霍曉龍，陳壽根，譚信榮，邱成虎

(西南交通大學交通隧道工程教育部重點實驗室，成都 610031)

1 概述

隨著我國交通行業(yè)的發(fā)展，穿越煤系地層的隧道越來越多，遇到有突出風險和威脅的煤層也越來越多，如都汶高速紫坪鋪隧道、南昆線家竹箐隧道等，如果在穿煤前沒對瓦斯突出進行有效的預測，就有可能發(fā)生嚴重的安全事故［1］。因此，前期的瓦斯突出預測是后期安全施工的基礎和關鍵。近些年來，國內(nèi)外瓦斯突出預測常用的方法有單項指標法、地質(zhì)統(tǒng)計資料法、綜合指標法［2］、模糊綜合評價法、回歸分析法和灰色系統(tǒng)法等，而這些方法都存在局限性和操作性差的特點，預測結(jié)果的可靠性、準確性和實效性也不能滿足瓦斯隧道施工的需要。

由于引起瓦斯突出的因素很多，而且影響瓦斯突出的因素多數(shù)是定性的或是模糊相似的，各影響因素間又呈現(xiàn)復雜的非線性關系，難以用經(jīng)典的數(shù)學理論建立精確的預測模型。BP神經(jīng)網(wǎng)絡具有高度的非線性、自學習、自組織和對輸入數(shù)據(jù)的魯棒特性、冗余容錯特性，擅長處理輸入與輸出存在復雜的多元非線性關系的問題［3］。因此，本文借助了人工神經(jīng)網(wǎng)絡原理，基于BP神經(jīng)網(wǎng)絡建立了隧道瓦斯突出預測模型，利用Matlab引擎技術，在C#.NET中實現(xiàn)對Matlab神經(jīng)網(wǎng)絡工具箱的調(diào)用，并且借助SQL Server和ASP.NET技術，在C#環(huán)境下開發(fā)出突出預測系統(tǒng)(B/S模式)。該系統(tǒng)以蘭渝鐵路肖家梁隧道為例，進行瓦斯突出預測分析，確定該系統(tǒng)簡單易行，為瓦斯隧道突出預測提供參考依據(jù)。

2 BP神經(jīng)網(wǎng)絡簡介

神經(jīng)網(wǎng)絡的全稱是人工神經(jīng)網(wǎng)絡，是基于對人腦組織結(jié)構(gòu)、活動機制的初步認識提出的一種新型信息處理體系。它的優(yōu)點在于能把大量的神經(jīng)元連成一個復雜的網(wǎng)絡系統(tǒng)，將現(xiàn)有的數(shù)據(jù)信息經(jīng)過一系列的數(shù)學轉(zhuǎn)化，運用程序設計的非線性關系對未知的樣本數(shù)據(jù)進行分析并預測，通過模擬人的思維模式去解決一些用傳統(tǒng)方法很難解決的問題，具有一定的智能化，尤其是對那些復雜而繁多的數(shù)據(jù)及數(shù)據(jù)間的復雜關系進行處理具有很好的效果。

BP神經(jīng)網(wǎng)絡屬于多層前饋神經(jīng)網(wǎng)絡，是目前應用最廣泛的一種神經(jīng)網(wǎng)絡［4］。網(wǎng)絡模型一般由輸入層、隱含層和輸出層構(gòu)成，其中隱含層可以有多個。BP神經(jīng)網(wǎng)絡的學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差的反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，并以此作為修正各單元權值的依據(jù)。通過正向傳播和反向傳播的不斷迭代，不斷調(diào)整其權值，最后使信號誤差達到可接受的程度或者達到預先設置的學習次數(shù)為止［5］。

