王佳信,周宗紅*,張繼華,余洋先,李春陽(yáng),龍 剛,劉 清

(1.昆明理工大學(xué)國(guó)土資源工程學(xué)院,昆明 650093;2.淮陰工學(xué)院 建筑工程學(xué)院,江蘇 淮安 223001;3.中國(guó)鋁業(yè)遵義氧化鋁有限公司,貴州 遵義 563155)

?

煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的SαS-PNN模型及應(yīng)用*

王佳信1,周宗紅1*,張繼華2,余洋先1,李春陽(yáng)1,龍 剛1,劉 清3

(1.昆明理工大學(xué)國(guó)土資源工程學(xué)院,昆明 650093;2.淮陰工學(xué)院 建筑工程學(xué)院,江蘇 淮安 223001;3.中國(guó)鋁業(yè)遵義氧化鋁有限公司,貴州 遵義 563155)

較高精度的煤與瓦斯突出預(yù)測(cè)是煤礦安全生產(chǎn)的必要前提和保證。為了實(shí)現(xiàn)對(duì)煤與瓦斯突出危險(xiǎn)性快速、準(zhǔn)確和動(dòng)態(tài)預(yù)測(cè),考慮煤與瓦斯突出多種影響因素。提出一種改進(jìn)的概率神經(jīng)網(wǎng)絡(luò)(PNN)煤與瓦斯突出預(yù)測(cè)模型。首先,引進(jìn)一種對(duì)稱Alpha穩(wěn)定分布(SαS),SαS有更廣泛的數(shù)學(xué)表達(dá),其徑向?qū)ΨQ特性可充當(dāng)PNN樣本層中的高斯分布。在SαS的基礎(chǔ)上,建立煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的SαS-PNN模型。將SαS-PNN模型應(yīng)用于國(guó)內(nèi)26個(gè)典型礦井的煤與瓦斯突出危險(xiǎn)性等級(jí)預(yù)測(cè)。預(yù)測(cè)結(jié)果表明:在3種不同的訓(xùn)練和測(cè)試下SαS-PNN模型仍具有良好的預(yù)測(cè)效果,其誤判率分別為7.69%、11.54%和15.38%。說(shuō)明該模型可為煤礦開(kāi)采中煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)提供了一種可能的思路。

Alpha穩(wěn)定分布(SαS);高斯分布;概率神經(jīng)網(wǎng)絡(luò);煤與瓦斯突出;預(yù)測(cè)

煤與瓦斯突出是一種復(fù)雜的非線性動(dòng)力學(xué)過(guò)程,其機(jī)理復(fù)雜、影響因素眾多。單一的評(píng)價(jià)指標(biāo)很難準(zhǔn)確評(píng)價(jià)煤與瓦斯突出危險(xiǎn)性等級(jí)情況。為了探討煤礦開(kāi)采過(guò)程中煤與瓦斯突出危險(xiǎn)性具體情況,目前,專家們提出了許多煤與瓦斯突出的評(píng)價(jià)方法,這些方法大致分為3類。第1類方法是以現(xiàn)場(chǎng)監(jiān)測(cè)為主,這類方法主要包括:聲發(fā)射、電磁輻射以及微震法等等[1-3]。該類方法通過(guò)監(jiān)測(cè)數(shù)據(jù)的變化規(guī)律所釋放出的前兆信息對(duì)煤與瓦斯突出危險(xiǎn)性進(jìn)行預(yù)測(cè)。第2類方法是以數(shù)值模擬及模擬實(shí)驗(yàn)為主;例如,Xu等[4]采用三維有限元法模擬地應(yīng)力場(chǎng),對(duì)煤與瓦斯突出危險(xiǎn)性進(jìn)行定性研究；唐巨鵬等[5]開(kāi)展三維應(yīng)力條件下煤與瓦斯突出模擬試驗(yàn)研究,研究表明:高壓瓦斯是發(fā)生煤與瓦斯突出的動(dòng)力源。該類方法多用于煤與瓦斯突出重點(diǎn)防治區(qū)域。第3類方法是多參量綜合評(píng)價(jià)模型;這類方法主要用于區(qū)域性早期評(píng)價(jià)。一般選取與煤與瓦斯突出相關(guān)的影響因素建立評(píng)價(jià)指標(biāo)體系,然后再建立評(píng)價(jià)模型。該類方法有:灰色理論、屬性數(shù)學(xué)模型以及突變理論等等。

