萬 宇,齊金平

(蘭州交通大學(xué),蘭州 730070)

中國(guó)煤礦開采規(guī)模不斷增大,開采的深度不斷增加,近年來,我國(guó)的礦難發(fā)生起數(shù)和死亡人數(shù)雖然連續(xù)下降,但是相對(duì)于世界平均水平仍然居高不下[1]。鑒于這種趨勢(shì),必須對(duì)災(zāi)害進(jìn)行有效的預(yù)防和控制,預(yù)防和控制的關(guān)鍵在于預(yù)測(cè),因此,試驗(yàn)可靠的預(yù)測(cè)方法已成為優(yōu)先事項(xiàng)。煤與瓦斯突出是一種非常復(fù)雜的動(dòng)力現(xiàn)象[2-6],關(guān)于它的起源,人們做了很多研究,一些假設(shè)認(rèn)為,瓦斯突出是由氣體,環(huán)境壓力或其他因素導(dǎo)致的[7-8]。綜合作用假說認(rèn)為突出是瓦斯、地應(yīng)力等多種因素共同作用的結(jié)果[9],相比其他單因素假說更具說服力。本文結(jié)合主流的綜合作用假說,根據(jù)實(shí)際情況選取六個(gè)重要的指標(biāo),采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模,預(yù)測(cè)突出危險(xiǎn)。

1 預(yù)測(cè)指標(biāo)集的建立

本文選擇綜合作用假說作為預(yù)測(cè)突出危險(xiǎn)的依據(jù),綜合考慮到地理位置、主控因素及獲取數(shù)據(jù)的難度,選取垂深、傾角、巷道類型、煤層厚度、地質(zhì)構(gòu)造和作業(yè)方式六個(gè)指標(biāo)作為影響突出的指標(biāo)。

巷道類型分為平巷和斜巷,反應(yīng)了在具備突出發(fā)生的可能性基礎(chǔ)上,哪種巷道更危險(xiǎn),更容易產(chǎn)生突出。垂深的大小一方面代表著開采地點(diǎn)的應(yīng)力狀況,一方面代表了瓦斯的儲(chǔ)存情況,一般認(rèn)為垂深越深瓦斯含量越豐富,也更容易產(chǎn)生突出危險(xiǎn)。一定的煤層厚度也是突出發(fā)生的必備條件,因煤層滲透性較差,厚煤層的分層會(huì)阻止瓦斯逸散,形成瓦斯分層,增加突出發(fā)生可能性。斷層傾角一般在10°到60°之間,角度的不同對(duì)突出風(fēng)險(xiǎn)的影響各不相同。不同的地質(zhì)構(gòu)造會(huì)影響煤層的力學(xué)性質(zhì)以及透氣性等[10],本文主要將其分為斷層、褶曲、褶曲軸、傾角變陡區(qū)。不同的作業(yè)方式也會(huì)影響突出,不同操作情況下的地下應(yīng)力狀態(tài)有很大區(qū)別,是誘導(dǎo)不同突出的重要原因,本文將作業(yè)方式分為打鉆、手鎬、放炮、未知方式四種[11]。

2 算法分析

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一種,由Rumelhart和Mc Clelland于1986年提出,它是一種模擬生物思考模式對(duì)數(shù)據(jù)記憶歸納推理的非線性信息處理系統(tǒng)[12]。網(wǎng)絡(luò)中信號(hào)會(huì)通過一個(gè)帶有權(quán)重的傳遞,神經(jīng)元相加信號(hào)與閾值比對(duì)后通過一個(gè)激活函數(shù)輸出繼續(xù)傳遞到下一個(gè)神經(jīng)元,如此形成正向傳播。在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中,反應(yīng)其學(xué)習(xí)過程的實(shí)質(zhì)是反向傳播。網(wǎng)絡(luò)傳播的誤差信號(hào)沿著原來的路徑逆向傳遞,計(jì)算所有權(quán)值的損失函數(shù)梯度,在這個(gè)過程中重新調(diào)節(jié)權(quán)重、閾值,經(jīng)過不斷的重復(fù)訓(xùn)練,網(wǎng)絡(luò)收斂精度或迭代次數(shù)達(dá)到預(yù)設(shè)的要求[13-14],可以得到滿意的網(wǎng)絡(luò)參數(shù)。網(wǎng)絡(luò)模型如圖1所示。

