賈寶山， 尹 彬*

(1.遼寧工程技術(shù)大學(xué) 安全科學(xué)與工程學(xué)院， 遼寧 阜新 123000;2.礦山熱動(dòng)力災(zāi)害與防治教育部重點(diǎn)實(shí)驗(yàn)室， 遼寧 阜新 123000)

?

基于ANNs耦合GA算法的煤層含氣量預(yù)判

賈寶山1，2， 尹 彬1，2*

(1.遼寧工程技術(shù)大學(xué) 安全科學(xué)與工程學(xué)院， 遼寧 阜新 123000;2.礦山熱動(dòng)力災(zāi)害與防治教育部重點(diǎn)實(shí)驗(yàn)室， 遼寧 阜新 123000)

為了對(duì)煤層含氣量進(jìn)行有效分析，以實(shí)現(xiàn)煤層氣可靠抽采及瓦斯災(zāi)害預(yù)防，提出了遺傳算法(GA)優(yōu)化人工神經(jīng)網(wǎng)絡(luò)(ANNs)煤層含氣量的預(yù)判方法.GA算法通過(guò)對(duì)ANNs網(wǎng)絡(luò)的權(quán)值及閾值的尋優(yōu)，構(gòu)建了基于ANNs耦合GA算法的煤層含氣量非線性預(yù)判模型，并結(jié)合現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行了分析.仿真結(jié)果顯示：耦合模型的預(yù)判的最大相對(duì)誤差為1.47%，較之其他模型具有更高的預(yù)判精度和更好的泛化能力，能實(shí)現(xiàn)煤層含氣量的有效預(yù)測(cè).

神經(jīng)網(wǎng)絡(luò)(ANNs)； 遺傳算法(GA); 耦合模型； 煤層含氣量

煤層氣是生于煤層、儲(chǔ)于煤層的非常規(guī)天然氣，屬潔凈能源.但在煤礦中煤層瓦斯涌出和煤與瓦斯突出問(wèn)題也是影響礦井安全生產(chǎn)的主要災(zāi)害之一.煤層含氣量判斷的準(zhǔn)確度，直接影響煤層氣勘探開(kāi)發(fā)條件的確定，決定了開(kāi)發(fā)前景，同時(shí)是影響煤礦安全生產(chǎn)的重要評(píng)估因子.

研究表明，煤層含氣量在一定范圍內(nèi)呈規(guī)律性分布[1].文獻(xiàn)[2]得出了埋深與煤層氣含量的雙曲線數(shù)學(xué)模型；文獻(xiàn)[3]研究了瓦斯含量預(yù)測(cè)的數(shù)學(xué)地質(zhì)技術(shù)與方法；文獻(xiàn)[4]根據(jù)朗格繆爾方程建立了深部煤層含氣量預(yù)測(cè)模型；文獻(xiàn)[5]建立了含氣量的解析計(jì)算法；文獻(xiàn)[6]結(jié)合灰色模型對(duì)煤層含氣量進(jìn)行了預(yù)測(cè)；文獻(xiàn)[7]以BP神經(jīng)網(wǎng)絡(luò)為模型對(duì)煤層氣含量進(jìn)行了預(yù)測(cè)；文獻(xiàn)[8]將模糊識(shí)別與模糊聚類相結(jié)合對(duì)煤層瓦斯涌出量進(jìn)行了預(yù)測(cè).

由于煤層含氣量受控因素復(fù)雜多樣且各因素之間存在著復(fù)雜的非線性關(guān)系，尚沒(méi)有一種理論能對(duì)煤層含氣量進(jìn)行準(zhǔn)確預(yù)判.傳統(tǒng)的方法多是建立在數(shù)學(xué)模型基礎(chǔ)之上的回歸分析，然而隨著地質(zhì)條件的變化，尋求復(fù)雜條件下、非線性系統(tǒng)中煤層含氣量預(yù)判方法更加重要.考慮到計(jì)算機(jī)智能的優(yōu)越性，作者提出一種基于人工神經(jīng)網(wǎng)絡(luò)(ANNs)與遺傳算法(GA)耦合的預(yù)判模型，以ANNs為基本映射，經(jīng)過(guò)GA優(yōu)化后泛化能力及預(yù)測(cè)值可靠度均得到較高.

