劉羿甫，王 豐

（貴州大學(xué) 礦業(yè)學(xué)院，貴州 貴陽550003）

在煤礦的初步設(shè)計(jì)、建設(shè)施工、生產(chǎn)運(yùn)行的過程中，瓦斯都是影響其的主要因素。而且隨著開采深度和強(qiáng)度的增加，瓦斯的影響作用日益顯著和強(qiáng)烈。因此，瓦斯涌出量預(yù)測(cè)結(jié)果的準(zhǔn)確性，將會(huì)對(duì)煤礦的技術(shù)經(jīng)濟(jì)指標(biāo)產(chǎn)生直接影響。如果因預(yù)測(cè)涌出量比實(shí)際涌出量偏高，而在煤礦建設(shè)時(shí)加大瓦斯治理的投資，將會(huì)造成不必要的浪費(fèi)；而假若預(yù)測(cè)涌出量比實(shí)際涌出量偏低，則會(huì)導(dǎo)致煤礦投產(chǎn)后瓦斯災(zāi)害治理不到位，需進(jìn)行通風(fēng)系統(tǒng)優(yōu)化或降低產(chǎn)量，造成重大的經(jīng)濟(jì)損失〔1〕。

目前國(guó)內(nèi)外對(duì)于瓦斯涌出量預(yù)測(cè)方法有很多種，如灰色預(yù)測(cè)、模糊綜合評(píng)判、回歸分析等〔2〕，每種方法都有其不同的特點(diǎn)。而BP神經(jīng)網(wǎng)絡(luò)具有非線性映射程度高、自組織結(jié)構(gòu)、并行處理等特點(diǎn)，將瓦斯涌出量的影響因素作為輸入量，通過一定的連接方式，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，最終實(shí)現(xiàn)瓦斯涌出量預(yù)測(cè)?；诖朔椒ň哂杏?jì)算機(jī)自動(dòng)進(jìn)行數(shù)據(jù)處理、準(zhǔn)確度高等優(yōu)點(diǎn)，因此根據(jù)BP神經(jīng)網(wǎng)絡(luò)基本原理，對(duì)某煤礦回采工作面的瓦斯涌出量進(jìn)行預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)基本原理

BP神經(jīng)網(wǎng)絡(luò)是現(xiàn)在應(yīng)用比較普遍的模型之一，它是通過誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行訓(xùn)練的多層前饋網(wǎng)絡(luò)，不需要預(yù)先描述數(shù)學(xué)方程的映射關(guān)系，就能學(xué)習(xí)和存儲(chǔ)大量的輸入－輸出映射關(guān)系。其基本原理為：正向傳播時(shí)輸入信息從輸入層通過隱含單元進(jìn)行處理后傳向輸出，下層的神經(jīng)元狀態(tài)只接受上層神經(jīng)元的狀態(tài)對(duì)其產(chǎn)生的影響；一旦輸出層沒有得到預(yù)期的輸出，則誤差信號(hào)按原有的神經(jīng)元通路反向進(jìn)行，同時(shí)修改原有各層神經(jīng)元的權(quán)值；經(jīng)過反復(fù)的更迭，直至將誤差控制在可以接受的范圍之內(nèi)，使網(wǎng)絡(luò)的誤差平方和最小為止〔3〕。此時(shí)，該網(wǎng)絡(luò)就可以應(yīng)用于實(shí)際預(yù)測(cè)工作中了。

2 回采工作面BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

2.1 回采工作面BP神經(jīng)網(wǎng)絡(luò)層數(shù)

目前，實(shí)際應(yīng)用中的神經(jīng)網(wǎng)絡(luò)一般包含3層或3層以上。經(jīng)國(guó)外學(xué)者證明，具有S型隱層函數(shù)的3層BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何一個(gè)具有有限間斷點(diǎn)的非線性函數(shù)。因此本次選擇S型函數(shù)的3層BP神經(jīng)網(wǎng)絡(luò)作為某煤礦回采工作面瓦斯涌出量預(yù)測(cè)模型。