圖1 煤與瓦斯突出BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型Fig.1 BP Neural Network Prediction Model of Coal and Gas Outburst

在應(yīng)對(duì)非線性問題時(shí),問題的影響因素眾多,具有不確定性,神經(jīng)網(wǎng)絡(luò)可以考慮不同因素對(duì)問題的影響,它擁有強(qiáng)大的自我學(xué)習(xí)能力并且具有普適性,但是也有一些缺點(diǎn),比如收斂速度和局部最優(yōu)等問題。為了提高危險(xiǎn)預(yù)測(cè)的準(zhǔn)確性,本文將粒子群算法添加到神經(jīng)網(wǎng)絡(luò)權(quán)閾值初始化的過程中,使其得到優(yōu)化。粒子群算法是1995年由肯尼迪和伊博哈特提出的并行群體智能算法,其原理簡(jiǎn)單,執(zhí)行也并不復(fù)雜。該算法起源于觀察鳥類集群行為,受到它們捕食行為的啟發(fā),然后建立了一個(gè)簡(jiǎn)單化模型,通過分享團(tuán)隊(duì)中個(gè)人的信息,可以獲得使整個(gè)系統(tǒng)從混亂狀態(tài)到有序狀態(tài)的最佳解決方案。運(yùn)算過程與遺傳算法有相似的地方,例如都是將系統(tǒng)轉(zhuǎn)化為一系列隨機(jī)解,然后通過迭代過程找到最優(yōu)方案。但是相對(duì)遺傳算法也有一些不同的地方,例如它沒有交叉和突變的復(fù)雜操作,所以更方便編程。粒子群算法以當(dāng)前搜索的最優(yōu)值與歷史最優(yōu)值比較以獲取全局最優(yōu)值,具有存儲(chǔ)特性,同時(shí)存儲(chǔ)了最優(yōu)的個(gè)體和整體信息。該算法以其簡(jiǎn)潔、精度高受到人們的關(guān)注,不僅如此,它還具有普遍適用性,例如在函數(shù)優(yōu)化、提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)等方面均有不錯(cuò)的表現(xiàn)。

假設(shè)在一個(gè)D維度的目標(biāo)搜索空間有M個(gè)粒子組成一個(gè)群體,每個(gè)粒子有兩個(gè)屬性,速度和位置,Xi=(xi1,xi2,xi3,…,xiD)，代表粒子飛行過程中第i個(gè)粒子的位置,也是D維空間中優(yōu)化問題的一個(gè)可能解決方案,將Xi代入適應(yīng)度函數(shù)可以得到一個(gè)數(shù)值,以適應(yīng)度來評(píng)價(jià)位置的優(yōu)劣程度;Vi=(vi1,vi2,vi3,…,viD)，代表粒子i的飛行速度;Pi=(pi1,pi2,pi3,…,piD)，代表第i個(gè)粒子個(gè)體所到達(dá)過的最佳位置,也是在尋優(yōu)過程中離目標(biāo)函數(shù)最優(yōu)解最近的位置;Pg=(pg1,pg2,pg3,…,pgD)，代表整個(gè)群體中所有粒子到達(dá)過的最佳位置,相當(dāng)于個(gè)體最優(yōu)數(shù)值中的最優(yōu)。粒子群算法的速度和位置更新公式為:

(1)

(2)

式中:k為迭代的次數(shù);i為粒子編號(hào),i=1,2,3,…M;d為維度編號(hào),d=1,2,3,…D;c1、c2為加速常數(shù),取值為非負(fù)常數(shù);r1、r2為[0,1]范圍內(nèi)的隨機(jī)數(shù)。

在更新位置和速度時(shí),粒子的飛行范圍可能過大,因此需要設(shè)置界限xmax和vmax。若粒子i在d維上的飛行位置或速度超出預(yù)設(shè)的界限值,則將其大小調(diào)整為該界限值。

