陳全秋郭勇義,2吳世躍徐玉勝王燦召

(1.太原理工大學(xué)礦業(yè)工程學(xué)院,山西省太原市,030024; 2.太原科技大學(xué),山西省太原市,030024; 3.晉城煤業(yè)集團(tuán)寺河礦,山西省晉城市,048205)

★煤礦安全 ★——晉城煤業(yè)集團(tuán)公司協(xié)辦

遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合在煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)中的應(yīng)用研究＊

陳全秋1郭勇義1,2吳世躍1徐玉勝3王燦召1

(1.太原理工大學(xué)礦業(yè)工程學(xué)院,山西省太原市,030024; 2.太原科技大學(xué),山西省太原市,030024; 3.晉城煤業(yè)集團(tuán)寺河礦,山西省晉城市,048205)

將反映煤與瓦斯突出的重要特征指標(biāo):最大鉆屑量 (S)、鉆屑解析指標(biāo)(K1)、鉆孔瓦斯涌出初速度 (q0)和煤的堅(jiān)固性系數(shù) (f)通過(guò)神經(jīng)網(wǎng)絡(luò)與遺傳算法有效結(jié)合,建立煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)模型,并通過(guò)現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)進(jìn)行突出危險(xiǎn)性預(yù)測(cè)。結(jié)果表明:兩種算法的結(jié)合對(duì)煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)是有效的,它與傳統(tǒng)的預(yù)測(cè)方法相比收效速度更快,容錯(cuò)能力更強(qiáng),預(yù)測(cè)精度更高。

煤與瓦斯突出 預(yù)測(cè) 特征指標(biāo) 神經(jīng)網(wǎng)絡(luò) 遺傳算法

AbstractIndicators reflecting the important characters of coal/gas outbursts such as maximum drill chips(S),drill chip analytical index(K1),initial velocity of gas outflow through drill hole(q0)and the coefficient of coal rigidity(f)are effectively combined with genetic algorithm via neural network to form a coal/gas outburst prediction model.With the help of the data and test results obtained on site,outburst danger is predicted.Results indicate that the combination of the two algorithms produces an effective prediction of the danger of coal/gas outbursts.Compared with traditional prediction methods,this method produces quicker results with higher fault tolerance and better accuracy.

Key wordsprediction of the danger of coal/gas outburst,characteristic indicator,neural network,genetic algorithm

隨著我國(guó)煤炭資源的進(jìn)一步開發(fā),煤炭開采深度不斷增加,煤礦瓦斯突出事故發(fā)生頻率呈增長(zhǎng)趨勢(shì),針對(duì)此情況必須對(duì)突出災(zāi)害進(jìn)行有效防治,而防治的關(guān)鍵在于預(yù)測(cè)。因此,研究可靠的預(yù)測(cè)方法便成為了防治工作的重中之重。然而,由于煤與瓦斯突出為非常復(fù)雜的動(dòng)力現(xiàn)象,影響因素眾多,多年來(lái)國(guó)內(nèi)外學(xué)者做了大量研究,但到目前為止還沒(méi)達(dá)成共識(shí)。近年來(lái),許多學(xué)者試圖通過(guò)人工神經(jīng)網(wǎng)絡(luò)模型對(duì)瓦斯突出進(jìn)行預(yù)測(cè),但是由于人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自身的不足,預(yù)測(cè)效果大多不太理想。自上世紀(jì)90年代以來(lái)廣泛引入了遺傳算法,其良好的全局搜索能力及很強(qiáng)的魯棒性大大改善了神經(jīng)網(wǎng)絡(luò)的缺陷,得到了學(xué)界的廣泛認(rèn)可。

本文針對(duì)煤與瓦斯突出的發(fā)生規(guī)律,結(jié)合突出的綜合作用假說(shuō),根據(jù)突出的非線性特征以及突出指標(biāo)的影響程度不同,通過(guò)BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的結(jié)合對(duì)煤礦可能發(fā)生煤與瓦斯突出危險(xiǎn)的區(qū)域進(jìn)行建模預(yù)測(cè)。

