、密度及长度较大，对周边岩体的剪切破坏也越严重，底板突水的危险性越大。定义集合()的相似维为：

2.6 渗透系数(A6)

渗透系数表明岩层的透水性强弱，是底板突水预测的重要因素。根据滨湖煤矿的放水试验资料，利用Aquifer Test软件中Theis配线法求取研究区不同范围内的渗透系数为0.10～0.29 m/d (图1f)。

2.7 单位涌水量(A7)

单位涌水量是体现含水层排水能力的有效指标。根据滨湖煤矿奥灰水文钻孔资料，研究区单位涌水量为0.05～0.27 L/(s∙m)，其3D映射投影曲面如图1g所示。

2.8 底板破坏深度(A8)

底板破坏深度是受人工影响的充水通道，根据《建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规范》计算公式：

3 模型的建立与应用

3.1 麻雀搜索算法原理

麻雀搜索算法(Sparrow Search Algorithm, SSA)是通过模拟自然界中麻雀生存机制进而提出的一种群体优化算法[22]。麻雀群体可以分为发现者和跟随者，发现者负责搜寻种群的食物，搜索能力强，属于优势个体，跟随者则跟随发现者来搜寻食物。同时，为了提高自身的适应度，部分跟随者会对发现者进行监视，以便进行搜索和争夺食物。此外，当天敌临近时，种群会及时进行反捕食行为。发现者的位置更新公式如下：

图1 底板突水主控因素等值线及投影曲面

跟随者的位置更新公式如下：

当受到天敌威胁时，侦查麻雀发出预警信号，种群迅速做出反捕食行为。侦查麻雀数量一般为种群的10%～20%，位置更新公式如下：

3.2 神经网络模型优化流程

为避免出现网络对初始权值和阈值随机赋值而造成局部最优解等缺陷，引入遗传算法对其进行优化，降低局部最优概率，预测精度有一定的提高，但网络全局寻优能力尚且不足。针对上述问题，对已初次优化的权值、阈值编码后代入麻雀搜索算法中进行二次寻优，提高GA-BP网络的寻优能力和迭代收敛速度，优化网络的非线性动态映射能力，判别精度进一步提高。SSA优化GA-BP神经网络算法流程如图2所示。

图2 SSA优化GA-BP神经网络算法流程

3.3 实例分析

3.3.1 数据来源及预处理

整理分析枣庄市滨湖煤矿162采区的地质勘探报告和钻孔资料，根据突水系数法及高密度电法勘探结果对采区底板突水危险性的评价结果，将煤层底板的突水危险性划分为3个不同等级，分别为安全区—0区、低风险区—1区和高风险区—2区，利用Surfer软件中的克里金插值法获得采区50个数据点的突水危险性实际评价等级值(表1)。选取上述8种底板突水主控因素作为突水预测的指标依据，利用Surfer软件中的克里金插值法获得各个数据点的主控因素数据值作为样本数据集。由于样本数据各指标值的大小差别较大，为避免低值数据被高值数据覆盖，且防止节点输出进入饱和区，采用Matlab中的mapminmax函数将输入数据进行归一化处理，使其取值范围为[0,1]。

表1 突水危险性评价样本数据集

3.3.2 模型建立与验证

利用遗传算法将网络随机化的权值、阈值初次优化，具体的参数设定为：种群数目为50，最大迭代次数为80，变异、交叉率分别为0.1、0.2。继而使用麻雀搜索算法对已优化的网络权值和阈值进行二次寻优，麻雀搜索算法参数设定为：种群数目为30，最大迭代次数为80，发现者和侦察者个数各取种群数目的20%，预警值2=0.8。

为验证模型是否准确有效，选用前40个样本点数据作为SSA-GA-BP神经网络模型的训练集，剩余10个样本点数据作为模型测试数据，网络训练次数达25次时，模型预测误差可以达到7.938 1Í10–9(图3)，低于目标误差值1Í10–8，模型对训练集的预测结果准确率为100%，符合要求，因此，模型可用于滨湖煤矿162采区的底板突水预测。

