李世民

(山西省臨汾市蒲縣黑龍關(guān)鎮(zhèn)豹子溝煤業(yè), 山西 臨汾 041000)

煤與瓦斯突出是煤礦的主要災(zāi)害,煤與瓦斯突出的預(yù)測技術(shù)對(duì)保證煤礦安全生產(chǎn)具有重要的意義。多位學(xué)者針對(duì)煤與瓦斯突出的預(yù)測方法進(jìn)行了研究,劉曉光等[1]提出運(yùn)用PCA-聚類分析預(yù)測煤與瓦斯突出;龔星宇等[2]開展了獨(dú)立成分分析在瓦斯?jié)舛阮A(yù)測中的應(yīng)用研究;馬晟翔等[3]將因子分析與BP神經(jīng)網(wǎng)絡(luò)結(jié)合,提出一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測的方法作為煤與瓦斯突出結(jié)果的預(yù)測;溫廷新等[4]開展了基于PSOBP-AdaBoost模型的瓦斯涌出量分源預(yù)測研究;董曉雷等[5]基于SVM耦合遺傳算法,作為回采工作面瓦斯涌出量結(jié)果的預(yù)測;金洪偉等[6]運(yùn)用主成分分析法對(duì)煤礦瓦斯涌出量進(jìn)行了預(yù)測。以上方法在預(yù)測煤與瓦斯突出的結(jié)果方面誤差偏大,主要是因?yàn)橛绊懲咚雇怀龅囊蛩貜?fù)雜多樣,各因素之間存在非線性關(guān)系。且影響因素有主要因素和次要因素,需要運(yùn)用數(shù)學(xué)方法處理這些影響結(jié)果權(quán)重的問題。熵權(quán)法和灰色關(guān)聯(lián)度數(shù)學(xué)方法的結(jié)合能夠簡化預(yù)測指標(biāo)間的相互聯(lián)系,獲得主要影響因素與突出結(jié)果的關(guān)聯(lián)度。為此,提出將灰色熵權(quán)法和BP神經(jīng)網(wǎng)絡(luò)法相結(jié)合,通過對(duì)預(yù)測指標(biāo)加權(quán)法處理得到影響因素與結(jié)果的關(guān)聯(lián)度,將主要影響因素作為BP神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)的個(gè)數(shù),簡化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高迭代與運(yùn)算效率。以某礦典型的煤與瓦斯突出為數(shù)據(jù)樣本,運(yùn)用灰色熵權(quán)關(guān)聯(lián)度與BP神經(jīng)網(wǎng)絡(luò)法的煤與瓦斯突出預(yù)測,驗(yàn)證所提預(yù)測方法的可行性和準(zhǔn)確性。

1 灰色熵權(quán)關(guān)聯(lián)度分析與BP神經(jīng)網(wǎng)絡(luò)原理

1.1 灰色關(guān)聯(lián)度

灰色關(guān)聯(lián)分析法是對(duì)于一個(gè)目標(biāo)系統(tǒng)進(jìn)行定量的直觀描述和比較各因素之間的關(guān)聯(lián)性,基本理論方法為選出目標(biāo)序列作為母序列,各影響目標(biāo)因素作為子序列,運(yùn)用數(shù)學(xué)的方法來定量和比較各影響因素對(duì)于結(jié)果的緊密程度。進(jìn)行灰色關(guān)聯(lián)度分析時(shí),根據(jù)以往的數(shù)據(jù)處理方法,要進(jìn)行數(shù)據(jù)的無量綱化處理,便于得到合理的、科學(xué)的結(jié)論[7].

1.2 灰色熵權(quán)法

考慮整個(gè)體系中各指標(biāo)所占權(quán)重并非完全相等的特點(diǎn),在使用客觀的事實(shí)數(shù)據(jù)中,依靠數(shù)學(xué)理論分析的基礎(chǔ),在灰色關(guān)聯(lián)度數(shù)學(xué)方法的基礎(chǔ)上,再進(jìn)行熵權(quán)計(jì)算,得到的權(quán)重關(guān)聯(lián)度客觀地分析了各屬性對(duì)于結(jié)果的影響,有利于提高分析的計(jì)算精度。

(1)