煤與瓦斯突出的本質(zhì)原因是由于地應(yīng)力和瓦斯的共同作用,所以科學(xué)、全面反映危險(xiǎn)區(qū)域真實(shí)應(yīng)力分布狀態(tài)及瓦斯?jié)舛鹊刃畔⑹情_(kāi)展煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)及防治的基礎(chǔ)。例如,文獻(xiàn)[6]模擬采場(chǎng)和巷道應(yīng)力分布狀況,對(duì)不同應(yīng)力分布狀況下誘發(fā)煤與瓦斯突出機(jī)理進(jìn)行研究。針對(duì)煤與瓦斯突出預(yù)測(cè),目前以現(xiàn)場(chǎng)監(jiān)測(cè)為主;通過(guò)對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析,提取監(jiān)測(cè)數(shù)據(jù)的前兆信息以此對(duì)煤與瓦斯突出進(jìn)行預(yù)測(cè)。但監(jiān)測(cè)數(shù)據(jù)往往離散型的,導(dǎo)致數(shù)據(jù)缺失,使得煤與瓦斯突出的前兆信息嚴(yán)重缺乏,對(duì)煤與瓦斯突出的評(píng)價(jià)極為不利。近年來(lái),許多新模型諸如案例推理[7-8]、bi-LWCA-ENN 模型[9]、NN-SVM模型[10]、股市技術(shù)分析[11]、極限學(xué)習(xí)機(jī)[12]、小波基神經(jīng)網(wǎng)絡(luò)[13]以及BP模型[14]等不斷呈現(xiàn),使得煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)更加科學(xué)合理。以上的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)都取得了一定的成果。但仍存在一定的缺陷,例如,文獻(xiàn)[7]案例推理模型在作出決策之前都要操作整個(gè)案例庫(kù),不能實(shí)時(shí)學(xué)習(xí)和控制,模型受樣本容量的制約,當(dāng)案例數(shù)目較大時(shí),其計(jì)算速度有一定的影響；文獻(xiàn)[11]對(duì)K線周期的選擇以及正常生產(chǎn)條件下各類工作面 K 線變化特征的提取還待于進(jìn)一步研究。因此,煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)還有待于進(jìn)一步研究和探討。

智能巖石力學(xué)理論將人工智能與巖石力學(xué)交叉、融合,使得巖石力學(xué)問(wèn)題的研究更全面、更系統(tǒng)?；谠撍枷?本文借鑒一種概率神經(jīng)網(wǎng)絡(luò)PNN(Probabilistic Neural Network)對(duì)煤與瓦斯突出危險(xiǎn)性進(jìn)行預(yù)測(cè)研究。PNN模型已經(jīng)廣泛地應(yīng)用于不同的領(lǐng)域,如鋁電解槽況診斷[15]、房地產(chǎn)上市公司財(cái)務(wù)危機(jī)預(yù)警[16]以及交通方式選擇[17]等等。PNN模型樣本層激活函數(shù)采用高斯分布,但實(shí)際工程中所選取評(píng)價(jià)指標(biāo)并不總是服從高斯分布,鑒于此,引入一種對(duì)稱Alpha穩(wěn)定分布SαS(symmetric Alpha stable distribution),SαS對(duì)煤與瓦斯突出危險(xiǎn)性評(píng)價(jià)指標(biāo)有很好的表達(dá)。因此,將SαS引入PNN樣本層中,建立煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的SαS-PNN模型,并通過(guò)26個(gè)典型礦井的煤與瓦斯突出實(shí)例驗(yàn)證模型的可靠性和有效性。

1 Alpha穩(wěn)定分布及SαS近似表達(dá)

1.1 Alpha穩(wěn)定分布

(1)

圖2 不同α值的非對(duì)稱穩(wěn)態(tài)分Sα(1,0.5,0)

圖1 不同α值的對(duì)稱穩(wěn)態(tài)分布Sα(1,0,0)