1 ANNs-GA耦合模型構(gòu)建

ANNs是借鑒借鑒生物神經(jīng)網(wǎng)絡(luò)而發(fā)展起來(lái)的新型智能信息處理系統(tǒng)，具有快速的并行分布式處理結(jié)構(gòu)；自身的容錯(cuò)性和聯(lián)系性使得網(wǎng)絡(luò)具有較強(qiáng)的魯棒性，可以用來(lái)解決許多傳統(tǒng)方法無(wú)法解決的復(fù)雜問(wèn)題[9].但ANNs網(wǎng)絡(luò)具有其自身無(wú)法克服的缺點(diǎn)，即收斂速度較慢且容易陷入局部極小值點(diǎn)而無(wú)法確保能夠收斂至全局最小，網(wǎng)絡(luò)初始連接權(quán)值和閾值的選擇對(duì)網(wǎng)絡(luò)訓(xùn)練的影響很大，這些無(wú)法克服的缺點(diǎn)使其無(wú)法實(shí)現(xiàn)對(duì)煤層含氣量準(zhǔn)確預(yù)測(cè).

GA算法模仿自然界生物進(jìn)化機(jī)制發(fā)展起來(lái)以實(shí)現(xiàn)隨機(jī)全局搜索，其本質(zhì)是一種高效、并行、全局搜索的方法，并依據(jù)生存法則，在潛在的種群區(qū)域中逐漸靠近最優(yōu)解[10].

以GA算法優(yōu)化ANNs網(wǎng)絡(luò)，構(gòu)造ANNs耦合GA的煤層含氣量預(yù)判模型，能有效改善ANNs網(wǎng)絡(luò)初始權(quán)值和閾值的可靠性，提高網(wǎng)絡(luò)收斂速度及預(yù)測(cè)的精度.

1.1 ANNs神經(jīng)網(wǎng)絡(luò)

文中所講的ANNs神經(jīng)網(wǎng)絡(luò)為BP網(wǎng)絡(luò)，該網(wǎng)絡(luò)是典型的數(shù)值前向傳播、誤差反向傳播.經(jīng)過(guò)訓(xùn)練的BP網(wǎng)絡(luò)其非線性映射具有近似表示任意非線性函數(shù)及其逆的能力，具有較好的泛化能力.3層BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示.

圖1 典型BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig.1 Structure of typical BP network

網(wǎng)絡(luò)的實(shí)現(xiàn)程序：

Step2：在樣本空間中隨機(jī)選取輸入X(k)=(X1(k)，X2(k)，…，Xn(k))與相應(yīng)的輸出d(k)=(d1(k)，d2(k)，…，dq(k)).

Step3：求解隱含層輸入值hih(k)，利用隱含層激活函數(shù)f求解隱含層各神經(jīng)元輸出值hoh(k)：

Step4：求解輸出層輸入值yio(k)，利用激活函數(shù)f′求解輸出層神經(jīng)元輸出值yoo(k)：

Step5：由ANN期望輸出d(k)=(d1(k)，d2(k)，…，dn(k))與實(shí)際輸出向量yoo(k)，求解誤差對(duì)輸出層神經(jīng)元偏導(dǎo)數(shù)δo(k)：

δo(k)=(do(k)-yoo(k))yoo(k)(1-yoo(k)).

Step6：求解誤差函數(shù)對(duì)隱含層神經(jīng)元的偏導(dǎo)數(shù)δh(k)：

Step7：連接權(quán)值ωho(k)與閾值bo(k)的修正：

Step8：連接權(quán)值ωih(k)與閾值bh(k)的修正

Step9：網(wǎng)絡(luò)誤差E

Step10：誤差判斷，當(dāng)E<ε或者學(xué)習(xí)次數(shù)超過(guò)設(shè)定值，網(wǎng)絡(luò)運(yùn)算結(jié)束；否則，返回Step2，進(jìn)行下一輪學(xué)習(xí).

1.2 GA算法實(shí)現(xiàn)

GA算法基于模式理論模擬了自然界中的遺傳現(xiàn)象，基于任意初始種群，逐漸進(jìn)化到搜索空間中最優(yōu)區(qū)域，最后收斂至的個(gè)體，即為最優(yōu)解.