3.3.3 模型应用

滨湖煤矿计划在2021年开采162采区的3个工作面16205、16207和16208工作面，工作面位置如图4所示。根据各工作面掘进期间所获得的地质数据资料，预测数据集由每个工作面各4个数据点组成，各点数据见表2，其中K1—K4属于16205工作面，K5—K8属于16207工作面，K9—K12属于16208工作面。采用已训练好且误差精度达到要求的SSA-GA-BP预测模型对上述3个工作面的突水危险性进行预测，预测结果见表2。

图3 误差收敛曲线

图4 滨湖煤矿162采区工作面分布

3.4 其他方法对比

3.4.1 BP神经网络方法对比

为说明本文所建立的SSA-GA-BP网络突水预测模型与以往神经网络突水预测模型的不同之处，用训练集对BP网络、GA-BP网络进行训练后，分别用于对测试集底板进行突水预测，网络及算法参数设置与上文相同。测试集实际值与各方法预测值的对比如图5所示，各方法的预测误差如图6所示。

根据所得出的测试结果，预测精度最高的为SSA-GA-BP网络，除对41号样本预测误差(–0.29)较大外，其余样本误差均较小，预测结果准确率为90%；GA-BP网络对41号、47号、48号样本的预测误差较大，预测精度明显较低，误差精度较前者平均相差2个数量级，预测结果准确率为70%；而BP网络的预测结果最差，对41号、42号、46号、47号和49号样本的预测误差均较大，预测结果准确率为50%。3种方法对测试集的预测结果及预测误差详见表3。从整体效果来看，上述方法的预测精度从高到低依次为：SSA-GA-BP、GA-BP、BP。

图7反映了随迭代次数增加种群适应度的进化曲线，与GA算法相比，SSA算法在第5次迭代后种群适应度值的进化程度较为明显，相同迭代次数下适应度递减趋势较快，经过36次的迭代便达到了适应度的全局最优值，且最终适应度值也得到了明显的优化，因此，本文所提出的SSA-GA优化算法对BP神经网络的收敛速度及预测精度提升较大。

表2 突水危险性评价预测数据集

图5 测试集预测值与实际值对比

图6 测试集预测误差对比

表3 各突水危险性方法预测评价等级值及预测误差

图7 适应度进化曲线

3.4.2 模糊综合评判方法对比

引入模糊综合评判方法进行测试集的突水危险性评价，由于各因素对突水危险性影响的重要程度不同，因此，各因素权重的确定采用熵权法。

熵权法依据不同因素间变异程度强弱从而对权重进行客观赋值，因素的熵值越小，则该因素所包含的信息越重要，对应的权重就越大[24]。根据前文所述的8种底板突水主控因素，利用熵权法计算各因素的权重，公式如下。

表4 模糊综合评价等级分布

结合样本数据，利用公式(11)计算得出各样本所对应的突水危险等级模糊评价值表(表5)，建立模糊综合评判模型。经过与实际值的对比，模糊综合评价法对测试样本中41号和47号的预测值分别为0和1，与实际值不符，模型预测准确率为80%；对预测样本中K7、K10和K11的预测值分别为2、1和0，预测结果与SSA-GA-BP神经网络模型对应样本预测值1、0和1不同。因后者模型对测试样本的预测准确率更高，3个未开采工作面突水危险性最终预测结果以SSA-GA-BP网络模型为准。

4 结论

a. 分析了影响煤层底板突水的8种主控因素，选取稳定性好、全局搜索能力强的麻雀搜索算法(SSA)对GA-BP网络权值与阈值进行二次寻优，建立SSA-GA-BP神经网络底板突水预测模型，经测试集数据验证，模型预测值与实际值较符合，预测准确率为90%。

b. 利用SSA-GA-BP模型对山东枣庄滨湖煤矿162采区未开采的3个工作面底板突水危险性进行预测，结果显示：16205工作面处于安全区无突水风险；16207工作面的K7样本点处于突水低风险区，有突水风险的可能；16208工作面的K9和K11样本点分别处于危险区和低风险区，其底板突水危险性较大，开采过程中需进行重点防治。

表5 突水危险性评价等级综合对比

c. 建立GA-BP、BP预测模型，并对测试集进行预测，将预测结果与实际值进行对比，其预测准确率分别为70%、50%，预测精度较低。以熵权法确定主控因素权重的模糊综合评判模型用于测试集数据验证，结果显示该模型预测准确率为80%。

[1] 武强. 我国矿井水防控与资源化利用的研究进展、问题和展望[J]. 煤炭学报，2014，39(5)：795–805.