1.2 SαS近似表達(dá)

針對(duì)Alpha穩(wěn)定分布,需要作一些近似表達(dá);高斯混合模型GMM(Gaussian Mixture Model)對(duì)多種類別的劃分、建立復(fù)雜對(duì)象模型以及概率密度函數(shù)PDF(Probability Density Function)參數(shù)估計(jì)很有效?；贕MM理論,Kuruoglu等[18]提出次高斯理論(sub-Gaussian),該理論運(yùn)用多個(gè)高斯函數(shù)混合計(jì)算,解決了Alpha穩(wěn)定分布的漸進(jìn)估計(jì)。

(2)

式中:

V=Y1/2

(3)

而Y為次高斯隨機(jī)變量。針對(duì)指標(biāo)或多或少存在相關(guān)性,采用式(2)進(jìn)行漸進(jìn)逼近,N取3～5。

圖3 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 PNN模型

概率神經(jīng)網(wǎng)絡(luò)(PNN)是一種基于徑向基函數(shù)和經(jīng)典的概率密度估計(jì)原理而建立的神經(jīng)網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

首先,將待測(cè)樣本向量X輸入輸入層,其中神經(jīng)元數(shù)目與樣本維數(shù)相等。樣本層計(jì)算待測(cè)樣本向量X與訓(xùn)練樣本間的距離,該層每個(gè)節(jié)點(diǎn)單元的輸出計(jì)算為

f(X,Wi)=exp[-(X-Wi)T(X-Wi)/2δ2]

(4)

式中:Wi為輸入層到樣本層的權(quán)重;δ為平滑參數(shù)。

然后,求和層進(jìn)行某類的概率密度函數(shù)(PDF)求和,由Parzen方法可得各類PDF估計(jì):

(5)

式中:Xai為i個(gè)訓(xùn)練樣本向量;m訓(xùn)練樣本個(gè)數(shù)。

最后,競(jìng)爭(zhēng)層輸出各類概率密度函數(shù),概率最大值的那一類為1,其他類別為0。

3 煤與瓦斯突出預(yù)測(cè)的SαS-PNN模型

3.1 建立煤與瓦斯突出評(píng)價(jià)指標(biāo)體系

煤與瓦斯突出是一種機(jī)理十分復(fù)雜、影響因素多的動(dòng)力學(xué)過(guò)程。因此,應(yīng)考慮影響煤與瓦斯突出的多種評(píng)價(jià)指標(biāo)共同作用,這樣評(píng)價(jià)指標(biāo)才具有代表性。除此之外,還要考慮評(píng)價(jià)指標(biāo)容易獲得,這樣有利于在類似的突出礦井中進(jìn)行對(duì)比。迄今為止,針對(duì)煤與瓦斯突出評(píng)價(jià)指標(biāo)的選取,目前尚無(wú)通用的標(biāo)準(zhǔn)可依。通常是依靠專家的經(jīng)驗(yàn),然后,結(jié)合工程實(shí)際進(jìn)行選擇。而且在選擇評(píng)價(jià)指標(biāo)時(shí),應(yīng)遵循代表性、易量化、層次性、系統(tǒng)性以及易獲取等5項(xiàng)原則。

根據(jù)文獻(xiàn)[14],選取開(kāi)采深度H、瓦斯壓力P、瓦斯放散初速度ΔP、煤的堅(jiān)固性系數(shù)F以及地質(zhì)破壞程度D作為煤與瓦斯突出的評(píng)價(jià)指標(biāo);將煤與瓦斯突出強(qiáng)度大小分為無(wú)突出、小型突出(50 t以下)、中型突出(50 t～100 t)和大型突出(100 t以上),分別用A、B、C和D表示。選取26個(gè)國(guó)內(nèi)典型的突出礦井實(shí)測(cè)數(shù)據(jù)作為SαS-PNN模型的學(xué)習(xí)樣本(表1)。

3.2 確立煤與瓦斯突出評(píng)價(jià)指標(biāo)間相關(guān)性

針對(duì)表1中煤與瓦斯突出的評(píng)價(jià)指標(biāo)進(jìn)行相關(guān)性分析;由Pearson相關(guān)性理論[19],計(jì)算各評(píng)價(jià)指標(biāo)間的相關(guān)系數(shù)。由定義知,樣本均值為

(7)

其相關(guān)系數(shù)計(jì)算公式為

(8)

式中:r為相關(guān)系數(shù);