1 煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)指標(biāo)集的建立

煤與瓦斯突出是眾多因素共同作用的結(jié)果,國(guó)內(nèi)外煤層突出資料表明,突出的發(fā)生具有區(qū)域性分布或帶狀分布的特點(diǎn),突出危險(xiǎn)帶的面積一般不到突出煤層總面積的10%。因此,本文預(yù)測(cè)指標(biāo)體系集以煤與瓦斯突出區(qū)域預(yù)測(cè)中接觸式預(yù)測(cè)指標(biāo)為基礎(chǔ)建立。通過(guò)對(duì)煤礦瓦斯突出的主控因素分析,并考慮到現(xiàn)場(chǎng)測(cè)取數(shù)據(jù)的難度和可操作性,選取最大鉆屑量(S)、鉆屑解析指標(biāo)(K1)、鉆孔瓦斯涌出初速度(q0)和煤的堅(jiān)固性系數(shù)(f)作為影響突出的基本指標(biāo)。

最大鉆屑量能綜合反映煤層應(yīng)力狀態(tài)、煤的力學(xué)性質(zhì)及其瓦斯的賦存狀況;鉆屑解析指標(biāo)正確反映煤層破壞程度和瓦斯含量的綜合作用;鉆孔瓦斯涌出初速度全面反映了煤的滲透能力、力學(xué)性質(zhì)、煤層瓦斯壓力和含量及地應(yīng)力等因素的變化;煤的堅(jiān)固性系數(shù)反映了煤的力學(xué)性質(zhì),通常情況下,瓦斯壓力和地應(yīng)力相同的條件下,煤的堅(jiān)固性系數(shù)越大,越不容易發(fā)生突出。

2 算法分析

2.1 人工神經(jīng)網(wǎng)絡(luò) (ANN)算法分析

人工神經(jīng)網(wǎng)絡(luò)是模擬人腦的結(jié)構(gòu)和功能的非線性信息處理系統(tǒng),它是一種經(jīng)過(guò)不斷學(xué)習(xí)來(lái)實(shí)現(xiàn)其自身對(duì)數(shù)據(jù)的記憶、推理、歸納的功能,其學(xué)習(xí)過(guò)程實(shí)質(zhì)就是不斷調(diào)節(jié)權(quán)值和閾值的過(guò)程。神經(jīng)網(wǎng)絡(luò)中使用最廣泛的為反向誤差傳播神經(jīng)網(wǎng)絡(luò) (即BP神經(jīng)網(wǎng)絡(luò))。BP神經(jīng)網(wǎng)絡(luò)模型一般包括輸入層、隱含層、輸出層及各層之間的傳遞函數(shù)。模型用于實(shí)際預(yù)測(cè)時(shí),需要完成學(xué)習(xí)過(guò)程和預(yù)測(cè)過(guò)程。學(xué)習(xí)過(guò)程由信息的正向傳播和誤差的反向傳播組成。在信息的正向傳播過(guò)程中,輸入信息從輸入層向隱含層過(guò)渡時(shí),每個(gè)神經(jīng)元只對(duì)下一層的神經(jīng)元產(chǎn)生影響,如果輸出層達(dá)到輸出結(jié)果,則計(jì)算輸出層的誤差變化值,接著反向傳播,同時(shí)網(wǎng)絡(luò)的誤差信號(hào)沿著原來(lái)的連接通路逆向傳播并修改各層神經(jīng)網(wǎng)絡(luò)的權(quán)值,如此反復(fù)多次完成對(duì)所有信息的訓(xùn)練學(xué)習(xí),指導(dǎo)網(wǎng)絡(luò)收斂至指定的精度,得到滿意的權(quán)值。然后將得到的結(jié)果進(jìn)行實(shí)際的預(yù)測(cè)。但BP神經(jīng)網(wǎng)絡(luò)算法在本質(zhì)上講屬于最速下降法的內(nèi)容,因此存在著許多缺陷:收斂速度慢,局部最小點(diǎn),網(wǎng)絡(luò)結(jié)構(gòu)很難確定。其網(wǎng)絡(luò)模型如圖1所示。