基于粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)閾值的算法流程圖見圖2。

圖2 算法流程圖Fig.2 Algorithm flow chart

3 實(shí)例分析

Kolmogorov映射神經(jīng)網(wǎng)絡(luò)存在定理表明,任何連續(xù)函數(shù)、映射都可以通過三層網(wǎng)絡(luò)精確實(shí)現(xiàn)。因此,本文模型設(shè)計(jì)采用三層BP神經(jīng)網(wǎng)絡(luò),輸入層有6個(gè)神經(jīng)元,對(duì)應(yīng)表1以及上文所述的預(yù)測(cè)指標(biāo)。確定隱層神經(jīng)元數(shù)目的方法有許多,本文選擇隱層神經(jīng)元數(shù)利用s=2n+1(n為輸入層結(jié)點(diǎn)數(shù))確定,最終選擇為13個(gè)。為表示突出的發(fā)生與不發(fā)生,這里用[1,0]和[0,1]表示,因此輸出層神經(jīng)元確定為2個(gè)。為了方便計(jì)算,需要對(duì)非量化指標(biāo)進(jìn)行編碼,具體編碼規(guī)則如表1所示。表1數(shù)據(jù)來源于網(wǎng)絡(luò),是歷史上發(fā)生突出現(xiàn)象的地點(diǎn)及未發(fā)生的地點(diǎn)共23個(gè)[15]。應(yīng)用本文建立的危險(xiǎn)性預(yù)測(cè)模型,用包含突出和非突出地點(diǎn)的前18組數(shù)據(jù)作為網(wǎng)絡(luò)的學(xué)習(xí)樣本,然后對(duì)后5組實(shí)測(cè)數(shù)據(jù)進(jìn)行模擬預(yù)測(cè),比較預(yù)測(cè)結(jié)果與實(shí)際結(jié)果來確定該網(wǎng)絡(luò)模型的可行性。

模型的建立和參數(shù)設(shè)置均在Matlab2014中完成,網(wǎng)絡(luò)性能函數(shù)值設(shè)為1×10-5,訓(xùn)練次數(shù)設(shè)置為2 000次,學(xué)習(xí)率為0.2,隱含層及輸出層的傳遞函數(shù)分別為tansig、logsig,訓(xùn)練函數(shù)為traingd。函數(shù)網(wǎng)絡(luò)輸出0～0.499 9時(shí)可以視為0;0.500 0～1.000 0時(shí)可視為1。圖3為梯度隨訓(xùn)練次數(shù)的變化曲線,實(shí)際結(jié)果與預(yù)測(cè)結(jié)果的對(duì)比如表2所示。通過數(shù)據(jù)對(duì)比可以得出,神經(jīng)網(wǎng)絡(luò)對(duì)有無突出危險(xiǎn)的判斷與現(xiàn)場(chǎng)實(shí)際情況基本吻合。

表1 預(yù)測(cè)指標(biāo)集Table 1 Prediction Indicator Set

表2 結(jié)果對(duì)比Table2 Result comparison

圖3 梯度變化曲線Fig.3 Gradient curve

4 結(jié)束語

本文將粒子群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合建立模型對(duì)煤與瓦斯突出危險(xiǎn)性進(jìn)行了模擬預(yù)測(cè),分析表明這種方法對(duì)煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)是有效的,相比傳統(tǒng)的單指標(biāo)預(yù)測(cè)方法進(jìn)一步增加了突出預(yù)測(cè)的準(zhǔn)確性,為減少煤礦安全維護(hù)工作的資源消耗提供支持。由于地理位置的不同,影響各個(gè)礦井突出危險(xiǎn)的主控因素不一定相同,根據(jù)實(shí)際情況,可以調(diào)整預(yù)測(cè)指標(biāo)集使網(wǎng)絡(luò)模型更加符合特定的環(huán)境,再使用本文介紹的方法建模,使礦井突出預(yù)測(cè)工作更加合理準(zhǔn)確。