(9)

經(jīng)計(jì)算得到:P與ΔP、P與ΔP、P與D、P與F、P與H、ΔP與D、ΔP與F、ΔP與H、D與F、D與H和F與H間的相關(guān)系數(shù)分別為:0.412 0、0.159 8、-0.186 4、0.162 8、0.107 0、-0.607 1、0.360 6、-0.168 1、0.209 9和-0.416 7。可知,除了P與ΔP、ΔP與F以及ΔP與H間存在一定的相關(guān)性外,其余指標(biāo)之間基本上不存在相關(guān)性或相關(guān)性較弱。

表1 典型突出礦井實(shí)例的SαS-PNN預(yù)測(cè)結(jié)果

注:“( )”里面數(shù)字代表預(yù)測(cè)結(jié)果[7,24]

3.3 提出煤與瓦斯突出預(yù)測(cè)的SαS-PNN模型

針對(duì)神經(jīng)網(wǎng)絡(luò)模型,其徑向基函數(shù)為多數(shù)采用高斯分布,又稱正態(tài)分布。本文提出Alpha穩(wěn)定分布的理由是[20]:①Alpha穩(wěn)定分布是唯一一類滿足廣義中心極限定理的分布;Alpha穩(wěn)定分布能夠更寬泛地描述煤與瓦斯突出評(píng)價(jià)指標(biāo)以及不遵循中心極限定理的煤與瓦斯突出評(píng)價(jià)指標(biāo);Alpha穩(wěn)定分布是一種廣義的高斯分布,且高斯分布僅是Alpha穩(wěn)定分的一個(gè)特例。②Alpha穩(wěn)定分布能夠與實(shí)際數(shù)據(jù)相吻合。例如,Shao等[21]提出Alpha穩(wěn)定分布描述大氣噪聲的模型。

針對(duì)PNN模型,將SαS的概率密度函數(shù)替換PNN模型中的高斯分布,并作為樣本層輸出,即將導(dǎo)入節(jié)點(diǎn)的向量采用加權(quán)原則徑向累加,得到該向量與樣本輸入向量的歐式距離E,然后,經(jīng)過(guò)計(jì)算SαS激活函數(shù),得到該樣本與標(biāo)準(zhǔn)樣本的相似度。將歐式距離代入式(2),得

(10)

將式(10)的結(jié)果作為每種樣本單元的輸出,求出這些局部估計(jì)值的總和,最終得到判別函數(shù)。然后,采用閾值分類器設(shè)置競(jìng)爭(zhēng)層的期望輸出值。

3.4 煤與瓦斯突出的SαS-PNN模型預(yù)測(cè)步驟

針對(duì)煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的SαS-PNN模型,其算法步驟如下:①建立煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的學(xué)習(xí)樣本。②將煤與瓦斯突出樣本導(dǎo)入PNN的樣本層,建立煤與瓦斯突出樣本預(yù)測(cè)ARMA模型[22],獲得誤差值。③運(yùn)用SαS分布的負(fù)階矩法[23],估計(jì)每類訓(xùn)練樣本α和γ值。④依據(jù)α、γ值,建立SαS分布的概率密度函數(shù)。⑤在第2步的基礎(chǔ)上,按式(10)求概率矩陣。⑥運(yùn)用SαS-PNN模型中的求和層,求得各個(gè)樣本屬于各類型的概率和。⑦設(shè)置模型中競(jìng)爭(zhēng)層節(jié)點(diǎn)的期望輸出值。

文獻(xiàn)[15]將PNN模型的輸出設(shè)置成A1×5矩陣形式,如[1 0 0 0 0]、[0 1 0 0 0]、[0 0 1 0 0]、[0 0 0 1 0]和[0 0 0 0 1],用于判別各種電解槽況斷。針對(duì)煤與瓦斯突出危險(xiǎn)性分級(jí)預(yù)測(cè)只是一個(gè)理論結(jié)果,為更好地表示煤與瓦斯突出危險(xiǎn)性分級(jí)情況,本文在文獻(xiàn)[15]的基礎(chǔ)上進(jìn)行改進(jìn)。將SαS-PNN模型的輸出期望設(shè)置成A1×1的矩陣形式進(jìn)行簡(jiǎn)化,如矩陣[1]～[4],即為一個(gè)數(shù)值。這樣以更好地描述煤與瓦斯突出危險(xiǎn)性分級(jí)預(yù)測(cè)情況。于是,本文將SαS-PNN模型競(jìng)爭(zhēng)層神經(jīng)元的期望輸出值設(shè)置為1(A)、2(B)、3(C)和4(D)。其中,A、B、C和D代表煤與瓦斯突出強(qiáng)度大小。