式中:γi為關(guān)聯(lián)度;n為元素的個(gè)數(shù);k為目數(shù)據(jù)序列,取1,2,3…n;ωj為關(guān)聯(lián)系數(shù);ξi為關(guān)聯(lián)函數(shù)。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP具有包含多個(gè)隱含層的網(wǎng)絡(luò)特點(diǎn),具備處理線性不可分問題的能力。應(yīng)用最廣的是多層前饋網(wǎng)絡(luò)及誤差反向傳播學(xué)習(xí)算法,網(wǎng)絡(luò)采用誤差反向傳播算法進(jìn)行學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)中的內(nèi)部計(jì)算,數(shù)據(jù)由輸入層經(jīng)過隱含層逐層逐步向后傳播。網(wǎng)絡(luò)權(quán)值由輸出層逐漸向前修正網(wǎng)絡(luò)的權(quán)值大小,網(wǎng)絡(luò)層層相連,實(shí)現(xiàn)彼此的映射關(guān)系。BP網(wǎng)絡(luò)是前向神經(jīng)網(wǎng)絡(luò)的核心,在人工智能等領(lǐng)域廣泛解決分類識(shí)別的問題。

2 灰色熵權(quán)法與BP神經(jīng)網(wǎng)絡(luò)煤與瓦斯突出預(yù)測中的應(yīng)用

2.1 煤與瓦斯突出影響因素?cái)?shù)據(jù)

選用某礦現(xiàn)場實(shí)際煤與瓦斯突出的具體數(shù)據(jù)作為研究煤與瓦斯突出的影響因素?cái)?shù)據(jù),見表1.

表1 影響因素?cái)?shù)據(jù)表

2.2 煤與瓦斯突出因素灰色熵權(quán)法分析

2.2.1 熵權(quán)法

應(yīng)用Matlab2018a數(shù)學(xué)計(jì)算軟件,重點(diǎn)分析數(shù)據(jù)主要影響因素的權(quán)重大小。由于煤與瓦斯突出各影響因素之間的數(shù)量級(jí)和綱量不同,數(shù)據(jù)之間具有比較大的差異性,建立了19×8原始數(shù)據(jù),運(yùn)用灰色熵權(quán)法分析之前,需對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理,見表2.

對(duì)歸一化后的數(shù)據(jù)運(yùn)用公式得到各指標(biāo)的權(quán)重,其中煤層最大地應(yīng)力0.38 N、瓦斯壓力0.18 MPa、瓦斯含量0.06 m3/t、頂?shù)装鍘r性0.41%、與斷裂距離0.11 m、煤層厚度0.12 m、開采深度0.04 m、絕對(duì)瓦斯涌出量0.05 m3/d. 在影響煤與瓦斯突出因素中,頂?shù)装鍘r性0.41%在整個(gè)體系中所占權(quán)重值最大,這也說明它對(duì)于煤與瓦斯突出危險(xiǎn)性預(yù)測起到的作用最大。

2.2.2 灰色關(guān)聯(lián)熵法

應(yīng)用Matlab2018a數(shù)學(xué)計(jì)算軟件,對(duì)影響因素的數(shù)據(jù)進(jìn)行預(yù)處理,重點(diǎn)分析各影響因素對(duì)結(jié)果的影響程度。

1) 原始數(shù)據(jù)均值化。

由于煤與瓦斯突出各影響因素之間的數(shù)量級(jí)和綱量不同,數(shù)據(jù)之間具有比較大的差異性。建立了19×9原始數(shù)據(jù),運(yùn)用灰色熵權(quán)法分析之前,有必要進(jìn)行原始數(shù)據(jù)均值化。

2) 灰色關(guān)聯(lián)熵指標(biāo)系數(shù)。

應(yīng)用均值化后的數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)熵分析,確定反應(yīng)瓦斯突出特征的參考數(shù)列與影響結(jié)果的比較數(shù)列,計(jì)算灰色關(guān)聯(lián)熵指標(biāo)系數(shù),如表3.