2.2 回采工作面BP神經(jīng)網(wǎng)絡(luò)各層神經(jīng)元數(shù)

輸入層節(jié)點(diǎn)的確定：由于在實(shí)際的生產(chǎn)過程中，很多因素都會(huì)對(duì)回采工作面的瓦斯涌出量產(chǎn)生影響。通過現(xiàn)場(chǎng)生產(chǎn)中的觀測(cè)，最終確定回采工作面煤層厚度、埋藏深度、瓦斯含量、日平均進(jìn)尺、日平均產(chǎn)量〔4〕這5項(xiàng)作為該煤礦回采工作面瓦斯涌出量的主要影響因素，即輸入層節(jié)點(diǎn)個(gè)數(shù)為5個(gè)。

隱含層節(jié)點(diǎn)的確定：關(guān)于隱含層節(jié)點(diǎn)的確定，目前還沒有統(tǒng)一的方法。另外，隱含層神經(jīng)元中所包含的每個(gè)權(quán)值都是增加網(wǎng)絡(luò)映射能力的一個(gè)參數(shù)，因此對(duì)網(wǎng)絡(luò)的預(yù)測(cè)性能的影響較大：神經(jīng)元數(shù)量過少，獲取的樣本信息就差，不能完全體現(xiàn)樣本規(guī)律；神經(jīng)元數(shù)量過多，收斂速度就會(huì)降低，同時(shí)網(wǎng)絡(luò)訓(xùn)練時(shí)間增加，甚至?xí)霈F(xiàn)“過度吻合”的現(xiàn)象。因此，本文根據(jù)經(jīng)驗(yàn)公式進(jìn)行設(shè)計(jì)：L＝2m＋1m為輸入層節(jié)點(diǎn)個(gè)數(shù)，確定隱含層神經(jīng)元為11個(gè)，然后通過在11兩側(cè)取值，觀察比較網(wǎng)絡(luò)性能，最終確定隱含層節(jié)點(diǎn)為11個(gè)。

輸出層節(jié)點(diǎn)的確定：僅有回采工作面瓦斯涌出量的預(yù)測(cè)值這1個(gè)節(jié)點(diǎn)。

設(shè)計(jì)的回采工作面BP網(wǎng)絡(luò)模型結(jié)構(gòu)見圖1。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

3 回采工作面瓦斯涌出量預(yù)測(cè)

3.1 建立回采工作面瓦斯涌出量預(yù)測(cè)模型

根據(jù)某煤礦歷年其他回采工作面的瓦斯涌出量實(shí)際統(tǒng)計(jì)數(shù)據(jù)，提取了10組瓦斯涌出量的影響因素參數(shù)（即回采工作面煤層厚度、埋藏深度、瓦斯含量、日平均進(jìn)尺、日平均產(chǎn)量）作為樣本（見表1），根據(jù)建立的3層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖，利用MATLAB軟件進(jìn)行編程尋求該煤礦回采工作面瓦斯涌出量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型樣本參數(shù)

主要程序如下：

P＝〔2.2 490 5.76 6.63 2738；……3.4 676 11.04 5.3 3615；〕’；%原始數(shù)據(jù)輸入

T＝〔13.03……21.68〕；%期望輸出

〔pn，minp，maxp，tn，mint，maxt〕＝premnmx（P，T）；%將數(shù)據(jù)歸一化

net＝newff（minmax（pn），〔11，1〕，｛’tansig’，’tansig’｝，’traingdm’）；%網(wǎng)絡(luò)創(chuàng)建

net.trainParam.show＝50；%設(shè)置網(wǎng)絡(luò)的訓(xùn)練參數(shù)；

net.trainParam.epochs＝5000；

net.trainParam.goal＝1e－2；

net.trainParam.lr＝0.01；

net＝train（net，pn，tn）；%訓(xùn)練 BP網(wǎng)絡(luò)；

A＝sim（net，pn）%對(duì)BP網(wǎng)絡(luò)進(jìn)行仿真；

E＝T－A%計(jì)算仿真誤差。

MSE＝mse（E）

然后通過MATLAB軟件運(yùn)行程序進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為4388次，最終結(jié)果mse＝0.01，滿足0.01的精度訓(xùn)練要求（訓(xùn)練過程見圖2，誤差曲線趨勢(shì)見圖3），得出該煤礦回采工作面瓦斯涌出量的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