3.5 模型檢驗(yàn)及分析

為檢驗(yàn)?zāi)Ｐ偷姆夯芰?保證煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)結(jié)果的可靠性,同時(shí)避免主觀地選取訓(xùn)練樣本多、測(cè)試樣本少的情況,參考文獻(xiàn)[13-14,24]對(duì)測(cè)試樣本個(gè)數(shù)的設(shè)置,本文將表1中的26個(gè)樣本構(gòu)造3種不同的情況進(jìn)行學(xué)習(xí),即將訓(xùn)練樣本與測(cè)試樣本個(gè)數(shù)比分別設(shè)置為22∶4,20∶6和18∶8進(jìn)行學(xué)習(xí)。運(yùn)用MATLAB進(jìn)行編程,其中網(wǎng)絡(luò)參數(shù)SPREAD的參數(shù)值影響著模型的預(yù)測(cè)精度,SPREAD值越小,對(duì)函數(shù)的逼近越精確;SPREAD值越大,模型預(yù)測(cè)誤差越多,其默認(rèn)值為1,本文將SPREAD的值設(shè)置為2,以保證煤與瓦斯突出的訓(xùn)練樣本和測(cè)試樣本能夠得到準(zhǔn)確的預(yù)測(cè)。

圖6 典型礦井樣本(1～20)訓(xùn)練效果及誤差結(jié)果

文獻(xiàn)[14]給出26組煤與瓦斯突出實(shí)例的等級(jí)情況。故將文獻(xiàn)[14]中26組樣本煤與瓦斯突出等級(jí)作為SαS-PNN模型競(jìng)爭(zhēng)層神經(jīng)元的期望輸出值,這樣有利于模型之間進(jìn)行對(duì)比。3種情況下SαS-PNN模型預(yù)測(cè)結(jié)果及學(xué)習(xí)統(tǒng)計(jì)結(jié)果如圖4～圖9和表2所示。

圖4 典型礦井樣本(1～22)訓(xùn)練效果及誤差結(jié)果

圖5 典型礦井樣本(1*～4*)測(cè)試效果

圖7 典型礦井樣本(1*～6*)測(cè)試效果

圖8 典型礦井樣本(1～18)訓(xùn)練效果及誤差結(jié)果

圖9 典型礦井樣本(1*～8*)測(cè)試效果

訓(xùn)練與測(cè)試個(gè)數(shù)比測(cè)試錯(cuò)誤個(gè)數(shù)訓(xùn)練錯(cuò)誤個(gè)數(shù)誤判率/%22∶4117.6920∶61211.5418∶81315.38

由圖4～圖9及表2可以看出,3種情況下的SαS-PNN模型在煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)中是可行的。

限于篇幅,僅以SαS-PNN模型的第1種情況預(yù)測(cè)結(jié)果進(jìn)行分析。由表1及圖4、圖5可以看出,22個(gè)訓(xùn)練樣本中,11號(hào)樣本判別錯(cuò)誤,其相對(duì)誤差為-75%。22個(gè)訓(xùn)練樣本的平均相對(duì)誤差為-3.41%。在4個(gè)測(cè)試樣本中,1*號(hào)樣本判別錯(cuò)誤,其相對(duì)誤差為-33.33%,4個(gè)測(cè)試樣本的平均相對(duì)誤差為-8.33%。26個(gè)樣本的學(xué)習(xí),其誤判率分別為7.69%。

為進(jìn)行比較,在表1中同時(shí)列出了CBR模型[7]、小波神經(jīng)網(wǎng)絡(luò)模型[13]、改進(jìn)的BP模型[14]以及PNN模型[24]的預(yù)測(cè)結(jié)果。由表1可知,除了11和4*號(hào)樣本預(yù)測(cè)存在一定的偏差外;SαS-PNN模型的預(yù)測(cè)結(jié)果與CBR模型、小波神經(jīng)網(wǎng)絡(luò)模型、改進(jìn)的BP模型以及PNN模型的預(yù)測(cè)結(jié)果基本一致。