算法實(shí)現(xiàn)程序：

Step1:種群初始化.設(shè)置種群規(guī)模p，隨機(jī)生成初始種群A=(A1，A2，…，Ap)T，給出數(shù)據(jù)取值范圍，采用插值法生成種群中個(gè)體Ai的一組實(shí)數(shù)集(Ai1，Ai2，…，Ais)為GA的染色體，其中s根據(jù)具體要求而確定，為了取得較高精度的權(quán)值及閾值，對(duì)染色體數(shù)組采用二進(jìn)制實(shí)數(shù)制編碼作為基因組，設(shè)置最小適應(yīng)度值ε'及最大進(jìn)化代數(shù)T.

Step2:個(gè)體適應(yīng)度函數(shù).給定一個(gè)經(jīng)過(guò)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)，將(1)中的染色體分別賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，用訓(xùn)練數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)后預(yù)測(cè)系統(tǒng)輸出，把期望與輸出的絕對(duì)值和作為適應(yīng)度值F，計(jì)算公式為：

式中，N為訓(xùn)練樣本個(gè)數(shù)；m為網(wǎng)絡(luò)輸出節(jié)點(diǎn)個(gè)數(shù)；yi為網(wǎng)絡(luò)第i點(diǎn)期望值；oi為預(yù)測(cè)輸出值.

Step3:選擇操作，采用輪盤賭博法選擇算子，即基于適應(yīng)度的可靠性的選擇策略.

式中，F(xiàn)i為個(gè)體i的適應(yīng)度值,k為系數(shù).

上述各層需要兩個(gè)領(lǐng)域?qū)⑵浯怪贝蛲?，在打通以后，可以進(jìn)行從整體上來(lái)把握。一方面是編程以及管理工具，其方向體現(xiàn)在通過(guò)學(xué)習(xí)的方式，機(jī)器實(shí)現(xiàn)自動(dòng)最優(yōu)化、盡可能地不需要編程、不需要相對(duì)復(fù)雜的配置。另一方面則是確保數(shù)據(jù)安全，該領(lǐng)域貫穿于整體的技術(shù)體系之中。

Step4:交叉操作.基于個(gè)體采用的二進(jìn)制編碼，第k個(gè)染色體和第l個(gè)染色體在j位進(jìn)行實(shí)數(shù)交叉，其操作為：

Akj=Akj(1-b)+Aljb,

Alj=Alj(1-b)+Akjb,

式中，b為[0，1]之間的隨機(jī)數(shù).

Step5:變異操作.選取基因位Aij進(jìn)行變異，其操作為：

f(t)=r1(1-t/T)，

式中，Amax為基因Aij上確界；Amin為基因Aij下確界；r為[0，1]之間的隨機(jī)數(shù)；r1為一個(gè)隨機(jī)數(shù)；t為當(dāng)前迭代次數(shù)；T為最大進(jìn)化代數(shù).

Step6:將經(jīng)過(guò)得到的個(gè)體賦予BP網(wǎng)絡(luò)中相應(yīng)的權(quán)值和閾值，進(jìn)行適應(yīng)度函數(shù)計(jì)算.如果滿足約束條件，則輸出經(jīng)過(guò)GA優(yōu)化的最優(yōu)權(quán)值及閾值，否則返回step3進(jìn)入下一輪進(jìn)化.

1.3 ANNs-GA模型實(shí)現(xiàn)

相關(guān)研究指出BP網(wǎng)絡(luò)只要有足夠的隱含層及節(jié)點(diǎn)就可以以任意精度逼近，但是網(wǎng)絡(luò)的收斂與初始權(quán)值和閾值的選擇有密切的關(guān)系，如果初始參數(shù)賦值不當(dāng)，極有可能會(huì)使網(wǎng)絡(luò)迭代陷入局部最優(yōu)解的死循環(huán).基于此，文中引入了GA算法，借助其隨機(jī)并行的優(yōu)化方法和全局搜索能力改進(jìn)BP網(wǎng)絡(luò).ANNs-GA模型的預(yù)測(cè)過(guò)程如圖2所示.