3 突出預測模型的建立

對于多層神經(jīng)網(wǎng)絡來說，Hecht-Nielsen已經(jīng)證明，任何閉區(qū)間內(nèi)的一個連續(xù)函數(shù)，可以用一個隱含層網(wǎng)絡來逼近，因而在BP神經(jīng)網(wǎng)絡模型中，輸入節(jié)點和輸出節(jié)點的多少根據(jù)問題的性質(zhì)來確定，隱含層數(shù)與隱含層節(jié)點的選取顯得更為重要，只要隱含層節(jié)點數(shù)足夠，只含一個隱含層的神經(jīng)網(wǎng)絡模型，就可以以任意精度逼近一個非線性函數(shù)［6］。用于瓦斯突出預測的BP網(wǎng)絡由輸入層、隱含層及輸出層等3層構(gòu)成。

(1)輸入層。輸入層可以由多個節(jié)點組成。由于瓦斯突出本身是一個復雜的動力現(xiàn)象，影響因素很多，神經(jīng)網(wǎng)絡預測相比其他預測法來說，考慮的因素多是其優(yōu)點之一，但過多的輸入?yún)?shù)只會使網(wǎng)絡收斂速度下降。通過大量的現(xiàn)場實際統(tǒng)計資料和相關文獻，分析了瓦斯突出的主要影響因素，本文選取埋深、地質(zhì)構(gòu)造、鉆探動力現(xiàn)象、瓦斯壓力、鉆孔瓦斯涌出初速度、瓦斯放散初速度、煤層堅固系數(shù)和煤體結(jié)構(gòu)類型等8項指標作為突出預測的輸入向量［7］。

(2)隱含層。隱含層的節(jié)點數(shù)n作為一個變量，在無數(shù)次循環(huán)訓練中，選取測試誤差最先達到限值(＜0.1)的一次，此時的隱含層節(jié)點數(shù)作為最佳節(jié)點數(shù)被保存下來。像這樣在訓練網(wǎng)絡時，決定隱含層選多少個節(jié)點數(shù)其識別效果最好，這對構(gòu)建最優(yōu)神經(jīng)網(wǎng)絡有很大的作用。

(3)輸出層。由3個節(jié)點組成，其作用是給出瓦斯突出3種確定性的預測結(jié)果，即突出危險區(qū)(001)、突出威脅區(qū)(010)及無突出危險區(qū)(100)［8］，從而實現(xiàn)瓦斯隧道突出預測。

隧道埋深是從地應力因素評定突出危險性的指標，埋深越大，地應力越大，突出危險性就越大。在地質(zhì)構(gòu)造帶，常造成應力集中，瓦斯含量高，突出危險大;另一方面，地質(zhì)構(gòu)造越復雜，則其中的巖體和煤體結(jié)構(gòu)也越復雜，越容易引起突出。對于鉆探動力現(xiàn)象，危險性較小的煤層，鉆探時較為平穩(wěn)，沒有動力現(xiàn)象出現(xiàn);反之，隨著開挖工作面突出危險性加大，鉆探時會出現(xiàn)垮孔、夾鉆、甚至噴孔，嚴重者還伴隨有劈裂聲、雷聲等。瓦斯壓力是指煤孔隙中所含游離瓦斯的氣體壓力，即氣體作用于孔隙壁的壓力;在煤與瓦斯突出發(fā)生過程中，瓦斯壓力起著重大作用，它為突出提供了一定的動力來源，它們之間關系比較復雜，一般來說，瓦斯壓力越大突出危險性越大［9］。鉆孔瓦斯涌出初速度是目前突出危險性預測最常用的指標，其實測值越大，突出危險性就越大。瓦斯放散初速度是煤體在0.1 MPa壓力吸附瓦斯的條件下，向一固定體積的真空時間放散時，放散后1 min內(nèi)瓦斯壓力的變化值;在瓦斯含量相同的條件下，煤的放散初速度越大，煤的破壞類型越嚴重，越容易促成突出的發(fā)生。煤層堅固系數(shù)表示煤抵抗外力能力的一個綜合指標，它由煤的強度、硬度、脆性決定;煤作為突出的受力體，堅固系數(shù)越小，破碎就越容易，突出危險性就越大。煤體結(jié)構(gòu)是指煤層各組成部分的顆粒大小、形態(tài)特征及其相互關系;依據(jù)不同的特征，可將煤結(jié)構(gòu)進行分類，危險程度由Ⅰ級向Ⅲ級依次增加。