為了檢驗(yàn)SαS-PNN模型的有效性,與采用高斯分布充當(dāng)PNN樣本層中徑向基函數(shù)的模型進(jìn)行對(duì)比,如表3所示。

表3 兩種算法預(yù)測(cè)性能比較

由表3可知,因SαS-PNN模型需要對(duì)煤與瓦斯突出的評(píng)價(jià)指標(biāo)進(jìn)行參數(shù)估計(jì),運(yùn)行時(shí)間比普通PNN模型較長(zhǎng)。但是SαS函數(shù)擬合各參數(shù),使得煤與瓦斯突出評(píng)價(jià)指標(biāo)的擬合更趨于實(shí)際情況,預(yù)測(cè)效果比采用高斯分布充當(dāng)PNN樣本層中徑向基函數(shù)的模型更優(yōu)。

由圖4、圖5可以看出,11和1*號(hào)樣本的預(yù)測(cè)與實(shí)際存在一定的偏差,可能的原因是:①各地煤層地質(zhì)賦存條件各異,至今還有未被人們認(rèn)識(shí)到的其他煤與瓦斯突出的因素影響;對(duì)評(píng)價(jià)指標(biāo)的選取還有待于進(jìn)一步的研究。②11和1*號(hào)樣本等級(jí)可能介于2個(gè)等級(jí)之間,研究人員可能猶豫不決,可能把11和4*號(hào)樣本的煤與瓦斯突出等級(jí)確定為其中某一級(jí)。③因收集到的樣本量有限,可能因訓(xùn)練樣本數(shù)容量的限制,使得模型對(duì)一些樣本的預(yù)測(cè)產(chǎn)生一定的偏差。

4 結(jié)論

①首次引入一種煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)模型——SαS-PNN模型;PNN過(guò)程簡(jiǎn)單,總收斂于Bayes優(yōu)化解,穩(wěn)定性高,PNN網(wǎng)絡(luò)需要調(diào)節(jié)的參數(shù)少,不需要確定模型的隱含層,不存在局部最優(yōu)值,樣本追加能力強(qiáng),可容忍一些判別錯(cuò)誤的樣本,使煤與瓦斯突出危險(xiǎn)性評(píng)價(jià)更加科學(xué)合理,為煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)提供一種可能的思路。

②SαS分布最重要的特性就是所謂的穩(wěn)定特性,其概率密度函數(shù)的卷積是封閉的,且其隨機(jī)變量的相加也是封閉的;輸入為SαS分布隨機(jī)變量的線性系統(tǒng),其輸出還是SαS分布。采用SαS分布近似表達(dá)改進(jìn)PNN樣本層的徑向基函數(shù),SαS能夠滿足評(píng)價(jià)指標(biāo)服從非高斯分布的要求,使SαS-PNN模型具有良好的函數(shù)擬合能力,進(jìn)一步提高了煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的精度。

③國(guó)內(nèi)26個(gè)典型突出礦井實(shí)例的預(yù)測(cè)結(jié)果表明:3種訓(xùn)練和測(cè)試下SαS-PNN模型仍具有較好的預(yù)測(cè)效果,其誤判率分別為7.69%、11.54%和15.38%。說(shuō)明SαS-PNN模型在煤與瓦斯突出危險(xiǎn)性評(píng)價(jià)中是可行的。但SαS-PNN模型需要對(duì)α、γ值進(jìn)行參數(shù)估計(jì),運(yùn)行時(shí)間比普通的PNN模型稍長(zhǎng)。

值得一提的是,本文只是初次嘗試將SαS-PNN模型運(yùn)用到煤與瓦斯突出等級(jí)預(yù)測(cè)中,對(duì)指標(biāo)的選取、指標(biāo)的重要度研究以及模型的優(yōu)化算法還需要進(jìn)一步的深入研究和探討。例如對(duì)煤與瓦斯突出訓(xùn)練樣本采用核方法聚類;刪減冗余樣本,可簡(jiǎn)化輸入節(jié)點(diǎn)和樣本層節(jié)點(diǎn)的數(shù)目,提高訓(xùn)練效率。

[1] 許江,耿加波,彭守建,等. 不同含水率條件下煤與瓦斯突出的聲發(fā)射特性[J]. 煤炭學(xué)報(bào),2015,40(5):1047-1054.

