第4卷 第3期2008年6月中国安全生产科学技术Jour nal of Sa fety Science and Techno l o gyVo.l 4N o .3 Jun .2008文章编号:1673-193X (2008)-03-0014-04用灰关联分析和神经网络方法预测煤与瓦斯突出*孙 燕1,杨胜强1,王 彬2,褚廷湘1(1 中国矿业大学能源与安全工程学院,徐州 221008)(2 中国矿业大学应用技术学院,徐州 221008)摘 要:本文应用灰色系统理论的灰色关联分析,对煤与瓦斯突出影响因素进行灰关联分析,得出了各影响因素对煤与瓦斯突出影响程度的大小排序,选择灰关联分析的五个优势因子:瓦斯放散初速度、坚固性系数、瓦斯压力、煤体破坏类型和开采深度,作为输入参数,用计算机对神经网络编写程序,建立了煤与瓦斯突出预测的神经网络模型。
用我国典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本进行验证。
关键词:煤与瓦斯突出;灰关联分析;预测中图分类号:X 936 文献标识码:Acoal and gas outburst forecast by ANN and grey correlationS UN Y an 1,YANG Sheng q iang 1,WANG B in 2,C HU T i n g x iang1(1 School o fM i nera l and Safe t y Eng i neer i ng ,Ch i na U n i versity o fM i ning &T echno l ogy ,Xuzhou 221008,China)(2 Co llag e o f A pplied Sc ience and T echno l ogy ,Chi na U niversity ofM i n i ng &T echnology ,X uzhou 221008,Ch i na)Abst ract :This thesis applied grey corre lation ana l y sis o f grey syste m theor y to analyze g rey correlation about infl uence factors of coa l and gas outburs,t and got t h e order arrange of eac h i n fl u ence factor accor d i n g to the infl u ence deg ree of coal and gas outburs,t choosi n g five advantage facto rs o f grey corre lation analysis :i n itial speed ofm ethane diffusi o n ,coa l ri g idity ,pressure of gas ,geologic destroy degree and excavation depth ,as the i n pu t para m eters ,neura l net w ork f u nction storehouse o fMATLAB w as adop ted to w rite the procedure ,and neural net w ork forecasting m ode l o f coa l and gas outburstw as bu il.t The net w or k w as trained by usi n g the study sa mp les wh ich ca m e fro m the i n stances of typ ica l coa l and gas outburstm i n es o f our country ,and coal and gas outburst instances ofYunnan En hong m ine w ere used as fo recasti n g sa m ples .Co m pari n g the resu lts fro m net w or k forecasti n g w ith the resu lts of the trad iti o na lm ethods ,it pr oved that this m ethod can m eet the forecasti n g require m ent of coa l and gas outburs.t K ey w ords :coal and gas outburs;t grey correlati o n analysi s ;forecasting 收稿日期:2008-01-28作者简介:孙燕(1981-),女,山东省莱芜人,硕士研究生,从事通风安全方面的研究.*基金项目:国家自然科学基金项目(编号:50274066);国家973计划(编号:2005CB221503)项目资助我国是世界上煤与瓦斯突出最为严重的国家之一。