表3 指標(biāo)系數(shù)表

由表3可知,各影響因素對(duì)煤與瓦斯突出危險(xiǎn)性影響的關(guān)聯(lián)度,其中瓦斯壓力和頂?shù)装鍘r性的加權(quán)灰色關(guān)聯(lián)熵值分別為0.126 7和0.240 6,說明兩者對(duì)煤與瓦斯突出的程度影響最大。而灰色關(guān)聯(lián)度值中,瓦斯含量為0.803 7 m3/t,表明它對(duì)煤與瓦斯突出的程度影響大。因此,在進(jìn)行煤與瓦斯突出的預(yù)測時(shí),可重點(diǎn)對(duì)頂?shù)装鍘r性、瓦斯壓力、瓦斯含量作為BP神經(jīng)網(wǎng)絡(luò)的輸入層,這樣能夠使預(yù)測效果更加準(zhǔn)確。

2.3 基于灰色熵權(quán)法BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

選取煤與瓦斯突出的3個(gè)主要影響因素(瓦斯壓力、瓦斯含量、頂?shù)装鍘r性)作為BP神經(jīng)網(wǎng)絡(luò)輸入層參數(shù)。將發(fā)生煤與瓦斯突出設(shè)置成1,將不發(fā)生煤與瓦斯突出設(shè)置成0,作為BP神經(jīng)網(wǎng)絡(luò)輸出層。在BP網(wǎng)絡(luò)中,如果預(yù)測值≥0.5,輸出值為1,預(yù)測值<0.5時(shí),輸出結(jié)果為0. 使用feedforward網(wǎng)絡(luò)作為輸入和輸出的映射函數(shù),其中trainafcn屬于訓(xùn)練網(wǎng)絡(luò)性能的函數(shù),運(yùn)用訓(xùn)練函數(shù)trainbfg-BFGS算法(擬牛頓反向傳播算法)作為訓(xùn)練函數(shù)。編輯劃分?jǐn)?shù)據(jù)程序設(shè)計(jì),分別任意選取突出10個(gè)與非突出5個(gè)作為訓(xùn)練樣本,建立BP神經(jīng)網(wǎng)絡(luò),最后用檢驗(yàn)樣本檢驗(yàn)訓(xùn)練好的網(wǎng)絡(luò)作為預(yù)測。經(jīng)過多次訓(xùn)練,隱含層包括10個(gè)隱含層效果最好。即模型結(jié)構(gòu)為3-10-1. 用最后4個(gè)樣本檢驗(yàn)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò),結(jié)果見表4.

表4 煤與瓦斯突出預(yù)測表

由表4可見,采用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測瓦斯發(fā)生突出的情況下,預(yù)測相對(duì)誤差最大為5.11%,最小為0.36%.預(yù)測瓦斯不突出相對(duì)誤差為2.33%. 預(yù)測結(jié)果的相對(duì)誤差均小于6%,表明該設(shè)計(jì)的灰色熵權(quán)BP網(wǎng)絡(luò)模型預(yù)測煤與瓦斯突出是可行的,并且結(jié)果符合現(xiàn)場實(shí)際情況。

3 結(jié) 論

1) 設(shè)計(jì)瓦斯突出預(yù)測的新模型,引入了灰色熵權(quán)法來分析各影響因素的大小,并對(duì)各影響因素客觀賦予權(quán)重進(jìn)行了排序,避免了主觀性判斷的影響。建立的灰色關(guān)聯(lián)熵分析模型能很好對(duì)煤與瓦斯突出起到降維的作用,且具有較高的分辨率,并提高了BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算速度和準(zhǔn)確率。

2) 在得到影響因素與突出的關(guān)聯(lián)度大小的基礎(chǔ)上,選取主要的影響因素?cái)?shù)據(jù)作為BP模型的輸入層。由訓(xùn)練及測試結(jié)果可知,基于灰色關(guān)聯(lián)熵的BP神經(jīng)網(wǎng)絡(luò)模型適用于煤與瓦斯突出預(yù)測,且有強(qiáng)的預(yù)測能力及更高的運(yùn)算效率。

3) 采用改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法對(duì)某礦進(jìn)行煤與瓦斯突出預(yù)測,4個(gè)預(yù)測樣本的相對(duì)誤差分別為5.11%,0.36%,4.64%,2.33%,預(yù)測結(jié)果的相對(duì)誤差均小于6%,表明該設(shè)計(jì)的灰色熵權(quán)BP網(wǎng)絡(luò)模型預(yù)測煤與瓦斯突出是可行的,并且結(jié)果符合現(xiàn)場實(shí)際情況。