將輸入層所選指標進行量化，首先分別用H表示埋深、D表示地質(zhì)構(gòu)造、Z表示鉆探動力現(xiàn)象、P表示瓦斯壓力、qm表示鉆孔瓦斯涌出初速度、ΔP表示瓦斯放散初速度、f表示堅固系數(shù)、M表示煤體結(jié)構(gòu)類型;然后根據(jù)其大小和程度進行數(shù)據(jù)量化。本文收集12個國內(nèi)外瓦斯突出隧道的數(shù)據(jù)作為樣本集，其中前8個作為訓練樣本，后4個作為測試樣本。如表1所示。

表1 訓練樣本和測試樣本

4 煤與瓦斯突出預測系統(tǒng)的開發(fā)

4.1 系統(tǒng)開發(fā)方法

Matlab是一款具有極其強大的矩陣計算以及仿真能力的科學及工程計算軟件。其平臺上有專門針對神經(jīng)網(wǎng)絡計算的神經(jīng)網(wǎng)絡工具箱，內(nèi)含大量可用于設計神經(jīng)網(wǎng)絡的工具函數(shù)，而且Matlab代碼非常簡單、易懂、易學，可以大大縮短軟件開發(fā)周期。.NET是微軟公司推出的一種面向網(wǎng)絡、支持各種終端的開發(fā)平臺環(huán)境。利用.NET開發(fā)的系統(tǒng)具有界面友好、執(zhí)行速度快、易維護和升級等優(yōu)點［10］。但在工程計算方面，.NET跟Matlab相比編程則顯得復雜很多。如果能將兩種軟件優(yōu)點結(jié)合起來，必將提高軟件開發(fā)效率，使其具有更高的性能和更大的應用范圍。為此本文采用針對.NET平臺專門設計的、語法簡單、完全面向?qū)ο蟮腃#語言，在.NET中實現(xiàn)對Matlab神經(jīng)網(wǎng)絡工具箱的調(diào)用。

實現(xiàn)C#和Matlab混合編程的關鍵是找到兩者之間合適的接口辦法，使C#方便高效地調(diào)用Matlab的功能并傳送和接收數(shù)據(jù)，同時能夠在不進行修改或很小修改的情況下充分利用已有的Matlab資源。C#.NET與Matlab接口方法主要有4種，但支持.NET調(diào)用Matlab神經(jīng)網(wǎng)絡工具箱的，只有Matlab引擎技術是可行的。其調(diào)用過程如圖1所示。

圖1 C#.NET調(diào)用Matlab神經(jīng)網(wǎng)絡工具箱過程

當Matlab軟件在計算機上正確安裝后，Matlab計算引擎Active X組件將自動在系統(tǒng)注冊。在.NET開發(fā)環(huán)境下使用Matlab計算引擎，首先添加COM引用“Matlab Application(Version 7.0)Type Library”。完成了Matlab計算引擎組件的引用后，就可以在程序中實例化引擎對象，然后使用其提供的接口進行編程。引擎對象提供的最常見的接口有3個:Execute，Put-FullMatrix和GetFullMatrix。它們分別是實現(xiàn)運行腳本，向Matlab Server中添加矩陣和從Matlab Server中讀取矩陣功能［11］。

充分考慮系統(tǒng)的靈活性、開放性、易維護、易使用以及易推廣等因素，本系統(tǒng)采用了B/S模式，客戶端無需安裝軟件，只需點開IE瀏覽器上網(wǎng)即可訪問服務器終端，完成瓦斯隧道突出預測的功能。選擇了國際成熟先進的.NET平臺作為研發(fā)基礎，利用SQL Server提供數(shù)據(jù)庫服務，開發(fā)語言主要為 Visual C#、ASP語言。