圖2 ANNs-GA耦合模型Fig.2 Coupling model of ANNs-GA

ANNs網(wǎng)絡(luò)中選擇雙曲正切S型函數(shù)(Tan-Sigmoid)作為隱含層的激活函數(shù)，選擇對(duì)數(shù)S型函數(shù)(Log-Sigmoid)作為輸出層的激活函數(shù).為提高網(wǎng)絡(luò)的泛化能力和訓(xùn)練效率，需要對(duì)網(wǎng)絡(luò)的輸入及輸出值進(jìn)行規(guī)格化處理，即為提高網(wǎng)絡(luò)敏感性采用相應(yīng)方法后使數(shù)值全部落在[0，1]內(nèi)，文中采用的規(guī)格方法如下式所示.

2 預(yù)判實(shí)例分析

2.1 基礎(chǔ)樣本準(zhǔn)備

煤層含氣量受生氣能力和儲(chǔ)氣能力的影響[8]，文獻(xiàn)[11]通過(guò)對(duì)煤的生氣量與熱演化關(guān)系分析，指出煤層含氣量與煤層生氣能力關(guān)系不大.由于越流現(xiàn)象煤層氣易在煤巖體中異地儲(chǔ)存[12]，這種現(xiàn)象主要受煤巖的吸附特征、孔隙特征、壓力特征及煤層中流體的性質(zhì)等因素影響，造成這些方面差異性的主要因素為構(gòu)造特征和煤層厚度、埋深及煤層的地質(zhì)特征等.

以東灘礦相關(guān)地質(zhì)參數(shù)為對(duì)象[13]，將埋藏深度(BD，BuriedDepth)、蒙陰組厚度(MF，Mengyinfm)、二疊系保存厚度(PS，PermianSystem)、基巖厚度(BT，BedrockThickness)、煤層厚度(CT，CoalThickness)、煤層傾角(CA，CoalAngle)等主控因素作為ANNs網(wǎng)絡(luò)的輸入值，以瓦斯含量(GC，GasContent)為輸出值，整理后相關(guān)地質(zhì)數(shù)據(jù)如表1所示.主控因素(BD，MF，PS，BT，CT，CA)共計(jì)21組，其中19組作為訓(xùn)練樣本，用以網(wǎng)絡(luò)的學(xué)習(xí)，2組數(shù)據(jù)作為測(cè)試樣本(以*標(biāo)記).

表1 樣本基礎(chǔ)數(shù)據(jù)[13]

續(xù)表1

2.2 基于ANNs-GA耦合模型訓(xùn)練

ANNs網(wǎng)絡(luò)采用基于梯度下降法的學(xué)習(xí)方法，設(shè)定網(wǎng)絡(luò)的誤差目標(biāo)ε為0.001，學(xué)習(xí)率η為0.1，動(dòng)量系數(shù)為0.7，最大步長(zhǎng)M為1 000.根據(jù)相關(guān)研究，三層BP網(wǎng)絡(luò)能實(shí)現(xiàn)任意給定的映射[12]，同時(shí)根據(jù)Kolmogorow定理經(jīng)試算確定隱含層神經(jīng)元個(gè)數(shù)為5，由此形成了6-5-1的網(wǎng)絡(luò)結(jié)構(gòu).GA算法初始種群太小不易得到可行解，太大會(huì)使得因計(jì)算量大而收斂速度慢，因此確定種群規(guī)模為20.根據(jù)ANNs網(wǎng)絡(luò)結(jié)構(gòu)，由權(quán)值及閾值形成的個(gè)體變量共有6*5+5+5+1維，設(shè)定每個(gè)變量二進(jìn)制位數(shù)為20，則個(gè)體基因長(zhǎng)度為(6*5+5+5+1)*20，GA最小適應(yīng)度值ε′為0.01,,最大進(jìn)化代數(shù)T為100.