WU Qiang. Progress，problems and prospects of prevention and control technology of mine water and reutilization in China[J]. Journal of China Coal Society，2014，39(5)：795–805.

[2] 王皓，董书宁，乔伟，等. 矿井水害防控远程服务云平台构建与应用[J]. 煤田地质与勘探，2021，49(1)：208–216.

WANG Hao，DONG Shuning，QIAO Wei，et al. Construction and application of remote service cloud platform for mine water hazard prevention and control[J]. Coal Geology & Exploration，2021，49(1)：208–216.

[3] 靳德武. 我国煤矿水害防治技术新进展及其方法论思考[J]. 煤炭科学技术，2017，45(5)：141–147.

JIN Dewu. New development of water disaster prevention and control technology in China coal mine and consideration on methodology[J]. Coal Science and Technology，2017，45(5)：141–147.

[4] 虎维岳，田干. 我国煤矿水害类型及其防治对策[J]. 煤炭科学技术，2010，38(1)：92–96.

HU Weiyue，TIAN Gan. Mine water disaster type and prevention and control counter measures in China[J]. Coal Science and Technology，2010，38(1)：92–96.

[5] 肖建于，童敏明，姜春露. 基于模糊证据理论的煤层底板突水量预测[J]. 煤炭学报，2012，37(增刊1)：131–137.

XIAO Jianyu，TONG Minming，JIANG Chunlu. Prediction of water inrush quantity from coal floor based on fuzzy evidence theory[J]. Journal of China Coal Society，2012，37(Sup.1)：131–137.

[6] 刘景，冯光俊，吴晓军，等.基于层次分析法的富水区预测及其在顶板突水危险性评价中的作用[J]. 煤矿安全，2019，50(5)：204–208.

LIU Jing，FENG Guangjun，WU Xiaojun，et al. Prediction of water rich area based on AHP and its role in risk assessment of roof water inrush[J]. Safety in Coal Mines，2019，50(5)：204–208.

[7] 尹会永，魏久传，刘同彬，等. 基于多源信息复合的煤层底板突水评价[J]. 山东科技大学学报(自然科学版)，2008，27(2)：6–9.

YIN Huiyong，WEI Jiuchuan，LIU Tongbin，et al. Evaluation of water inrush in seam floor based on multi-originated information complex[J]. Journal of Shandong University of Science and Technology(Natural Science)，2008，27(2)：6–9.

[8] 韩承豪，魏久传，谢道雷，等. 基于集对分析–可变模糊集耦合法的砂岩含水层富水性评价：以宁东矿区金家渠井田侏罗系直罗组含水层为例[J]. 煤炭学报，2020，45(7)：2432–2443.

HAN Chenghao，WEI Jiuchuan，XIE Daolei，et al. Water-richness evaluation of sandstone aquifer based on set pair analysis-variable fuzzy set coupling method：A case from Jurassic Zhiluo Formation of Jinjiaqu coal mine in Ningdong mining area[J]. Journal of China Coal Society，2020，45(7)：2432–2443.

[9] 李彦民，周晨阳，李凤莲. 基于代价敏感理论的多决策树煤层底板突水预测模型[J]. 工矿自动化，2020，46(12)：76–83.

LI Yanmin，ZHOU Chenyang，LI Fenglian. Multi-decision tree prediction model for coal seam floor water inrush based on cost-sensitive theory[J]. Industry and Mine Automation，2020， 46(12)：76–83.

[10] 张晓亮. 熵权耦合层次分析赋权在煤层底板突水评价中的应用[J]. 煤田地质与勘探，2017，45(3)：91–95.

ZHANG Xiaoliang. Application of entropy weight method and analytic hierarchy process in evaluation of water inrush from coal seam floor[J]. Coal Geology & Exploration，2017，45(3)：91–95.

[11] 刘伟韬，廖尚辉，刘士亮，等. 主成分logistic回归分析在底板突水预测中的应用[J]. 辽宁工程技术大学学报(自然科学版)，2015，34(8)：905–909.

LIU Weitao，LIAO Shanghui，LIU Shiliang，et al. Principal component logistic regression analysis in application of water outbursts from coal seam floor[J]. Journal of Liaoning Technical University(Natural Science)，2015，34(8)：905–909.