圖1 煤與瓦斯突出BP神經(jīng)網(wǎng)絡(luò)模型

2.2 遺傳算法分析

遺傳算法是模擬生物界優(yōu)勝劣汰的競(jìng)爭(zhēng)機(jī)制,通過(guò)遺傳進(jìn)化過(guò)程建立起來(lái)的一種全局搜索算法,主要依靠代與代之間的維持,由潛在解組成的種類來(lái)實(shí)現(xiàn)多向性和全局的搜索。遺傳算法通過(guò)適應(yīng)度函數(shù)給每個(gè)個(gè)體一個(gè)數(shù)值評(píng)價(jià),淘汰適應(yīng)度低的個(gè)體,選擇適應(yīng)度高的個(gè)體參加遺傳操作,經(jīng)過(guò)遺傳操作后的個(gè)體集合形成下一代新的種群。對(duì)這個(gè)新種群進(jìn)行下一輪進(jìn)化。經(jīng)過(guò)不斷的選擇、交叉、變異找到最終的染色體,作為最優(yōu)解保留下來(lái)。因此,染色體的遺傳問(wèn)題也可視為典型的尋優(yōu)過(guò)程。由于遺傳算法自身具有廣泛的適應(yīng)性,全局搜索能力以及具有很強(qiáng)的魯棒性,因此,該算法的優(yōu)點(diǎn)恰恰能彌補(bǔ)神經(jīng)網(wǎng)絡(luò)存在的不足。

2.3 算法的結(jié)合與實(shí)現(xiàn)過(guò)程

本文綜合遺傳算法的全局收斂性和魯棒性以及BP神經(jīng)網(wǎng)絡(luò)局部搜索的快捷性,將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合。結(jié)合的主題思想是通過(guò)遺傳算法操作可以保證在整個(gè)解空間中進(jìn)行,同時(shí)尋優(yōu)過(guò)程不依賴于種群選取的初始值,根據(jù)遺傳算法將搜索的范圍縮小之后,利用神經(jīng)網(wǎng)絡(luò)得出精確的網(wǎng)絡(luò)權(quán)值,確定預(yù)測(cè)的最優(yōu)值。其步驟如下:

(1)在不同的實(shí)數(shù)區(qū)間內(nèi)隨機(jī)產(chǎn)生N組初始的BP網(wǎng)絡(luò)權(quán)值,構(gòu)成初始權(quán)值種群。

(2)對(duì)這N組初始權(quán)值種群計(jì)算訓(xùn)練誤差,如果誤差符合要求輸出權(quán)值,進(jìn)行第4步操作;否則根據(jù)訓(xùn)練結(jié)果確定其適應(yīng)度函數(shù),并根據(jù)個(gè)體適應(yīng)度值的大小對(duì)操作進(jìn)行有效排序進(jìn)行下一步操作。

(3)按第2步排序的結(jié)果重新進(jìn)行選擇、交叉、變異等遺傳操作,使權(quán)值不斷地進(jìn)化,并對(duì)產(chǎn)生的新權(quán)值計(jì)算出種群中每個(gè)個(gè)體的學(xué)習(xí)誤差及其適應(yīng)度值,若產(chǎn)生的新的權(quán)值滿足精度要求輸出權(quán)值,進(jìn)行第4步操作。否則重復(fù)進(jìn)行選擇、交叉、變異操作,直至達(dá)到訓(xùn)練要求。

(4)將第2、3步取得的優(yōu)化權(quán)值作為BP網(wǎng)絡(luò)的初始權(quán)值進(jìn)行訓(xùn)練,形成預(yù)測(cè)模型。

(5)用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)。

3 煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)模型的建立

根據(jù)煤與瓦斯突出的非線性特征,模型設(shè)計(jì)采用3層BP神經(jīng)網(wǎng)絡(luò),因?yàn)?層的BP網(wǎng)絡(luò)可以逼近任意的非線性映射。各層節(jié)點(diǎn)數(shù)為輸入層4個(gè),輸出層2個(gè),隱含層節(jié)點(diǎn)數(shù)根據(jù)如下經(jīng)驗(yàn)公式得到。