自1834年法国发生世界上第一次煤与瓦斯突出以来,世界上有煤与瓦斯突出事故发生的国家投入了大量人力、物力,开展煤与瓦斯突出防治研究。
防突技术措施已从上世纪50年代的局部防突,60、70年代的区域预测,80年代的工作面突出预测,发展成为目前的突出预测、局部防突措施、措施效果检验、人身安全防护措施四位一体的综合防突措施。
在四位一体综合防突措施中,突出预测是极为重要的一环,是防止煤与瓦斯突出发生的第一道防线。
所以,如果能对煤与瓦斯突出进行正确的预测,将对瓦斯事故的预防和矿井生产具有重要的现实意义[1]。
1 煤与瓦斯突出影响因素的灰关联分析理论分析和实验室模拟试验均表明,煤与瓦斯突出是地应力、瓦斯和煤的物理力学性质三个因素综合作用的结果,即突出的本质决定于地压、瓦斯压力和煤层性质的某种形式的配合。
此外,突出还与生产技术条件有关。
突出的发生发展过程中,地应力在突出的发生阶段起决定作用,瓦斯梯度及瓦斯压缩能也参与发生突出,在突出发生后,瓦斯还起到破坏煤体、抛出碎煤并使之粉化、运移的作用。
根据煤与瓦斯突出的特点,结合我国众多典型突出矿井的实际情况,其影响因素大致可以归纳为七个:瓦斯放散初速度( p)、煤的坚固性系数(f)、瓦斯压力(M Pa)、软分层煤体厚度、煤体破坏类型、开采深度、煤层瓦斯含量[2~3]。
根据以上所考虑的各种因素,本文收集了比较具有代表性的国内8个突出矿井的实测数据作为灰色关联分析的模型样本集。
各因素的取值见表1。
表1 各影响因素的原始数据样本序号突出强度(t)放散初速度0.79 p坚固性系数f0.58瓦斯压力(M Pa)0.68软分层厚度(m)煤体破坏类型0.70开采深度(k m)0.78煤层瓦斯含量(m3/t)1150.0019.000.312.761.2030.62010.02 220.606.000.240.952.0050.44513.04 315.1018.000.161.201.3030.46210.36 40.005.000.611.171.6110.3959.04 576.508.000.361.251.4130.7459.01 610.208.000.592.801.8230.42510.25 70.007.000.482.001.1010.4609.50 8110.2014.000.223.950.9330.5438.23按照灰关联计算方法,应用M atlab计算机编程,得到各影响因素的关联度排序(见表2)。
表2 各影响因素的关联度的排序影响因素关联度排序放散初速度 p0.791坚固性系数f0.585瓦斯压力p0.684软分层厚度0.547煤体破坏类型0.703开采深度0.782瓦斯含量0.556各影响因素对瓦斯突出强度的关联序列表明了它们对瓦斯突出强度的影响程度。
根据上述关联度计算结果,各影响因素对瓦斯突出强度的关联度排序:放散初速度>开采深度>煤体破坏类型>瓦斯压力>坚固性系数>瓦斯含量>软分层厚度。
该结果表明,瓦斯放散初速度是煤与瓦斯突出的最主要的一个因素,其次是开采深度、煤体破坏类型、瓦斯压力和坚固性系数[4]。
2 煤与瓦斯突出预测BP神经网络模型的建立2.1 BP神经网络1986年Rum e l h ar,t H ilton和W illia m s完整简明地提出了一种ANN的误差反向传播训练算法(简称BP算法)。
BP网络是一种单向传播的多层前向网络,网络除输入和输出节点外,还有一层和多层的隐含节点,同层节点中没有任何耦合。
输入信号从输入层节点依次传过各隐含节点,然后传到输出节点,每一层节点的输出只影响下一层的输出,其结构见图1[5~7]。
图1 煤与瓦斯突出预测BP 网络结构图2.2 网络模型的输入与输出目前,在人工神经网络的实际应用中,由于神经网络模型并非选择的因素越多,结果就会越准确,因为选择的因素过多会影响网络的学习速度,使学习过程变得复杂难于控制;同时影响因素也不能选得过少,这样会影响学习结果的准确性,使结果过分的依赖于部分因素导致失真。
根据前面灰关联分析的结果,煤与瓦斯突出危险性影响因素最主要有以下5个优势因子:瓦斯放散初速度、坚固性系数、瓦斯压力、煤体破坏类型和开采深度。
因此,ANN 模型的输入参数就采用这5个优势因子,即输入神经元的个数为5个。
隐含层神经单元通过比较收敛速度,选择收敛速度最快的一个作为神经元单元数。
将突出强度作为一个输出量。
绝大部分的神经网络模型是采用BP 网络和它的变化形式,本研究采用基本的BP 神经网络。
用神经网络处理上述数据分两个阶段进行,第1阶段是监督学习,第2阶段是无监督学习。
监督学习是网络通过已知输入模式进行训练,进行训练前对样本数据进行规范化处理,使输入和输出数据规范到0,1区间,传递函数sig m oid 型函数[f (x )=1/(1+exp (-Bx )(常数B >0)]。
网络训练的误差目标函数Ek[8],即:E k =1/2N Nk=1(u k -u !k )2.3 网络训练流程网络训练流程图如图2。
图2 BP 网络训练流程图3 神经网络预测煤与瓦斯突出的软件设计本软件以V isua l Basic 6.0作为开发平台来实现瓦斯突出预测的可视化,原因如下:(1)煤与瓦斯突出预测是云南昆明理工大学开发的煤矿监控系统的一部分,为了将其方便的嵌入到监控系统中,并方便该系统在煤矿的普及,采用计算机进行神经网络软件设计。
