侯冠慧，張英梅，魏紅霞

（太原理工大學a.工程訓練中心；b.電力工程學院；c.測控技術研究所，太原 030024)

礦井突水是煤礦最頻繁發(fā)生的災害。尋求煤礦井下突水發(fā)生原理，尋找主動防治技術是井下工作的一項重要內容。造成礦井突水的原因眾多，且一般均為各種因素共同影響的結果。然而，這種共同作用很難用精確的數學語言來描述［1］。

目前，地質環(huán)境評價分析、數學與計算機模型評價分析、物探勘探評價分析、水化學離子及同位素評價分析是國內外常用的四種分析方法。但礦井由于評價體系方法使用單一，或設備不夠先進等多方面原因，使得挖掘過程中缺乏有效的動態(tài)監(jiān)測手段。筆者提出結合地質勘探評價分析、自動化檢測以及多傳感器數據融合三種技術融合用于井下水災害防治方面，重點突出了在生產過程中的動態(tài)監(jiān)測［2-3］。

1 工作面突水動態(tài)評價模型的設計

礦井突水是指在特定的水文地質環(huán)境條件下，受水壓作用的隔水巖層若同時受到強大外力影響，導致其發(fā)生嚴重的破壞，從而使得大量承壓水涌入礦井。同時，煤礦中不同的地質環(huán)境、巖石性質、地應力的大小與分布和不同的斷裂構造以及破碎帶的發(fā)育情況等都有可能誘發(fā)不同機理的礦井突水。因此，礦井突水是由多種因素共同作用造成的，這種相互作用并不是直接的線性關系。礦井突水的評價分析客觀上要求用一種整合多種因素的動態(tài)的非線性處理方法。

人工神經網絡具有非線性自適應性信息處理能力，其主要優(yōu)點是能夠自適應樣本數據，當數據中有噪聲、形變和非線性時，它能夠正常地工作，很容易繼承現(xiàn)有的領域知識，能夠處理來自多個資源和決策系統(tǒng)的數據；提供簡單工具進行自動特征選取，產生有用的數據表示，可作為專家系統(tǒng)的預處理器?？梢酝ㄟ^把已獲取的突水因素與預報結果等數據按照數學映射理論，看作輸入到輸出的映射，從而分析它們之間的規(guī)律。最終根據得到映射關系用新的輸入數據來推算輸出結果［4］。人工神經網絡技術在非線性問題或非結構性問題解決方面的獨特優(yōu)勢在突水預報中得到極大地應用。只要存在足夠的可供學習的突水數據，那么神經網絡便可建立起它們之間的映射關系，進而用于礦井突水預報［5］。

本文進一步提出將D-S證據理論與BP神經網絡相結合的融合方法應用于井下突水評價模型中。一方面利用BP神經網絡為D-S證據理論分配基本可信度，另一方面在一定程度上改善了單一的神經網絡輸出結果不穩(wěn)定的現(xiàn)象。信息融合處理與系統(tǒng)評價框圖如圖1所示［6］。

1.1 影響工作面突水的主要因素

要建立突水系統(tǒng)評價模型，需全面分析與礦井工作面突水有關的水文、地質環(huán)境、采礦影響等諸多因素。經與礦區(qū)礦井水文地質專家討論，提出造成礦井工作面水害的主要因素：頂板和底板的壓力、底板含水層的水位、巷道水的水位和掘進工作面前方的水量。

圖1 礦井工作面動態(tài)評價系統(tǒng)框圖

1.1.1 傳感器的布置及參數測量

提出了根據現(xiàn)場地質結構條件，沿工作面優(yōu)化布置傳感器，從而進行水情動態(tài)多參數測量。其中，頂板、底板布置壓力傳感器，巷道內布置液位傳感器。采礦工作面周圍空間含水構造的超前探測，采用目前比較先進的瞬變電磁法。礦井瞬變電磁法是目前最先進的探水方法之一，適用于斷層及裂隙帶富水性評價陷落柱探測、煤層頂底板含隔水層劃分等。在進行煤礦工作面開采之前用此方法進行探測，可以判斷地下地質體的電性、規(guī)模、產狀等。

上文所提到的測量因素便成了一個5維模型（本模型選定突水影響因子5個，即N＝5)的輸入矢量，而模型的輸出則為突水的安全等級S＝｛S1，S2，S3，S4｝。從左到右分別代表四種安全等級，很安全、較安全、一般、危險。神經網絡模型結構如圖2，隱含層層數、隱含層的神經元數量可依照具體實際需要選取。

圖2 BP網絡模型

1.2 樣本庫的建立

根據突水影響因素建立模型樣本數據庫。如含水層水位（鉆孔得到)、頂板壓力、底板壓力等煤礦已有數據，可以直接導入數據庫；而巷道水及掘進面前方水量，要不斷測量，積累數據，逐步建立完善的數據樣本及數據庫。影響因數便是數據庫中字段，每一個安全生產實例或礦井發(fā)生突水案例、都是數據庫中的一條記錄［8］。

1.3 BP網絡的建立

1.3.1 生成網絡

利用函數newff（)可建立一個BP神經網絡。其調用格式為：

式中：Xr是由R維的輸入樣本最大最小值構成的R×2維矩陣；［S1S2…SN1］為各層的神經元個數；｛TF1TF2…TFN1｝為各層神經元的傳遞函數；BLF表示反向權值學習函數；PF表示性能數；BTF表示網絡的反向訓練用函數的名稱［11］。

1.3.2 權值初始化

BP神經網絡在訓練之前必須對權值和偏值進行初始化，在已知網絡輸入向量范圍，各層神經元個數及傳遞函數，就可以用init（)函數進行初始化，得到每層網絡的權值和偏值。