[12] YIN Huiyong，ZHOU Wanfang，LAMOREAUX J W，et al. Water inrush conceptual site models for coal mines of China[J]. Environmental Earth Sciences，2018，77(22)：746.

[13] 赵琳琳，温国锋，邵良杉. 煤层底板突水危险性GSPCA-LSSVM评价模型[J]. 中国安全科学学报，2018，28(2)：128–133.

ZHAO Linlin，WEN Guofeng，SHAO Liangshan. GSPCA-LSSVM model for evaluating risk of coal floor groundwater bursting[J]. China Safety Science Journal，2018，28(2)：128–133.

[14] 刘晨雨，魏久传，王杰，等. 基于AHP-TFN模型的底板突水危险性预测[J]. 中国矿业，2019，28(8)：124–129.

LIU Chenyu，WEI Jiuchuan，WANG Jie，et al. Prediction of floor water inrush risk based on AHP-TFN model[J]. China Mining Magazine，2019，28(8)：124–129.

[15] 施龙青，曲兴玥，韩进，等. 多模型融合评价煤层底板灰岩岩溶突水危险性[J]. 煤炭学报，2019，44(8)：2484–2493.

SHI Longqing，QU Xingyue，HAN Jin，et al. Multi-model fusion for assessing the risk of inrush of limestone karst water through mine floor[J]. Journal of China Coal Society，2019，44(8)：2484–2493.

[16] 于小鸽，韩进，施龙青，等. 基于BP神经网络的底板破坏深度预测[J]. 煤炭学报，2009，34(6)：731–736.

YU Xiaoge，HAN Jin，SHI Longqing，et al. Forecast of destroyed floor depth based on BP neural networks[J]. Journal of China Coal Society，2009，34(6)：731–736.

[17] 陈建平，王春雷，王雪冬. 基于CNN神经网络的煤层底板突水预测[J]. 中国地质灾害与防治学报，2021，32(1)：50–57.

CHEN Jianping，WANG Chunlei，WANG Xuedong. Coal mine floor water inrush prediction based on CNN neural network[J]. The Chinese Journal of Geological Hazard and Control，2021，32(1)：50–57.

[18] 施龙青，张荣遨，徐东晶，等. 基于GWO-Elman神经网络的底板突水预测[J]. 煤炭学报，2020，45(7)：2455–2463.

SHI Longqing，ZHANG Rongao，XU Dongjing，et al. Prediction of water inrush from floor based on GWO-Elman neural network[J]. Journal of China Coal Society，2020，45(7)：2455–2463.

[19] 薛建凯. 一种新型的群智能优化技术的研究与应用：麻雀搜索算法[D]. 上海：东华大学，2020.

XUE Jiankai. Research and application of a novel swarm intelligence optimization technique：Sparrow search algorithm[D]. Shanghai：Donghua University，2020.

[20] 祁春燕，邱国庆，张海荣. 底板突水预测模型的影响因素分析[J]. 武汉大学学报(信息科学版)，2013，38(2)：153–156.

QI Chunyan，QIU Guoqing，ZHANG Hairong. Influencing factors analysis of floor water invasion prediction model[J]. Geomatics and Information Science of Wuhan University，2013，38(2)：153–156.

[21] YIN Huiyong，SHI Yongli，NIU Huigong，et al. A GIS-based model of potential groundwater yield zonation for a sandstone aquifer in the Juye coalfield，Shangdong，China[J]. Journal of Hydrology，2018，557：434–447.

[22] 吕鑫，慕晓冬，张钧，等. 混沌麻雀搜索优化算法[J/OL]. 北京航空航天大学学报，2020：1–10. [2020-08-31]. https: //doi.org/10.137001j.bh.1001-5965.2020.0298

LYU Xin，MU Xiaodong，ZHANG Jun，et al. Chaos sparrow search optimization algorithm[J/OL]. Journal of Beijing University of Aeronautics and Astronautics，2020：1–10. [2020-08-31]. https: //doi.org/10.137001j.bh.1001-5965.2020.0298

[23] 王嵘冰，徐红艳，李波，等. BP神经网络隐含层节点数确定方法研究[J]. 计算机技术与发展，2018，28(4)：31–35.

WANG Rongbing，XU Hongyan，LI Bo，et al. Research on method of determining hidden layer nodes in BP neural network[J]. Computer Technology and Development，2018，28(4)：31–35.