式中:n——隱含層節(jié)點(diǎn)數(shù);

n1——輸入節(jié)點(diǎn)個(gè)數(shù);

m——輸出節(jié)點(diǎn)個(gè)數(shù);

a——1到10之間的常數(shù)。

種群大小 N=66,學(xué)習(xí)樣本26個(gè),預(yù)測(cè)樣本40個(gè)。遺傳變異率 pc=0.80,最大進(jìn)化代數(shù)為100,指定最小的學(xué)習(xí)誤差為0.001。

4 實(shí)例分析

以山西晉城寺河煤礦為研究對(duì)象,將本文建立的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)模型加以應(yīng)用。寺河煤礦礦井位于沁水煤田東南邊緣,井田面積約為230 km2,地質(zhì)儲(chǔ)量為15億t。全井田可采煤層分為3#、9#、15#共3層煤層,總厚度為10.32 m。其中,主采煤層3#煤平均厚度為6.31 m,可采儲(chǔ)量2.1億t。采區(qū)布置分為東區(qū)、西區(qū)、北區(qū)3個(gè)部分,礦區(qū)瓦斯儲(chǔ)量102.63億m3,相對(duì)瓦斯涌出量東區(qū)為9.03 m3/t,西區(qū)為16.6 m3/t,礦井絕對(duì)瓦斯涌出量為486.6 m3/min,是國(guó)內(nèi)乃至世界罕見(jiàn)的高瓦斯礦井。

試驗(yàn)數(shù)據(jù)的收集均在該礦3#煤層?xùn)|、西區(qū)進(jìn)行,通過(guò)該礦瓦斯監(jiān)控資料以及在實(shí)驗(yàn)室對(duì)該礦具有代表性的不同地點(diǎn)所采集煤樣進(jìn)行模擬實(shí)驗(yàn)研究所確定出的煤與瓦斯突出臨界指標(biāo)值,選出了現(xiàn)場(chǎng)突出和不突出的煤樣各13組數(shù)據(jù)來(lái)作為網(wǎng)絡(luò)模型的學(xué)習(xí)樣本,進(jìn)而對(duì)從現(xiàn)場(chǎng)預(yù)測(cè)預(yù)報(bào)中具有煤與瓦斯突出危險(xiǎn)的40組數(shù)據(jù)進(jìn)行重新模擬預(yù)測(cè),確定其煤與瓦斯突出危險(xiǎn)性。

網(wǎng)絡(luò)輸出0～0.4999時(shí)用0表示,代表沒(méi)有突出危險(xiǎn)性;網(wǎng)絡(luò)輸出0.5000～1.0000時(shí)用1表示,代表具有突出危險(xiǎn)性并必須采取相應(yīng)的防突措施。預(yù)測(cè)結(jié)果見(jiàn)表1所示。

根據(jù)以上數(shù)據(jù)分析,通過(guò)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合并利用矩陣實(shí)驗(yàn)室 (MATLAB)程序操作對(duì)最大鉆屑量 (S)、鉆屑解析指標(biāo) (K1)、鉆孔瓦斯涌出初速度 (q0)和煤的堅(jiān)固性系數(shù) (f)等4個(gè)煤與瓦斯突出的重要指標(biāo)進(jìn)行建模預(yù)測(cè),得出預(yù)測(cè)結(jié)果是可行的,并且與現(xiàn)場(chǎng)長(zhǎng)期觀測(cè)結(jié)果基本吻合。本文建立的預(yù)測(cè)模型可以使原來(lái)用單一的指標(biāo)預(yù)測(cè)瓦斯突出危險(xiǎn)性模型的準(zhǔn)確性得到了進(jìn)一步提高,使防突措施由原來(lái)所需的40個(gè)點(diǎn)降低到26個(gè)點(diǎn),可減少防突工作所消耗的人力、物力和財(cái)力,有效地提高礦區(qū)防突投入的經(jīng)濟(jì)效益。