[2] 撒占友,何學(xué)秋,王恩元,等. 煤與瓦斯突出危險(xiǎn)性電磁輻射異常判識(shí)方法[J]. 煤炭學(xué)報(bào),2008(12):1373-1376.

[3] 朱權(quán)潔,李青松,李紹泉,等. 煤與瓦斯突出試驗(yàn)的微震動(dòng)態(tài)響應(yīng)與特征分析[J]. 巖石力學(xué)與工程學(xué)報(bào),2015(s2):3813-3821.

[4] Ping Xu. Geo-Stress Fields Simulated with 3D FEM and Their Qualitative Influence on Coal and Gas Outburst[J]. Geotechnical and Geological Engineering,2014,32(2):337-344.

[5] 唐巨鵬,潘一山,楊森林,等. 三維應(yīng)力下煤與瓦斯突出模擬試驗(yàn)研究[J]. 巖石力學(xué)與工程學(xué)報(bào),2013,32(5):960-965.

[6] 王振,胡千庭,文光才,等. 采動(dòng)應(yīng)力場(chǎng)分布特征及其對(duì)煤巖瓦斯動(dòng)力災(zāi)害的控制作用分析[J]. 煤炭學(xué)報(bào),2011,36(4):623-627.

[7] 閻馨,付華. 基于案例推理和數(shù)據(jù)融合的煤與瓦斯突出預(yù)測(cè)[J]. 東南大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,41(z1):59-63.

[8] 閻馨,付華,屠乃威. 基于聚類和案例推理的煤與瓦斯突出動(dòng)態(tài)預(yù)測(cè)[J]. 傳感技術(shù)學(xué)報(bào),2016,29(4):545-551.

[9] 付華,司南楠,魯俊杰,等. 基于bi-LWCA-ENN煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)[J]. 傳感技術(shù)學(xué)報(bào),2016,29(8):1222-1228.

[10] 謝國(guó)民,謝鴻,付華,等. 煤與瓦斯突出預(yù)測(cè)的NN-SVM模型[J]. 傳感技術(shù)學(xué)報(bào),2016,29(5):733-738.

[11] 鄧明,張國(guó)樞,陳清華,等. 基于瓦斯涌出時(shí)間序列的煤與瓦斯突出預(yù)報(bào)[J]. 煤炭學(xué)報(bào),2010,35(2):260-263.

[12] 付華,李海霞,盧萬(wàn)杰,等. 一種改進(jìn)的極限學(xué)習(xí)機(jī)煤與瓦斯突出預(yù)測(cè)模型[J]. 傳感技術(shù)學(xué)報(bào),2016,29(1):69-74.

[13] 譚云亮,肖亞勛,孫偉芳,等. 煤與瓦斯突出自適應(yīng)小波基神經(jīng)網(wǎng)絡(luò)辨識(shí)和預(yù)測(cè)模型[J]. 巖石力學(xué)與工程學(xué)報(bào),2007,26(A01):3373-3377.

[14] 肖紅飛,何學(xué)秋,劉黎明,等. 改進(jìn)BP算法在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J]. 中國(guó)安全科學(xué)學(xué)報(bào),2003,13(9):59-61.

[15] 易軍,李太福,田應(yīng)甫,等. 基于對(duì)稱Alpha穩(wěn)定分布概率神經(jīng)網(wǎng)絡(luò)的鋁電解槽況診斷[J]. 化工學(xué)報(bào),2012,63(10):3196-3201.2015.

[16] Sun Q,Wu C,Zhang X. Financial Distress Early Warning for Real Estate Listed Companies of China Based on Elliptical Space Probabilistic Neural Networks[C]//ICCREM 2014@sSmart Construction and Management in the Context of New Technology. ASCE,2015:1418-1427.

[17] Zhao D,Shao C,Li J,et al. Travel Mode Choice Modeling Based on Improved Probabilistic Neural Network[C]//International Conference on Traffic and Transportation Studies. 2010:685-695.

