孟絮屹

(貴州省煤田地質(zhì)局實驗室)

層次分析法在煤與瓦斯突出預(yù)測中的應(yīng)用

孟絮屹

(貴州省煤田地質(zhì)局實驗室)

將層次分析法用于煤與瓦斯突出預(yù)測，利用層次分析算法對煤與瓦斯突出影響因素進行分析，確定煤與瓦斯突出的主要影響因素，并將其作為BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)的輸入，既簡化了預(yù)測系統(tǒng)，加快了預(yù)測速度，又提高了預(yù)測的準(zhǔn)確性。

煤與瓦斯 突出預(yù)測 層次分析 神經(jīng)網(wǎng)絡(luò)

煤與瓦斯突出是煤礦井下最為嚴重的自然災(zāi)害之一，含瓦斯煤體在極短的時間內(nèi)，從煤壁及采掘空間噴出大量的煤和瓦斯，造成巨大的動力效應(yīng)，嚴重威脅煤礦安全生產(chǎn)。煤與瓦斯突出是地應(yīng)力、瓦斯和煤的物理力學(xué)性質(zhì)綜合作用的結(jié)果，預(yù)測方法多為在礦井開采的經(jīng)驗數(shù)據(jù)和某些煤層測定參數(shù)的基礎(chǔ)上進行，突出事件與突出影響因素之間存在著極其復(fù)雜、非線性關(guān)系，因而這種指標(biāo)加臨界值突出的預(yù)測方法有很大限制，沒有達到臨界值突出事故也時有發(fā)生[1-3]。將層次分析法應(yīng)用于煤與瓦斯突出預(yù)測，可得到較準(zhǔn)確的預(yù)測結(jié)果。

1 層次分析法的應(yīng)用

1.1 構(gòu)造層次分析的判斷矩陣B[4-5]

層次分析法(Analytical Hierarchy Process，簡稱AHP方法)是將決策問題按總目標(biāo)、各層子目標(biāo)、評價準(zhǔn)則直至具體的備投方案的順序分解為不同的層次結(jié)構(gòu)，用求解判斷矩陣特征向量的辦法，求得每一層次的各元素對上一層次某元素的優(yōu)先權(quán)重，此權(quán)重最大者即為最優(yōu)方案。優(yōu)先權(quán)重是一種相對的量度，表明各影響因素在某一特定的評價準(zhǔn)則對上一層目標(biāo)而言重要程度的相對量度。構(gòu)造判斷矩陣，求出其最大特征值。

為了說明層次分析法分析突出預(yù)測因素的建模過程，以貴州某煤礦的歷史突出預(yù)測數(shù)據(jù)為例進行說明。該礦自建礦以來，共發(fā)生了17次瓦斯動力現(xiàn)象，詳細記載的有兩起：2001年10月，在礦井總回風(fēng)平巷北翼距總回風(fēng)上山64 m位置；2002年7月在運輸大巷掘進工作面，拋出煤量260 t，噴出瓦斯22 464 m3。

以煤與瓦斯突出理論的綜合作用假說為理論指導(dǎo)，在分析該礦突出規(guī)律的基礎(chǔ)上，參考多位專家的經(jīng)驗，選取具有代表性的突出影響因素。依據(jù)優(yōu)越程度判斷標(biāo)度表，構(gòu)造煤與瓦斯突出影響因素的判斷矩陣B(見表1)。

孟絮屹(1982—),男,工程師,碩士,550008 貴州省貴陽市金陽區(qū)陽關(guān)大道112號。

表1 突出影響因素判斷矩陣

煤體破碎性綜合指標(biāo)是反應(yīng)煤體破壞類型和軟分層厚度的綜合指標(biāo)Kp：

Kp=xMr,

(1)

式中，Kp為煤體破碎性綜合系數(shù)；x為煤層破壞類型代碼，與Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ類煤對應(yīng)的數(shù)值代碼為1、2、3、4、5；Mr為煤層中軟分層厚度，m。

1.2 層次分析的計算過程

利用matlab2010軟件自帶的函數(shù)計算判斷矩陣的特征值和特征向量，程序編碼如下：

[v,d]=eigs(B);

tbmax=max(d(:));