如圖3所示，GA算法在第40代時(shí)達(dá)到進(jìn)化結(jié)束條件(ε取0.01)，此刻產(chǎn)生的20個(gè)染色體即是最優(yōu)解.圖4所示為第41代20條染色體的適應(yīng)度值，可以看出最小值出現(xiàn)在第15條染色體(實(shí)點(diǎn)處)，其值為0.009 9.表2所示為對(duì)該染色體反歸一化后得到權(quán)值和閾值的解.圖5所示為AANs-GA預(yù)測(cè)值與實(shí)測(cè)值的對(duì)角線圖，圖中以樣本實(shí)

測(cè)值為橫坐標(biāo)，預(yù)測(cè)值為縱坐標(biāo)，形成的樣本原點(diǎn)與對(duì)角線的親疏亦反映了樣本預(yù)測(cè)的可靠與否.耦合方法預(yù)測(cè)樣本最大殘差為0.27，最大相對(duì)誤差為3.24%，標(biāo)準(zhǔn)差為0.079 6，相關(guān)性系數(shù)(R2)為0.990 2，可以看出采用耦合方法預(yù)測(cè)值與實(shí)際值較為接近，整體預(yù)測(cè)的準(zhǔn)確度也較高.

為了詳細(xì)比對(duì)不同預(yù)判方法，將引自同一文獻(xiàn)樣本而采用不同方法下得出的預(yù)測(cè)值與現(xiàn)場(chǎng)測(cè)試值分別列入表3進(jìn)行對(duì)比，其中回歸方法計(jì)算值來(lái)源于文獻(xiàn)[11]，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值來(lái)源于文獻(xiàn)[7].

圖3 GA適應(yīng)度函數(shù)變化圖Fig.3 Change map of GA fitness function

圖4 最優(yōu)種群個(gè)體適應(yīng)度值Fig.4 Fitness value of optimum population

圖5 ANNS-GA耦合模型預(yù)測(cè)Fig.5 Prediction of ANNS-GA coupling model

表2 GA優(yōu)化ANNs網(wǎng)絡(luò)后的權(quán)值及閾值

Tab.2 Weight and threshold of ANNs after optimization by GA

輸入層到隱含層節(jié)點(diǎn)權(quán)重BDMFPSBTCTCA隱含層閾值隱含層到輸出層節(jié)點(diǎn)權(quán)重輸出層閾值-1 13650 50024 12425 6915-0 8647-0 5099-0 3640-9 10342 35946 55756 40535 90903 03585 74212 40406 35725 69158 21632 83214 34728 80510 3723-7 45178 4556-6 81670 50835 7893-8 66685 54120 43959 98457 7723-1 89117 8124-2 89666 06810 4258-7 04979 8191-3 33712 1272

表3 模型學(xué)習(xí)樣本回代結(jié)果

圖6中所示為多元回歸方法計(jì)算與實(shí)測(cè)值得出的對(duì)角線圖，由圖6可知樣本預(yù)測(cè)值與實(shí)際值偏差較大，預(yù)測(cè)樣本最大殘差為1.19，最大相對(duì)誤差為51.55%，標(biāo)準(zhǔn)差為0.521 1，相關(guān)性系數(shù)(R2)為0.575 3.

圖6 多元回歸預(yù)測(cè)Fig.6 Prediction of multiple regression

圖7所示為BP網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值的對(duì)角線圖，采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)樣本最大殘差為0.91，最大相對(duì)誤差為28.26%，標(biāo)準(zhǔn)差為0.234 9，相關(guān)性系數(shù)(R2)為0.920 1，與圖6相比較預(yù)測(cè)值與實(shí)際更加接近，但不如圖5可靠度.圖7與圖5比較發(fā)現(xiàn)對(duì)于個(gè)別點(diǎn)(如8#樣本)而言，無(wú)論哪種方法其誤差均較大，表明無(wú)論是BP神經(jīng)網(wǎng)絡(luò)還是ANNs-GA耦合模型，其目的均在于提高網(wǎng)絡(luò)的整體的預(yù)測(cè)可靠度.