1.3.3 仿真網絡

給定BP網絡結構和輸入變量，每一層都從前一層得到輸入數據，就可以應用simuff（)函數仿真相應的網絡輸出。

1.4 D-S證據理論

D-S算法是由數學家A.P.Dempster提出，并由他的學生G.Shafer做進一步發(fā)展，形成的基于“證據”和“組合”來處理不確定性推理問題的數學方法。作為一 種不精確推理方法，證據理論的主要特點是：滿足比貝葉斯概率論更弱的條件；具有直接表達 “不確定”和 “不知道”的能力。

1.4.1 應用D-S證據理論的依據

將D-S證據理論應用到水害評價模型中，D-S證據理論是將每一傳感器對突水狀態(tài)的影響轉化為概率值來進行融合的，D-S證據理論n個證據源的合成公式如下［10］：

式中，K表示各個證據沖突程度。系數1／（1-k)稱為歸一化因子，其作用是為了避免在合成時將非零的概率賦給空集。

式（1)中，若k＝1，分母為零，此時改式無法進行合成；當k→1時，即證據高度沖突時，公式可能導致違反常理的結果。

為克服這一不足，Yager對D-S合成公式做了改進，公式如下（以2個證據源為例)［9］。

2 實例分析

國家煤礦防治水規(guī)定提出了“預測預報、有疑必探、先探后掘、先治后采”的原則。在采礦工作前采用鉆探、物探等方法，結合在掘進面多點傳感器得到的數據，再結合BP神經網絡和D-S證據理論進行預測，從而提出預防措施。

根據水文地質環(huán)境分析，山西某礦3＃煤層突水因素判定和指標分級標準，確定各級評價指標值。突水的安全等級定位4級，分別為：

S1級：0.1，0.1，0.1，0.9；

S2級：0.1，0.1，0.9，0.1；

S3級：0.1，0.9，0.1，0.1；

S4級：0.9，0.1，0.1，0.1；

從該礦開采、探測資料中提取6組數據作為構建預測模型的樣本，樣本如表1所示。

表1 系統(tǒng)訓練樣本表

采用MATLAB編程建立BP神經網絡，實驗證明單個BP網絡輸出結果不穩(wěn)定，所以采用2個BP網絡作為證據輸入，通過D-S證據理論的組合規(guī)則進行計算。各數據之間的相關性很小，可以認為輸出結果之間是相互獨立的。由于神經網絡和測量數據都存在誤差，用神經網絡的平方和誤差函數（SSE)的值來表示不確定性證據。BP1訓練中應用的函數名稱為trainbp，BP2網絡訓練中應用的函數名稱為trainlm，最大循環(huán)次數為300（epochs)、訓練目標誤差為10-5（goal)、顯示訓練迭代次數為10（show)。并經sim（)函數仿真驗證。圖3和圖4分別為BP1和BP2的訓練結果。

最后對BP1、BP2的輸出進行歸一化處理，即形成證據理論的證據。按照D-S證據組合的規(guī)則進行融合，其輸出結果如表2所示。

圖3 BP1網絡訓練性能圖

圖4 BP2網絡訓練性能圖

表2 融合結果

3 結束語

以樣本1為例，BP1、BP2的不確定度分別位0.0205、0.0176，融合后的不確定度降低為 0.0004。實驗結果表明，通過D-S證據理論融合后對比單一使用BP神經網絡的輸出數據極大地降低了不確定度；顯著提高了井下安全狀態(tài)判斷的準確度，且與實際數據相對較符合。

本文所涉及的煤礦工作面突水評價模型的完成是建立在諸多影響因素基礎之上的，所以用戶提供資料的準確程度及全面程度直接影響著對系統(tǒng)得出的結論的可信程度。礦區(qū)提供資料越豐富全面，越能得到較為精確的結論。即本突水評價模型適合有一定突水資料的煤礦。而對于那些暫時沒有足夠多資料的煤礦，則需根據實際情況先安置傳感器，然后對所測數據進行日、月、年積累，建立完善的數據樣本及數據庫。才能利用本評價模型，進行突水狀態(tài)的評價預測。

［1］張英梅，湯紅穎.基于LabView的煤礦井下排水監(jiān)控系統(tǒng)的設計［J］.煤炭科學技術，2008，36（1)：68-71.

［2］毛紅川，劉志，鄧春濤，王檔良.煤礦突水評價方法探討［J］.河北工業(yè)科技2008，25（4)：197-199.

［3］Dubois H.representation and combination of uncertainty with belief functions and possibility measures［J］.Computational Intelligence，1998（1)：88-101.

［4］姜成志，張紹兵.建立在神經網絡基礎上的煤礦突水評價模型［J］.黑龍江科技學院學報，2006，116（1)：9-11.

［5］張永懷，劉君華.采用神經網絡及其改進算法改善傳感器特性［J］.傳感器技術學報，2002，15（3)：186-188.

［6］Zhang Ying-Mei，Cheng Zhen-Zhen.The Coal Mine Flood Prediction Research Based On Neural Network and D-S Theory of Evidence［J］.《IEEE IITA 2008》，2008，103（12)：311-315.

［7］吳景龍，王巨，王春山.人工神經網絡系統(tǒng)在預防煤礦突水中應用［J］.煤礦安全.2008，39（4)：55-57.

［8］董書寧，靳德武，馮安.煤礦防治水實用技術及裝備［J］.煤炭科學技術，2008，36（3)：8-11.

［9］Yager R R.On the Dempster-Shafer Framework and New Combination Rules［J］.Information Science，1998，41（2)：93-137.

［10］張英梅，程珍珍.D-S證據理論在煤礦水害預測中的應用［J］.太原理工大學學報2008，39（6)：589-591.

［11］董長虹.matlab神經網絡與應用［M］.北京：國防工業(yè)出版社，2005：65-85.