王志雪+栗志偉+許明龍+紀(jì)楠

摘要：本文針對煤與瓦斯突出風(fēng)險(xiǎn)預(yù)測問題，利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，通過遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值優(yōu)化，提高網(wǎng)絡(luò)預(yù)測的精度。利用采集的前10組數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用11～20組數(shù)據(jù)對預(yù)測模型進(jìn)行檢驗(yàn)，并且將檢驗(yàn)結(jié)果與自適應(yīng) BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行比較。結(jié)果表明：遺傳算法與網(wǎng)絡(luò)預(yù)測模型結(jié)合后的的預(yù)測值跟實(shí)測值的絕對誤差由原來的-0.0119～0.2000縮小到-0.0013～0.0611，提高了預(yù)測精度。

關(guān)鍵詞：遺傳算法 神經(jīng)網(wǎng)絡(luò) 瓦斯突出 預(yù)測

中圖分類號：TD712 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2017）01（a）-0000-00

預(yù)測煤層中的瓦斯含量是進(jìn)行煤與瓦斯突出風(fēng)險(xiǎn)研究的重要一環(huán)，由于影響瓦斯含量的地質(zhì)因素復(fù)雜多樣，以及各因素間存在著復(fù)雜的非線性關(guān)系，迄今為止，對瓦斯突出的預(yù)測主要使用回歸分析方法，預(yù)測的結(jié)果往往跟實(shí)際的情況差別較大，因此需要使用新的方法建立預(yù)測模型來實(shí)現(xiàn)對瓦斯突出高精度的預(yù)測。

1 利用遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)建立瓦斯突出預(yù)測模型

（1）網(wǎng)絡(luò)輸入?yún)?shù)的確定：經(jīng)查閱相關(guān)文獻(xiàn)和咨詢得知瓦斯突出的主要影響因素有：煤層底板標(biāo)高、煤層到斷層距離、煤層到最近剝蝕面距離、頂板砂巖比、統(tǒng)計(jì)單元中有無斷層、基巖厚度、煤厚。

（2）網(wǎng)絡(luò)輸出參數(shù)的確定：選擇二進(jìn)制數(shù)0和1分別表征瓦斯不突出和突出。

（3）網(wǎng)絡(luò)的構(gòu)造： 一般地可以用一個(gè)三層神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)預(yù)測功能，此神經(jīng)網(wǎng)絡(luò)的輸入層有n個(gè)神經(jīng)元，根據(jù)經(jīng)驗(yàn)公式選取隱含層有（2n+1）個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元，因此本模型中的神經(jīng)網(wǎng)絡(luò)可以采用3層神經(jīng)網(wǎng)絡(luò)。

（4）網(wǎng)絡(luò)的訓(xùn)練：訓(xùn)練樣本取自唐山開灤多個(gè)礦井具有代表性的10個(gè)突出點(diǎn)，利用突出點(diǎn)的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到預(yù)測模型。

（5）網(wǎng)絡(luò)的精確度驗(yàn)證： 利用已完成的人工神經(jīng)網(wǎng)絡(luò)對實(shí)際問題進(jìn)行試驗(yàn)研究。把在開灤礦井采取的11～20組數(shù)據(jù)的瓦斯突出指標(biāo)輸入已經(jīng)訓(xùn)練的網(wǎng)絡(luò)中，驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實(shí)際突出情況的吻合度，如果吻合度低，就需要對網(wǎng)絡(luò)進(jìn)行改動(dòng)，直至達(dá)到滿意的吻合度。

（6）利用遺傳算法對神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化

個(gè)體的編碼：將神經(jīng)網(wǎng)絡(luò)各層之間可能存在的連接權(quán)值和閾值編碼成實(shí)數(shù)碼串或者進(jìn)行二進(jìn)制碼串，每條碼串中包含著網(wǎng)絡(luò)中的所有權(quán)值、閾值其排列順序可以隨意定義，不受限制，組成一個(gè)染色體。