4.2 系統(tǒng)介紹

瓦斯隧道突出預測系統(tǒng)主要由以下幾部分構(gòu)成:樣本編輯模塊，神經(jīng)網(wǎng)絡訓練模塊，預測參數(shù)輸入模塊，突出預測模塊，如圖2、圖3所示。

圖2 樣本編輯模塊

圖3 系統(tǒng)其他模塊

用戶通過“樣本編輯模塊”和“預測參數(shù)輸入模塊”與系統(tǒng)進行信息交互［12］，之后這些樣本和參數(shù)信息被保存在數(shù)據(jù)庫中，可以通過“編輯”和“刪除”命令進行數(shù)據(jù)更新?！吧窠?jīng)網(wǎng)絡訓練模塊”利用保存的訓練樣本建立神經(jīng)網(wǎng)絡模型，并對測試樣本進行測試，當訓練最先達到測試樣本的誤差限值(誤差＜0.1)時，循環(huán)訓練完成，最后驗證保存該神經(jīng)網(wǎng)絡模型，以用于后面的突出預測分析;訓練成功后，在網(wǎng)絡參數(shù)一欄中可以看到循環(huán)次數(shù)、最佳節(jié)點數(shù)和誤差大小情況;驗證保存網(wǎng)絡一欄中可以通過點擊“驗證”按鈕，驗證后面用到的神經(jīng)網(wǎng)絡是否為之前保存的最優(yōu)網(wǎng)絡，當測試誤差大小與之前誤差相同時，說明驗證成功，可以進行下一步操作。根據(jù)現(xiàn)場情況，通過“預測參數(shù)輸入模塊”輸入突出隧道的參數(shù)，點擊“添加”，即被保存在數(shù)據(jù)庫中?！巴怀鲱A測模塊”中顯示了之前預測完成和將要預測的數(shù)據(jù)，用戶只需要點擊預測，即可在“突出規(guī)模”一欄中看到預測結(jié)果，另外在“預測結(jié)果”中也會顯示預測得到的結(jié)果。一般情況下，因為訓練樣本和測試樣本是根據(jù)現(xiàn)場數(shù)據(jù)和文獻參考得到的，并不會經(jīng)常變動。在神經(jīng)網(wǎng)絡訓練成功之后，一般只會用到網(wǎng)絡參數(shù)輸入模塊和突出預測模塊。

4.3 系統(tǒng)的應用

系統(tǒng)功能設計完成后要經(jīng)過系統(tǒng)測試，用實例來不斷完善系統(tǒng)功能。本文采用蘭渝鐵路LYS-10標段線下工程的重點單位工程-肖家梁隧道的典型突出測點，對系統(tǒng)的主要功能進行測試，檢驗系統(tǒng)能否達到設計目標要求。

訓練樣本和測試樣本經(jīng)過編輯后，點擊“訓練”按鈕，跳出Matlab神經(jīng)網(wǎng)絡工具箱，如圖4所示。當訓練最先達到測試樣本的誤差限值(誤差＜0.1)時，循環(huán)訓練完成。網(wǎng)絡訓練和測試誤差曲線分別如圖5、圖6所示。頁面網(wǎng)絡參數(shù)顯示:循環(huán)次數(shù)為3，最佳節(jié)點數(shù)為21，誤差為0.063。點擊“驗證”按鈕，跳出的誤差曲線圖沒有改變，說明成功保存了最優(yōu)網(wǎng)絡，如果驗證失敗，說明系統(tǒng)出現(xiàn)問題，需要重新校核系統(tǒng)。接下來輸入4組突出測點的隧道參數(shù)，“添加”成功后，進行突出預測分析。分別點擊“點擊預測!”按鈕后，屏幕會顯示“預測成功!”的對話框，之后在“突出規(guī)?！币粰诜謩e顯示“無突出危險”、“無突出危險”、“突出威脅區(qū)”、“無突出危險”，在“預測結(jié)果”一欄分別顯示“1 3.52e-011 3.19e-014”、“0.997 9.75e-008 1.43e-020”、“3.65e-005 0.99991 4.15e-022”、“1 5.68e-011 2.81e-011”。從整個預測結(jié)果來看，突出規(guī)模大小與預測結(jié)果數(shù)據(jù)和施工中的實際情況都是一致的，預測誤差相對很小?？梢?，該系統(tǒng)計算簡單、預測精度高，同時極大減輕了突出預測的工作量。