圖7 BP網(wǎng)絡(luò)回歸預(yù)測(cè)Fig.7 Prediction of BP Networks

由表3知，BP神經(jīng)網(wǎng)絡(luò)中有三個(gè)樣本與實(shí)測(cè)完全一致，而ANNs-GA耦合方法中并沒(méi)有與實(shí)際完全相符的.圖8為不同方法下多評(píng)價(jià)指標(biāo)參數(shù)的比對(duì)分析圖，可以看出ANNs-GA耦合方法誤差最小，相關(guān)性系數(shù)最大.圖9為不同方法下學(xué)習(xí)樣本相對(duì)誤差的比對(duì)分析，多元回歸分析平均相對(duì)誤差為15.9%，BP網(wǎng)絡(luò)平均相對(duì)誤差為4.28%，ANNs-GA耦合方法平均相對(duì)誤差為1.87%，BP網(wǎng)絡(luò)及ANNs-GA耦合方法相對(duì)誤差值均未超過(guò)5%，滿足要求.考慮不同方法下學(xué)習(xí)樣本回代的最大相對(duì)誤差，BP網(wǎng)絡(luò)雖有部分樣本回代與實(shí)測(cè)一致，但整體波動(dòng)較大(最大相對(duì)誤差為28.26%)；耦合方法相對(duì)誤差較小(最大相對(duì)誤差控制在4%以內(nèi))且整體變化不大.BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果易發(fā)生振蕩這一現(xiàn)象與以往有關(guān)研究結(jié)論一致[14]，這也顯示了ANNs-GA耦合方法的優(yōu)勢(shì).

圖8 不同方法多指標(biāo)比對(duì)Fig.8 Compare multiple indicator of different methods

圖9 預(yù)測(cè)相對(duì)誤差值對(duì)比Fig.9 Comparing of relative error about prediction

2.3 預(yù)測(cè)效果檢驗(yàn)

模型經(jīng)過(guò)訓(xùn)練后，為檢驗(yàn)不同方法的泛化能力，將兩個(gè)預(yù)測(cè)樣本20和樣本21代入網(wǎng)絡(luò)，并與經(jīng)過(guò)BP網(wǎng)絡(luò)預(yù)測(cè)和回歸分析計(jì)算的結(jié)果比對(duì)，結(jié)果見(jiàn)表4.分析結(jié)果發(fā)現(xiàn)，兩個(gè)樣本回歸分析值均小于實(shí)測(cè)值，而計(jì)算機(jī)智能方法下的計(jì)算結(jié)果其值均大于實(shí)測(cè)值；不同方法下樣本的殘差及相對(duì)誤差數(shù)值顯示耦合方法數(shù)值較小且穩(wěn)定，而BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果發(fā)生振蕩.預(yù)判結(jié)果表明ANNs-GA耦合方法的泛化能力更強(qiáng)，從提高網(wǎng)絡(luò)的整體預(yù)判效果及泛化性出發(fā)，對(duì)煤層含氣量的預(yù)判采用耦合方法可信度更高.

表4 實(shí)測(cè)值與預(yù)測(cè)結(jié)果對(duì)比

3 結(jié)論

1)基于煤層含氣量與影響因素間復(fù)雜的非線性關(guān)系，文中引入了對(duì)輸入變量與輸出變量間具有較強(qiáng)逼近能力的ANNs網(wǎng)絡(luò)，針對(duì)ANNs網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢，且不能保證收斂到全局最小點(diǎn)的缺點(diǎn)，引入了GA算法改進(jìn)ANNs網(wǎng)絡(luò)，形成了ANNs耦合GA算法的預(yù)判新方法.

2)分析同一樣本不同方法下的最大殘差、最大相對(duì)誤差、標(biāo)準(zhǔn)差及相關(guān)性系數(shù)，結(jié)果顯示：回歸分析可靠性較差，BP網(wǎng)絡(luò)及ANNs-GA耦合模型預(yù)測(cè)精度較高，相關(guān)性系數(shù)均超過(guò)0.9，平均相對(duì)誤差均小于5%.耦合方法相對(duì)誤差更小且整體變化不大，平均相對(duì)誤差在2%以內(nèi)，預(yù)測(cè)誤差整體穩(wěn)定.

3)預(yù)測(cè)樣本BP網(wǎng)絡(luò)預(yù)判，顯示誤差較大且明顯發(fā)生振蕩；ANNs-GA耦合模型預(yù)測(cè)結(jié)果誤差較小，泛化能力及實(shí)用性更強(qiáng)，說(shuō)明耦合模型可以作為煤層產(chǎn)氣量預(yù)測(cè)的新方法用于煤層氣含量勘探.