產(chǎn)生初始種群：隨機(jī)生成一定數(shù)量的碼串個(gè)體作為一個(gè)初始種群。

計(jì)算適應(yīng)度：設(shè)網(wǎng)絡(luò)有K個(gè)訓(xùn)練樣本，讓所有的訓(xùn)練樣本依次通過解碼后生成的神經(jīng)網(wǎng)絡(luò)，計(jì)算所有訓(xùn)練樣本一次通過的平均總誤差作為每條染色體的適應(yīng)度， 其中， 為瓦斯含量的實(shí)測值， 為網(wǎng)絡(luò)的輸出值。

④將網(wǎng)絡(luò)的所有連接權(quán)值和閾值進(jìn)行實(shí)數(shù)編碼，構(gòu)成一個(gè)染色體，每條染色體代表一個(gè)神經(jīng)網(wǎng)絡(luò)模型的權(quán)值和閾值。設(shè)定初始種群規(guī)模為20，進(jìn)化代數(shù)為220，交叉概率0.2 ，變異概率為0.1，為了防止遺傳算法的早熟現(xiàn)象，變異概率先定義為0.1，然后在逐漸遞增。算法運(yùn)行到158代時(shí)獲得最佳的連接權(quán)值，網(wǎng)絡(luò)平均總誤差為0.001。

2 實(shí)例分析及算例求解

選取唐山開灤煤礦為例，對該地進(jìn)行瓦斯含量預(yù)測研究。對影響瓦斯含量的主要因素進(jìn)行分析，歸納確定了神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為7，對應(yīng)為7個(gè)輸入變量即7個(gè)影響瓦斯含量的因素。其中對輸入變量中的頂板砂巖比、統(tǒng)計(jì)單元中有無斷層、頂板基巖厚度、煤層厚度四個(gè)影響因素采用二變量比值法將其定量化。處理方法的劃分條件如表1所示，輸出層神經(jīng)元個(gè)數(shù)是1。在開灤集團(tuán)獲得的相關(guān)數(shù)據(jù)如表2所示，其中1～10作為網(wǎng)絡(luò)訓(xùn)練樣本，11～20作為網(wǎng)絡(luò)檢驗(yàn)樣本，用來檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度。

利用前10組數(shù)據(jù)分別訓(xùn)練自適應(yīng)的BP神經(jīng)網(wǎng)絡(luò)和與遺傳算法結(jié)合改進(jìn)的網(wǎng)絡(luò)得到瓦斯突出預(yù)測模型，如圖1和2所示。然后利用11～20組的樣本對網(wǎng)絡(luò)性能進(jìn)行檢驗(yàn)，并將檢驗(yàn)結(jié)果和實(shí)測值的數(shù)據(jù)進(jìn)行對比，對比后的結(jié)果如表3所示。 由圖1、2可知用遺傳算法改進(jìn)的神經(jīng)網(wǎng)絡(luò)收斂速度更快，由表3可知用遺傳算法改進(jìn)后的神經(jīng)網(wǎng)絡(luò)預(yù)測的值跟實(shí)際的值更加的逼近即預(yù)測精度高。

3 結(jié)論

本文采用遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，通過優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使得預(yù)測的絕對誤差從-0.0119～0.2000縮小到-0.0013～0.0611，提高了預(yù)測的精度，加快了收斂速度。對煤礦安全發(fā)展具有一定的意義。

參考文獻(xiàn)

[1]曾文飛，張英杰，顏玲.遺傳算法的基本原理及其應(yīng)用研究[J]，軟件導(dǎo)刊，2009

[2]梁芳.遺傳算法的改進(jìn)及其應(yīng)用[D].武漢理工大學(xué)，2008.

[3]彭海雁.影響煤與瓦斯突出的主控因素研究[D].東北大學(xué)，2013.

[4]王剛，武猛猛，王海洋，黃啟銘，鐘陽. 基于能量平衡模型的煤與瓦斯突出影響因素的靈敏度分析[J]. 巖石力學(xué)與工程學(xué)報(bào)，2015，02：238-248.

[5]崔珊珊. 遺傳算法的一些改進(jìn)及其應(yīng)用[D].中國科學(xué)技術(shù)大學(xué)，2010.