[24] 尹会永，赵涵，徐琳，等. 岩体质量分级的改进模糊综合评价法[J]. 金属矿山，2020(7)：53–58.

YIN Huiyong，ZHAO Han，XU Lin，et al. Classification of rock mass in mine based on improved fuzzy comprehensive evaluation method[J]. Metal Mine，2020(7)：53–58.

[25] 李竞赢，刘启蒙，刘瑜，等. 基于GIS与熵值法的煤层顶板突水危险性评价[J]. 煤炭工程，2019，51(8)：115–119.

LI Jingying，LIU Qimeng，LIU Yu，et al. Risk assessment of water inrush from coal seam roof based on GIS and entropy method[J]. Coal Engineering，2019，51(8)：115–119.

Prediction model of water inrush from coal floor based on GA-BP neural network optimized by SSA and its application

YIN Huiyong1, ZHOU Xinlong1, LANG Ning1, ZHANG Lifeng2, WANG Mingli3, WU Tao2, LI Xin4

(1. College of Earth Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China; 2. Binhu Coal Mine, Zaozhuang Mining(Group) Co., LTD., Zaozhuang 277599, China; 3. Qingdao Eco-Environment Monitoring Center of Shandong Province, Qingdao 266003, China; 4. Ningxia Coal Science and Technology Research Institute Co., Ltd., Yinchuan 750021, China)

With the increase of coal mining depth, coal production process is faced with complex water inrush mechanism and variable water inrush main control factors, and the uncertainties among the factors make the prediction of floor water inrush more difficult. In order to accurately predict the risk of floor water inrush, aiming at the small sample and non-linear problem of floor water inrush, firstly, genetic Algorithm is used to optimize the initial weights and thresholds of network random assignment, and then Sparrow Search Algorithm with strong search ability and good stability is selected to optimize the weights and thresholds for the second time, so as to establish the SSA-GA-BP neural network floor water inrush prediction model. Based on the analysis of geological and hydrological data of Binhu Coal Mine in Shandong Province, 8 factors including water pressure of aquifer, aquifer thickness, aquiclude thickness, fault density, fractal dimension value of fault, permeability coefficient, unit water inflow and floor failure depth are selected as the main control factors to predict floor water inrush, mapping the main controlling factors of 3D surface map projection. The Kriging interpolation method in surfer software is used to extract 50 data points as the input samples of the model(including 40 training sets and 10 test sets). The model is trained and studied. After the training error accuracy meets the requirements, the water inrush risk of 12 data points of 3 unmined working faces in Binhu Coal Mine is predicted. To verify the accuracy of the model, BP, GA-BP and SSA-GA-BP models are used to predict the test set; to avoid the one-sideness of comparing the model only with the prediction of BP network, the Fuzzy Comprehensive Evaluation Method, which determines the weight by Entropy Weight Method, is selected to predict the test set. The prediction results of each network model and method are compared with the actual values for analysis. The results show that the water inrush prediction error of GA-BP neural network model optimized by sparrow search algorithm is smaller, and the prediction accuracy is higher, which provides a scientific theoretical basis for mine water disaster prediction.

prediction of water inrush from floor; Sparrow Search Algorithm; Genetic Algorithm; BP neural network; Entropy Weight Method; Fuzzy Comprehensive Evaluation

语音讲解

TD745

A

1001-1986(2021)06-0175-11

2021-04-20；

2021-08-18

国家重点研发计划课题(2017YFC0804101)；山东省自然科学基金项目(ZR2019MD013)

尹会永，1979年生，男，河北故城人，博士，教授，硕士生导师，从事矿井水害防治方面的研究. E-mail：huiyongy@sdust.edu.cn

尹会永，周鑫龙，郎宁，等. 基于SSA优化的GA-BP神经网络煤层底板突水预测模型与应用[J]. 煤田地质与勘探，2021，49(6)：175–185. doi: 10.3969/j.issn.1001-1986.2021.06.021

YIN Huiyong，ZHOU Xinlong，LANG Ning，et al. Prediction model of water inrush from coal floor based on GA-BP neural network optimized by SSA and its application[J]. Coal Geology & Exploration，2021，49(6)：175–185. doi: 10.3969/j.issn.1001-1986.2021.06.021

移动阅读

(责任编辑 周建军)