圖4 神經(jīng)網(wǎng)絡工具箱

圖6 網(wǎng)絡測試誤差曲線

5 結(jié)論

(1)由于影響瓦斯隧道突出因素的復雜性，使用傳統(tǒng)的預測方法很難準確地進行預測。使用BP神經(jīng)網(wǎng)絡建立瓦斯隧道突出的預測模型能夠充分考慮各因素對突出危險性的影響，并且具有很強的非線性映射能力和一定的智能化。其不足之處在于其預測結(jié)果很大程度依賴于對已給的訓練樣本，隨著訓練樣本的不斷豐富，預測結(jié)果的準確性也會隨之提高。

(2)該系統(tǒng)僅依靠過去典型樣本數(shù)據(jù)，經(jīng)過學習訓練，就能快速有效地進行預測，可成為綜合預測瓦斯隧道突出的新方法。該方法不僅能夠極大地減輕了突出預測工作量，而且可以較大的提前突出預測的精度，具有一定的實用性和操作性，可以應用于瓦斯隧道突出預測。

［1］晏啟祥，王璐石，段景川，等.煤系地層隧道施工瓦斯爆炸與采空區(qū)失穩(wěn)的風險識別［J］.鐵道標準設計，2013(3):80-85.

［2］丁睿.瓦斯隧道建設關鍵技術［M］.北京:人民交通出版社，2010.

［3］姜德義，蔣再文，章永武，等.模糊神經(jīng)網(wǎng)絡預測公路隧道揭煤突出危險性［J］.重慶大學學報:自然科學版，2000，23(S):200-203.

［4］張建.基于模糊神經(jīng)網(wǎng)絡的客運專線車站選址決策研究［J］.鐵道標準設計，2009(12):12-17.

［5］李春輝.基于BP神經(jīng)網(wǎng)絡的煤與瓦斯突出危險性預測的研究［D］.昆明:昆明理工大學，2010.

［6］梁盛開，曹瓊，羅楊陽.煤礦瓦斯突出的神經(jīng)網(wǎng)絡預測［J］.固體力學學報，2010，31:180-183.

［7］康小兵.隧道工程瓦斯災害危險性評價體系研究［D］.成都:成都理工大學，2009.

［8］楊艷春，趙瑋燁.BP神經(jīng)網(wǎng)絡在煤與瓦斯突出預測的研究［J］.蘭州交通大學學報，2009，28(6):26-28.

［9］魚海曄，張善穩(wěn).蘭渝鐵路圖山寺隧道瓦斯探測預測技術［J］.鐵道標準設計，2012(12):78-80.

［10］趙士偉，趙明波，陳平.基于COM的Matlab與C#.NET混合編程的實現(xiàn)與應用［J］.山東理工大學學報:自然科學版，2006，20(4):28-29.

［11］黃一丹，嚴洪森，馮麗娟，等.基于C#.NET與Matlab接口和BP網(wǎng)絡的汽車產(chǎn)量預測［J］.計算機技術與發(fā)展，2008，18(11):36-40.

［12］曲方，張龍，李迎業(yè)，等.基于BP神經(jīng)網(wǎng)絡的煤與瓦斯突出預測系統(tǒng)開發(fā)［J］.中國安全科學學報，2012，22(1):11-16.