圖2 MATLAB訓(xùn)練過程

圖3 誤差曲線趨勢(shì)

3.2 回采工作面瓦斯涌出量預(yù)測(cè)結(jié)果及分析

采集下一采區(qū)回采工作面的5組瓦斯涌出量影響因素（見表2），代入MATLAB軟件中已建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行下一采區(qū)回采工作面瓦斯涌出量預(yù)測(cè)。

表2 下一采區(qū)回采工作面瓦斯涌出量影響因素參數(shù)

主要程序如下：

X＝ 〔3.9，632，11.13，5.56，3421；……3.4，698，13.74，4.78，3097；〕’%預(yù)測(cè)原始數(shù)據(jù)

Y＝tramnmx（X，minp，maxp）；%預(yù)測(cè)數(shù)據(jù)的歸一化；

an＝sim（net，Y）；%仿真測(cè)試數(shù)據(jù)；

〔a〕＝postmnmx（an，mint，maxt）%數(shù)據(jù)的反歸一化，即最終的預(yù)測(cè)結(jié)果。

基于已建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過MATLAB軟件運(yùn)行上述程序，得出下一采區(qū)回采工作面瓦斯涌出量預(yù)測(cè)值（見表3）。

通過預(yù)測(cè)的瓦斯涌出值和實(shí)際瓦斯涌出值對(duì)比分析可以看出：預(yù)測(cè)值和實(shí)測(cè)值的最大絕對(duì)誤差為1.16，最大相對(duì)誤差為5.7%，說明建立的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率較高，擬合效果較好，可以用于該煤礦回采工作面瓦斯涌出量的預(yù)測(cè)。

表3 回采工作面瓦斯涌出量預(yù)測(cè)結(jié)果對(duì)比分析

4 結(jié)語

1）基于BP神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的自學(xué)習(xí)性、自適應(yīng)性、較高非線性映射等特點(diǎn)，通過MATLAB軟件訓(xùn)練影響回采工作面瓦斯涌出量的各種因素，克服主觀判斷隨意性大等缺點(diǎn)，使得回采工作面瓦斯涌出量的預(yù)測(cè)結(jié)果定量化、準(zhǔn)確化、合理化。

2）根據(jù)該礦的實(shí)際情況，通過回采工作面的瓦斯涌出量預(yù)測(cè)值與生產(chǎn)中的實(shí)測(cè)值對(duì)比分析：最大絕對(duì)誤差為1.16，最大相對(duì)誤差為5.7%，這表明所建立的BP神經(jīng)網(wǎng)絡(luò)回采工作面瓦斯涌出量預(yù)測(cè)模型具有較高的可靠性，可以運(yùn)用到該煤礦的回采工作面瓦斯涌出量預(yù)測(cè)工作中，對(duì)該煤礦的瓦斯防治工作具有重要的現(xiàn)實(shí)意義。

〔1〕楊智懿，熊亞選，等 .工作面瓦斯涌出量神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)研究〔J〕.煤炭工程，2004（10）：73－75.

〔2〕朱紅青，常文杰，等 .回采工作面瓦斯涌出BP神經(jīng)網(wǎng)絡(luò)分源預(yù)測(cè)模型及應(yīng)用〔J〕.煤炭學(xué)報(bào)，2007（5）504－508.

〔3〕王連福，王 華，等 .基于人工神經(jīng)網(wǎng)絡(luò)的多模引信磁探測(cè)信號(hào)處理?xiàng)钕餐睯〕.探測(cè)與控制學(xué)報(bào)，2005（2）48－54.

〔4〕唐朝偉，何國(guó)田，等 .神經(jīng)網(wǎng)絡(luò)在采煤工作面瓦斯涌出預(yù)測(cè)中的應(yīng)用〔J〕.計(jì)算機(jī)應(yīng)用，2007（27）：202－204.