李焱+徐寶玉+趙繼濤

摘 要：介紹了瓦斯涌出量對礦井安全的影響及一種改進的RBF算法——IRBF算法，借助Matlab軟件利用BP算法、傳統(tǒng)RBF算法及IRBF算法對實測數(shù)據(jù)進行訓練與預(yù)測的實驗，結(jié)果表明IRBF網(wǎng)絡(luò)具有較短的迭代時間及較高的精確度。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) RBF IRBF 瓦斯涌出量

中圖分類號：F062.4 文獻標識碼：A

文章編號：1004-4914（2017）05-294-02

一、引言

礦井瓦斯是指煤礦井下空氣以甲烷（CH4）為主的有毒有害氣體的總稱。如果井下的通風效果不理想，瓦斯涌出量大的區(qū)域會因為瓦斯體積分數(shù)過大，導(dǎo)致井下工作人員窒息。瓦斯在一定條件下可發(fā)生爆炸，爆炸時產(chǎn)生的高溫（可達1850℃～2650℃），不僅會燒傷職工、燒壞設(shè)備，還可能點燃木支架和煤壁，引起瓦斯連續(xù)多次爆炸、煤塵爆炸和井下火災(zāi)，從而加重災(zāi)害程度，擴大災(zāi)害面積。為了避免這些事故的發(fā)生，在對瓦斯含量高的煤層進行開采的過程中，必須事先對礦井瓦斯涌出情況進行預(yù)測。預(yù)測的準確性直接影響礦井的經(jīng)濟技術(shù)指標。近些年來，一些學者將BP網(wǎng)絡(luò)及RBF網(wǎng)絡(luò)用于瓦斯涌出量的預(yù)測領(lǐng)域，單這兩種方法也存在著一定的缺點：BP學習算法容易陷入局部極小點、收斂速度特別慢，同時由于未考慮到輸入的分布特性，推廣能力差；RBF網(wǎng)絡(luò)中隱節(jié)點中心及標準參數(shù)的確定存在困難，針對這些問題，一些改進的算法被提出來?？紤]到瓦斯涌出量預(yù)測中考慮因素多、系統(tǒng)訓練復(fù)雜，且數(shù)據(jù)采集過程中存在噪聲的情況，采用一種改進的RBF算法——基于免疫算法的RBF方法（IRBF）進行研究，以便縮小標準進化算法搜索空間的范圍， 提高算法的收斂速度及精度。

二、IRBF理論分析

IRBF神經(jīng)網(wǎng)絡(luò)是由輸入層、隱層和輸出層神經(jīng)元構(gòu)成的前向型網(wǎng)絡(luò)，其基本思想是用徑向基函數(shù)作為隱層神經(jīng)元的基，構(gòu)成隱層空間，實現(xiàn)輸入矢量到輸出矢量的映射變換，其結(jié)構(gòu)如圖1所示。

三、預(yù)測模型的建立及應(yīng)用

預(yù)測模型的建立依賴于要解決的實際問題，根據(jù)實際問題中輸入量和輸出量的個數(shù)，可以確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。瓦斯涌出量與很多因素有關(guān)，例如：煤層瓦斯含量、煤層埋藏深度、煤層厚度、煤層傾角、開采厚度、工作面長度、推進速度、采出率、臨近層瓦斯含量、臨近層、層間距離、層間巖性、開采強度等。這些因素中有的對瓦斯涌出量的大小影響較大，也有的影響較小。為保證在預(yù)測準確性的前提下對網(wǎng)絡(luò)結(jié)構(gòu)進行簡化，利用灰色關(guān)聯(lián)度對這些指標進行優(yōu)選，選出對瓦斯涌出影響最大的4個因素進行分析。這4個因素分別為煤層厚、煤層埋藏深度、頂板砂泥巖比、地板砂泥巖比，具體數(shù)據(jù)見表1。

設(shè)輸入層節(jié)點為四個，分別開采強度、煤層瓦斯含量、煤層埋藏深度及煤層厚度，輸出層節(jié)點為一個，即瓦斯的涌出量，初始隱層數(shù)據(jù)中心數(shù)為7，變異率βk=exp（1-k），親和力閾值為0.8，相似度閾值為0.95，學習率為0.01，對網(wǎng)絡(luò)進行訓練。

