劉曉悅 高澤斌

摘要：我國煤礦瓦斯事故發(fā)生概率極高，瓦斯事故已成為了危害煤礦安全生產(chǎn)以及井下工作人員生命財產(chǎn)安全的主要元兇。

關(guān)鍵詞：瓦斯預測；模糊C均值；BP神經(jīng)網(wǎng)絡；

中圖分類號：TD77 文獻標識碼：A

中國是煤炭生產(chǎn)和消費大國，2018年，在我國不可再生能源消費中，煤炭占60%左右[1]。煤炭生產(chǎn)大部分為井下開采，礦井環(huán)境復雜多變，隨著開采深度不斷的加深以及煤層瓦斯涌出量的不斷加大，瓦斯問題已經(jīng)成為煤礦開采的主要安全危害因素。由于礦井瓦斯涌出量也是指導礦井通風和設(shè)計的重要指標之一，如何實現(xiàn)瓦斯涌出量準確預測已成為制定相應的防護措施、減少礦難的關(guān)鍵工作。

1.模糊C 均值算法

模糊聚類分析作為無監(jiān)督機器學習的主要技術(shù)之一，是用模糊理論對重要數(shù)據(jù)分析和建模的方法。在眾多模糊聚類算法中，模糊C均值（FCM）算法應用最廣泛且較成功，這種算法通過使用誤差平方和準則把實際中遇到的一些分類問題通過轉(zhuǎn)化進行求解。

2.仿真

通過中國國家數(shù)據(jù)庫和網(wǎng)絡爬蟲軟件收集開漆礦業(yè)集團錢家營礦區(qū)2015年12月至2016年6月的回采工作面絕對瓦斯涌出量歷史監(jiān)測數(shù)據(jù)。該案例中，由于回采工作面絕對瓦斯涌出量影響因素很多，經(jīng)過參考相關(guān)資料，本文選取回釆工作面絕對瓦斯涌出量的10個主要影響因素。

首先將歸一化后的數(shù)據(jù)用最大最小距離算法算出初始聚類中心。計算結(jié)果為初始聚類中心有4類，由表可以看出樣本數(shù)據(jù)是一個維數(shù)據(jù)，所以得到的類別中心的每一個中心點也是一個維數(shù)據(jù)，結(jié)果如表所示。

然后將得到的初始化聚類中心作為FCM算法的初始化條件，得到每個數(shù)據(jù)到四個聚類中心的隸屬度，其均可以用隸屬度值來表示其類別，從而得到隸屬度矩陣U，見表2。

U為一個 30*4 的矩車，表示這30個樣本數(shù)據(jù)分別屬于這四種類型的隸屬度，根據(jù)隸屬度矩陣，按照模糊集合中的最大隸屬度原則就能夠確定出每個樣本數(shù)據(jù)大概屬于哪個類型。任取樣本分析，如：第一個樣本數(shù)據(jù) U屬于第一類，U42={0.177 0.432 0.216 0.179}屬于第二類。經(jīng)過FCM 算法聚類后，將處理過的數(shù)據(jù)和處理過程中得到的數(shù)據(jù)結(jié)果結(jié)合起來，可以得到各個因素對瓦斯涌出量的影響程度。

構(gòu)建基于FCM的BP神經(jīng)網(wǎng)絡預測模型為3層神經(jīng)網(wǎng)絡結(jié)構(gòu)，輸入層為10，輸出層為1。首先直接將30組數(shù)據(jù)用單一的BP神經(jīng)網(wǎng)絡預測，得到如下圖1結(jié)果。

單一神經(jīng)網(wǎng)絡的BP神經(jīng)網(wǎng)絡模型在訓練過程中的誤差比預期要大，擬合情況一般。隨后將由FCM聚類后的結(jié)果分別作為神經(jīng)網(wǎng)絡的輸出，用已得到的4個子樣本訓練集訓練BP神經(jīng)網(wǎng)絡，可得4個已訓練好的一步預測模型，將測試數(shù)據(jù)集輸入到這4個模型中，得到n*4個瓦斯涌出量預測值，每個瓦斯涌出量測量值都有4個對應的預測值 ，根據(jù)公式：

（5）

計算得到對應的瓦斯涌出量最終預測值 。預測模型的10組預測輸出結(jié)果如圖4所示。經(jīng)計算，BP神經(jīng)網(wǎng)絡預測模型在訓練過程中的平均絕對誤差為0.10385，精確度達到89.7%

3結(jié)論

利用MATLAB軟件形成一個基于模糊C均值算法和BP神經(jīng)網(wǎng)絡的預測系統(tǒng)，將影響瓦斯涌出量的動態(tài)數(shù)據(jù)與靜態(tài)數(shù)據(jù)融合、處理和分析，實現(xiàn)對礦井下瓦斯涌出量更為精確的預測。

參考文獻

[1]付華，邵良杉.煤礦瓦斯災害特征挖掘與融合預測[M].北京：科學出版社，2011

[2]李樹仁.煤與瓦斯突出礦井采面瓦斯涌出特征及影響因素分析[J].煤炭技術(shù)，2018，37（09）：241-243.

[3]智登奎，李國勇. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡瓦斯?jié)舛阮A測[J].礦山機械，2013，41（4）：117-120

（作者單位：華北理工大學電氣工程學院）