表1 寺河煤礦現(xiàn)場(chǎng)測(cè)定試驗(yàn)樣本及模擬預(yù)測(cè)結(jié)果

續(xù)表:

由于煤與瓦斯突出的非線性特征、影響因素的復(fù)雜性以及各個(gè)礦井的煤層地質(zhì)構(gòu)造、賦存狀況、開采方式等因素的不同,影響煤與瓦斯突出的主控因素也不盡相同,可以針對(duì)各個(gè)礦區(qū)實(shí)際情況將突出指標(biāo)進(jìn)行適當(dāng)?shù)卣{(diào)整,通過(guò)本文采用的方法進(jìn)行建模預(yù)測(cè),可以大大提高傳統(tǒng)的用單一指標(biāo)來(lái)預(yù)測(cè)煤與瓦斯突出危險(xiǎn)性的準(zhǔn)確性,使煤礦防突預(yù)測(cè)工作更加科學(xué)合理。

5 結(jié)論

本文采用遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合對(duì)寺河礦區(qū)煤與瓦斯突出危險(xiǎn)性進(jìn)行了模擬預(yù)測(cè),進(jìn)一步增加了瓦斯突出的準(zhǔn)確性,在保證安全的前提下防突的工作量可減少35%。

分析表明:兩種算法的結(jié)合對(duì)煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)是有效的,它與傳統(tǒng)的預(yù)測(cè)方法相比收斂速度更快、容錯(cuò)能力更強(qiáng)、預(yù)測(cè)精度更高,能為今后的突出預(yù)測(cè)工作所借鑒。

[1]S.Y.Wu,Y.Y.Guo,Y.X.Li.Research on the mechanism of coal and gas outburst and the screening of prediction indices[C],Procedia Earth and Planetary Science,2009

[2]李敏強(qiáng),徐博藝,寇紀(jì)淞.遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合[J].系統(tǒng)工程理論與實(shí)踐,1999(2)

[3]于不凡.國(guó)內(nèi)外煤與瓦斯突出日常觀測(cè)綜述[C].煤與瓦斯突出預(yù)測(cè)資料匯編.煤炭科學(xué)研究總院重慶分院, 1987(6)

[4]王凱,俞啟香.煤與瓦斯突出的非線性特征及預(yù)測(cè)模型[M].北京:中國(guó)礦業(yè)大學(xué)出版社,2005

[5]玄光男,程潤(rùn)偉.遺傳算法與工程優(yōu)化[M].北京:清華大學(xué)出版社,1999

[6]遲寶明,林嵐,丁元芳.基于 GA-BPANN模型在地下水動(dòng)態(tài)預(yù)測(cè)中的應(yīng)用研究[J].工程勘察,2008(9)

[7]陳志高.遺傳算法和BP神經(jīng)網(wǎng)絡(luò)在 GDP預(yù)測(cè)中的應(yīng)用[J].計(jì)算機(jī)與數(shù)字工程,2009(9)

[8]施式亮,伍愛(ài),王從陸.基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的煤與瓦斯突出區(qū)域預(yù)測(cè)研究[J].工業(yè)生產(chǎn)與礦業(yè)安全, 2007(8)

On the combined application of genetic algorithm and neural network in the prediction of coal/gas outbursts

Chen Quanqiu1,Guo Yongyi1,2,Wu Shiyue1,Xu Yusheng3,Wang Canzhao1
(1.College of Mining Technology,Taiyuan University of Technology,Taiyuan,Shanxi province 030024,China; 2.Taiyuan University of Science and Technology,Taiyuan,Shanxi province 030024,China; 3.Sihe Coal Mine,Jicheng Coal Group,Jincheng,Shanxi province 048205,China)

TD713

A

陳全秋(1983-),男,陜西漢中人,在讀碩士研究生,主要從事煤層氣開發(fā)與煤礦瓦斯防治研究。

(責(zé)任編輯 梁子榮)

國(guó)家科技支撐計(jì)劃項(xiàng)目(2007BAK29B01)、山西省科技攻關(guān)項(xiàng)目 (2007031120-02)