[18] Kuruoglu E E,Fitzgerald W J,Rayner P J W,et al. Near Optimal Detection of Signals in Impulsive Noise Modeled with a Symmetric α-Stable Distribution[J]. IEEE Communications Letters,1998,2(10):282-284.

[19] 楊虎,劉瓊蓀,鐘波,等. 數(shù)理統(tǒng)計(jì)[M]. 北京:高等教育出版社,2004.

[20] 王佳信,周宗紅,趙 婷,等. 基于Alpha穩(wěn)定分布概率神經(jīng)網(wǎng)絡(luò)的圍巖穩(wěn)定性分類研究[J]. 巖土力學(xué),2016;37(增刊2):649-657.

[21] Shao M,Nikias C L. Signal Processing with Fractional Lower Order Moments:Stable Processes and Their Applications[J]. Proceedings of the IEEE,1993,81(7):986-1010.

[22] Mehdi K,Mehdi B,Gholam A R A. Improvement of Auto-Regressive Integrated Moving Average Models Using Fuzzy logic and Artificial Neural Networks(ANNs)[J]. Neurocomputing,2009,72(4/5/6):956-967.

[23] Mueller M E,Blanquart G,Pitsch H. Hybrid Method of Moments for Modeling Soot Formation and Growth[J]. Combustion and Flame,2009,156(6):1143-1155.

[24] 劉陽(yáng),史慶軍. 概率神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出中的應(yīng)用[J]. 佳木斯大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,27(5):698-699.

王佳信(1988-),男,貴州織金人,昆明理工大學(xué)國(guó)土資源工程學(xué)院碩士研究生,主要研究方向?yàn)橹悄軒r石力學(xué)及巖爆機(jī)理研究,jiaxinwang666@foxmail.com;

周宗紅(1967-),男,安徽宿州人,博士(后),教授,碩士生導(dǎo)師。主要研究方向?yàn)椴傻V工程與巖石力學(xué),主持國(guó)家自然科學(xué)基金項(xiàng)目2項(xiàng),主持省部級(jí)和企業(yè)委托項(xiàng)目多項(xiàng),國(guó)家發(fā)明和實(shí)用新型專利授權(quán)5項(xiàng),發(fā)表學(xué)術(shù)論文40余篇,Zhou20051001@ 163.com。

SαS-PNN Model for Forecast of Coal and GasOutburst Risk and Its Application*

WANG Jiaxin1,ZHOU Zonghong1*,ZHANG Jihua2,YU Yangxian1,LI Chunyang1,LONG Gang1,LIU Qing3

(1.Faculty of Land Resource Engineering,Kunming University of Science and Technology,Kunming 650093,China;2.Faculty of Architecture and Civil Engineering,Huaiyin Institute of Technology,Huai’an Jiangsu 223001,China;3. Aluminum Corporation Zunyi Aluminium Oxide of China Limited,Zunyi Guizhou 563155,China)

Forecast of coal and gas outburst with high precision is the precondition and guarantee for coal mine safety production. In order to predict the risk of coal and gas outburst rapidly,accurately and dynamically,multiple factors affecting coal and gas outburst were considered. An improved probabilistic neural network(PNN)model for forecast of coal and gas outburst was proposed. First,a symmetric Alpha stable distribution(SαS)was introduced. SαS has more extensive mathematical expression,and its radial symmetry characteristic can act as Gaussian distribution in PNN sample layer. Based on SαS,the SαS-PNN model for forecast of coal and gas outburst risk was built. The SαS-PNN model was applied to the forecast of coal and gas outburst risk class in 26 typical mines in China. The forecast results showed that the SαS-PNN model had favorable forecast effects in three different trainings and tests,and the misjudgment rates were 7.69%,11.54% and 15.38%,respectively,suggesting that the model is capable of providing a possible thinking for forecast of coal and gas outburst risk in coal mining.

Alpha stable distribution(SαS);Gaussian distribution;probabilistic neural network;coal and gas outburst;forecast

項(xiàng)目來(lái)源:國(guó)家自然科學(xué)基金項(xiàng)目(51264018,51064012)

2016-12-14 修改日期:2017-03-07

TP39;TP183;TP212

A

1004-1699(2017)07-1112-07

C:7230

10.3969/j.issn.1004-1699.2017.07.024