取表中前12組數(shù)據(jù)對網(wǎng)絡(luò)進行訓練，后3組數(shù)據(jù)進行檢驗。

為更好地對比優(yōu)缺點，同時對引用數(shù)據(jù)進行BP算法及傳統(tǒng)的RBF方法的迭代過程進行比較。BP算法中隱層節(jié)點數(shù)根據(jù)經(jīng)驗公式選取為7個，傳統(tǒng)RBF算法隱節(jié)點數(shù)選為6個。三種算法的誤差曲線如下：

取檢測數(shù)據(jù)利用三種方法分別進行檢驗，得到的結(jié)果如下表所示：

四、結(jié)論

利用Matlab軟件進行編程，對BP、傳統(tǒng)RBF及IRBF算法對瓦斯涌出量預(yù)測系統(tǒng)進行網(wǎng)絡(luò)訓練及預(yù)測，通過三種方法的誤差對比曲線可以看出，達到設(shè)定誤差時，IRBF的迭代次數(shù)最少，RBF算法次數(shù)居中，BP算法最多；通過網(wǎng)絡(luò)預(yù)測結(jié)果與實測數(shù)據(jù)相比較，IRBF所得數(shù)值與實測值最為接近。因此，IRBF網(wǎng)絡(luò)在提高算法的收斂速度及精度方面有較好的效果。同時，還應(yīng)該指出的是，訓練數(shù)據(jù)的準確性、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計對網(wǎng)絡(luò)的學習及預(yù)測能力影響很大，在實際應(yīng)用的過程中，還應(yīng)該對網(wǎng)絡(luò)進行反復(fù)的訓練及調(diào)整以達到安全防范的作用。

[本文為黑龍江省自然科學基金項目A201421。]

參考文獻：

[1] 吳中立.礦井通風與安全[M].徐州：中國礦業(yè)大學出版社，1992

[2] 永智群，潘玉民.基于RBF神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測[J].煤炭技術(shù)，2012（4）

[3] 王濤，王洋洋，郭長娜.基于徑向基的瓦斯涌出量灰色預(yù)測模型[J].計算機測量與控制

[4] 唐朝偉，何國田，徐昌彪等.神經(jīng)網(wǎng)絡(luò)在采煤工作面瓦斯涌出量預(yù)測中的應(yīng)用[J].計算機應(yīng)用，2007（12）

[5] 朱川曲.采煤工作面瓦斯涌出量預(yù)測的神經(jīng)網(wǎng)絡(luò)模型[J].中國安全科學學報，1999（9）

[6] 李祎，劉裕曉.基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯涌出量預(yù)測的研究[J].煤礦現(xiàn)代化，2011（2）

[7] 李春輝，陳日輝，蘇恒瑜.BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測中的應(yīng)用[J].礦冶，2010（19）

[8] Jinwen Ma and Jianfeng Liu， The BYY annealing learning algorithm for Gaussian mixture with automated model selection， Pattern Recognition， vol.40，pp：2029-2037，2007

[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量預(yù)測模型.中國安全科學學報，2012（12）

[10] 肖忠良，李智勇.一種改進的RBF神經(jīng)網(wǎng)絡(luò)多目標優(yōu)化算法[J].科學技術(shù)與工程，2009（21）

[11] 孫丹等.一種改進的RBF神經(jīng)網(wǎng)絡(luò)混合學習算法[J].吉林大學學報（理學版），2010（5）

[12] 張輝，柴毅.一種改進的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法]J].計算機工程與應(yīng)用，2012（20）

[13] 宮新保，周希朗，胡光銳.基于免疫進化算法的徑向基函數(shù)網(wǎng)絡(luò)[J].上海交通大學學報，2003（10）

[14] 朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學出版社，2006

[15] Duda R.O.，Hart P.R.Pattern classification and scene analysis.New York：Wiley，1973

[16] 朱紅青，常文杰，張彬.回采工作面瓦斯涌出Bp神經(jīng)網(wǎng)絡(luò)分源預(yù)測模型及應(yīng)用[J].煤炭學報，2007（5）

（作者單位：黑龍江科技大學 黑龍江哈爾濱 150027）

（第一作者簡介：李焱，副教授，碩士研究生，主要研究方向：人工智能。）（責編：賈偉）