王富軍

（大同煤炭職業(yè)技術學院，山西 大同 037003）

瓦斯爆炸是煤礦生產(chǎn)中最嚴重的災害之一。由于煤層瓦斯含量的復雜性、動態(tài)性、非線性、隨機性，給煤層瓦斯含量的預測帶來很大困難。許多學者利用神經(jīng)網(wǎng)絡等理論和方法建立了不同的預測模型[1-2]，例如遼寧工程技術大學付華教授的基于BP網(wǎng)絡和D-S證據(jù)理論的瓦斯監(jiān)測系統(tǒng)[1]?；诖耍酝杭瘓F馬脊梁礦某煤層為研究對象，分析影響煤層瓦斯含量的煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30 m砂巖比等因素的基礎上，建立神經(jīng)網(wǎng)絡模型，并將神經(jīng)網(wǎng)絡與遺傳算法結合，以神經(jīng)網(wǎng)絡能準確提取、捕捉煤層瓦斯含量與各影響因素之間的非線性關系，又靠遺傳算法能夠尋求各個因素之間的最優(yōu)解，可實現(xiàn)礦井內(nèi)煤層瓦斯含量的預測。

1 神經(jīng)網(wǎng)絡模型的構建

煤礦瓦斯含量涉及的因素較多，各參數(shù)之間耦合性較強，為了提高瓦斯含量預測精度，采用有非線性和自學習能力的神經(jīng)網(wǎng)絡作為主要預測方法，采用具有優(yōu)化能力的遺傳算法作為解決數(shù)據(jù)優(yōu)化問題，并尋求瓦斯含量預測值最優(yōu)。本文利用神經(jīng)網(wǎng)絡和遺傳算法的優(yōu)點，構建瓦斯含量預測模型。

1.1 神經(jīng)網(wǎng)絡理論

神經(jīng)網(wǎng)絡一般包括：輸入層，中間層(隱層)，輸出層。見圖1。

圖1 神經(jīng)網(wǎng)絡原理圖

本文采用反向傳播算法 (Back Propagation Algorithm，簡稱BP算法)作為神經(jīng)網(wǎng)絡模型的預測。BP算法包括兩個過程，一是從輸入層輸入的信息經(jīng)過各隱層(隱層1，隱層2，…，隱層n)預測，最后從輸出層輸出。二是誤差等信息從輸出層反向經(jīng)過各隱層(隱層n，隱層n-1，…，隱層l)，反饋到輸入層。本文輸出層采用Sigmoid函數(shù)作為輸入神經(jīng)元函數(shù)，即f（x）=ex/（ex+1）。其中，誤差在反向傳輸過程中，實現(xiàn)各種學習[2]。神經(jīng)網(wǎng)絡輸入層包括5個節(jié)點（煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30m砂巖比）。神經(jīng)網(wǎng)絡輸出層只有一個節(jié)點（瓦斯含量預測值）。

假設選取的樣本數(shù)足夠大，有N個樣本點（xK，yK）（K=1，2，…，N）。任意樣本點的輸入值xK經(jīng)過模型后輸出的實際值為dK，理想值為yK，dK與yK間的誤差期望為：

其中，（yk-dk）=Ek為單個樣本的學習誤差。假設神經(jīng)元輸入節(jié)點j的輸入值為netjK，神經(jīng)元輸出節(jié)點i的輸出值為OiK。根據(jù)多維神經(jīng)網(wǎng)絡原理，netjK=ΣWijOik，則Ojk=f（netjK）。在k樣本下，取δjk為神經(jīng)元輸入節(jié)點j的輸出梯度，則OiK=dk。

如果節(jié)點j不是輸出層節(jié)點時，這時，

1.2 遺傳算法原理

遺傳算法是模擬生物界優(yōu)勝劣汰的自然法則而建立的一種全局搜索算法[3]。利用遺傳算法優(yōu)化，主要是對BP神經(jīng)網(wǎng)絡中的誤差權值進行優(yōu)化。具體步驟如下：

1）初始化種群，利用BP神經(jīng)網(wǎng)絡的誤差權值，算得特定種群。

2）利用神經(jīng)網(wǎng)絡模型算得個體的自適應度值。

3）經(jīng)選擇、交叉、變異等操作，產(chǎn)生下一代種群。

4）得到的下一代種群是否滿足結束條件；若否則轉2），若是則轉 5）。

5）選取經(jīng)過遺傳算法模型得到的最優(yōu)個體，反向操作后，取代神經(jīng)網(wǎng)絡模型中對應的權值，結束遺傳算法。

2 瓦斯含量的預測

基于神經(jīng)網(wǎng)絡和遺傳算法的瓦斯含量預測模型流程圖，見圖2。

圖2 瓦斯含量預測模型的流程圖

1）計算實例。為了計算模型預測瓦斯含量預測方法的準確性及可靠性，選擇馬脊梁礦生產(chǎn)實際中的瓦斯含量進行預測。馬脊梁礦年產(chǎn)500萬t、兩個開采煤層，瓦斯鑒定級別為低沼氣礦井，局部瓦斯異常。通過構建的神經(jīng)網(wǎng)絡和遺傳算法優(yōu)化得到的數(shù)學模型，預測結果如表1和表2所示。

表1 瓦斯含量預測

表2 預測結果與真實值比較

2）采用基于神經(jīng)網(wǎng)絡和遺傳算法的瓦斯含量預測方法，平均誤差值分別為 0.43、1.48、0.82、0.5、0.51，平均誤差為5.61%，低于國家8%的要求。其中誤差低于8%的數(shù)據(jù)占全部數(shù)據(jù)的80%?？梢?，預測效果比較好。

3 結論

由于各礦區(qū)的地質構造及礦井的煤層賦存情況的差異性，導致瓦斯含量的主控因素也不相同，瓦斯含量的預測必須針對特定環(huán)境構建特定模型。本文構建了以煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30m砂巖比等5個參數(shù)為輸入量，瓦斯含量為輸出量的神經(jīng)網(wǎng)絡模型，并結合所建模型，采用遺傳算法對神經(jīng)網(wǎng)絡模型進行優(yōu)化計算。試驗結果表明，煤層瓦斯含量預測效果，應用前景良好。

[1]付華，康海潮，梁明廣.基于BP網(wǎng)絡和D-S證據(jù)理論的瓦斯監(jiān)測系統(tǒng)的研究[J].工礦自動化，2011，37(8)：159-161.

[2]王鶴，邵良杉，邱云飛.基于蟻群神經(jīng)網(wǎng)絡的煤礦瓦斯含量預測煤礦瓦斯含量預測模型[J].微計算機信息，2011(5)：197-198.

[3]崔小彥.基于RBF神經(jīng)網(wǎng)絡與蟻群算法的瓦斯預測模型研究[D].阜新：遼寧工程技術大學，2009.