其中tbmax為判斷矩陣的最大特征值，v為最大特征值對應(yīng)的特征向量，對v進行標(biāo)準(zhǔn)化后即得出最大特征向量，見表2。

表2 突出影響因素權(quán)重排列順序

為了檢驗判斷矩陣特征向量tbvector的可信程度，需要對判斷矩陣進行一致性檢驗，最后求出一致性判斷指標(biāo)CR=CI/RI。CR值越小判斷矩陣的一致性就越好，一般認為CR≤0.1時，即可認為判斷矩陣基本上滿足一致性的條件，屬于可以接受的程度。計算CR=0.050 6，完全滿足判斷矩陣一致性要求。

2 層次分析應(yīng)用于BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)

2.1 BP模型輸入指標(biāo)的確定[6-8]

BP人工神經(jīng)網(wǎng)絡(luò)在處理煤與瓦斯突出事件與突出影響因素的模糊不精確性、非線性關(guān)系具有獨特優(yōu)勢，網(wǎng)絡(luò)輸入因素指標(biāo)要選擇對煤與瓦斯突出起決定作用的因素。為達到提高預(yù)測精度，降低預(yù)測速度的目的，選擇前4個因素作為層次輔助神經(jīng)網(wǎng)絡(luò)預(yù)測模型的輸入因素，即煤體破碎性綜合指標(biāo)，鉆屑量指標(biāo)，瓦斯壓力和瓦斯含量。BP網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)為4，網(wǎng)絡(luò)的輸入層節(jié)點數(shù)取為4，即輸入因素的個數(shù)；隱含層節(jié)點個數(shù)取為9，即為(2n+1)個神經(jīng)元；輸出層神經(jīng)元個數(shù)定為1。

將突出事件量化處理，按照突出特征將其分為4類：無突出、突出危險、一般突出(突出煤量小于100 t)和大型突出(突出煤量大于100 t)，分別用1，2，3，4代表。

2.2 預(yù)測模型訓(xùn)練及效果檢驗

收集該礦33組歷史點突出數(shù)據(jù)資料，將其中22組數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進行訓(xùn)練，訓(xùn)練次數(shù)為1 000次，訓(xùn)練目標(biāo)為0.001，學(xué)習(xí)速率為0.1。經(jīng)過對訓(xùn)練樣本訓(xùn)練學(xué)習(xí)和近1 000次的迭代計算，誤差率為0.001%，完全滿足精度要求。用訓(xùn)練好的網(wǎng)絡(luò)對11組樣本進行預(yù)測，預(yù)測結(jié)果與實際情況基本一致，如表3所示。

表3 突出預(yù)測系統(tǒng)預(yù)測結(jié)果

3 結(jié) 語

通過預(yù)測效果檢驗，總體預(yù)測正確率高達90.9%，對不發(fā)生突出的預(yù)測準(zhǔn)確率為100%，其中預(yù)測不對的那個也只是預(yù)測類型的偏差，原因是訓(xùn)練樣本較少，使預(yù)測系統(tǒng)具有一定的局限性，若將該模型再補充訓(xùn)練學(xué)習(xí)樣本庫，重新進行訓(xùn)練學(xué)習(xí)，將可得出更加滿意的結(jié)果。同時也可以看出由于層次分析用于煤與瓦斯突出預(yù)測系統(tǒng)，具有很高的可行性和實用性。

[1] 郭勇義,何學(xué)秋,林柏泉.煤礦重大災(zāi)害防治戰(zhàn)略研究與進展[M].徐州:中國礦業(yè)大學(xué)出版社,2003.

[2] 于不凡.煤和瓦斯突出機理[M].北京:煤炭工業(yè)出版社,1985.

[3] 張豫生.基于地質(zhì)構(gòu)造的煤與瓦斯突出預(yù)測研究[D].阜新：遼寧工程技術(shù)大學(xué)，2006.

[4] 范金志,郭德勇,張建國.層次分析法確定煤與瓦斯突出影響因素的權(quán)重[J].礦業(yè)安全與環(huán)保,2004(3):4-5,8.

[5] 趙煥臣,許樹柏,和金生/層次分析法—一種簡易的新決策方法[M].北京：科學(xué)出版社，1986.

[6] 支曉偉,林柏泉,齊黎明.人工神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測中的應(yīng)用[J].工業(yè)安全與環(huán)保,2005(4):42-45.

[7] 劉志云.基于神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出礦井等級劃分方法研究[D].西安：西安科技大學(xué),2003.

[8] 葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與matlab R2007實現(xiàn)[M].北京:電子工業(yè)出版社,2007.

2015-03-30)