[1] 彭蘇萍， 段延娥， 孟召平， 等. Bayes逐步判別分析方法在煤礦瓦斯分布評(píng)價(jià)中的應(yīng)用[J].煤田地質(zhì)與勘探， 2003， 31(2):10-12．

[2] 崔洪慶， 張振安， 李德軍. 基于一元非線性回歸理論的礦井深部瓦斯含量預(yù)測(cè)[J].河南理工大學(xué)學(xué)報(bào)， 2012， 31(6):637-640．

[3] 張?jiān)S良， 單菊萍， 彭蘇萍. 瓦斯含量及涌出量預(yù)測(cè)的數(shù)學(xué)地質(zhì)技術(shù)與方法[J].煤炭學(xué)報(bào)， 2009， 34(3):350-354．

[4] 趙麗娟， 秦 勇， 申 建. 深部煤層吸附行為及含氣量預(yù)測(cè)模型[J].高校地質(zhì)學(xué)報(bào)， 2012， 18(3):553-557．

[5] 王宏圖， 鮮學(xué)福， 杜云貴， 等. 煤礦深部開(kāi)采煤層氣含量計(jì)算的解析法[J].中國(guó)礦業(yè)大學(xué)學(xué)報(bào)， 2002， 31(4):367-369．

[6] 杜衛(wèi)新， 王永祥， 郝天軒. 基于灰建模的瓦斯含量多變量預(yù)測(cè)模型研究[J].中國(guó)安全科學(xué)學(xué)報(bào)， 2008， 18(5):41-45．

[7] 連承波， 趙永軍， 李漢林， 等. 煤層含氣量的主控因素及定量預(yù)測(cè)[J].煤炭學(xué)報(bào)， 2005， 30(6):726-729．

[8] 羅景峰， 許開(kāi)立. 基于可變模糊組合方法的瓦斯涌出量預(yù)測(cè)[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2011， 7(6):29-32．

[9] 朱大奇， 史 慧. 人工神經(jīng)網(wǎng)絡(luò)原理及其應(yīng)用[M].北京：科學(xué)出版社，2006．

[10] 周 明， 孫樹棟. 遺傳算法原理及應(yīng)用[M].北京：國(guó)防工業(yè)出版社，1999．

[11] 全?？? 影響煤層氣含量若干因素初探[J].天然氣工業(yè)， 1995， 15(5):1-5．

[12] 孫培德， 萬(wàn)華根. 煤層氣越流固-氣耦合模型及可視化模擬研究[J].巖石力學(xué)與工程學(xué)報(bào)， 2004， 23(7):1179-1185．

[13] 湯友誼， 王言劍. 煤層瓦斯含量預(yù)測(cè)方法研究[J].焦作工學(xué)院學(xué)報(bào)， 1997， 16(2)：68-72．

[14] 張汝波. 計(jì)算智能基礎(chǔ)[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，2013．

Pre-judge method of gas content based on coupled ANNs-GA method

JIA Baoshan1，2， YIN Bin1，2

(1.College of Safety Science and Engineering， Liaoning Technical University， Fuxin， Liaoning 123000;2.Key Laboratory of Mine Thermodynamic Disaster & Control of Ministry of Education， Fuxin， Liaoning 123000)

In order to effectively analyze coal seam gas content for preventing gas disasters and reliable drainage, this paper put forward a method that use genetic algorithm to optimize artificial neural networks. Genetic algorithm is merged with artificial neural networks to optimize weight and threshold. The model of nonlinear coal seam gas content prediction is established by ANNs-GA method and analyzed with the field data of mine. Through the simulation experiment, the prediction model has predicted that the maximum relative error is 1.47%. Compared with other prediction model, these results have better generalization ability and higher precision of prediction, providing effective forecast for coal seam gas content.

artificial neural networks; genetic algorithm; coupling model; coal seam gas content

2015-02-02.

國(guó)家自然科學(xué)基金項(xiàng)目(51174109).

1000-1190(2015)05-0715-07

TD712

A

*通訊聯(lián)系人. E-mail: lngdyinbin@163.com.