基于改进BP神经网络的煤与瓦斯突出预测模型.docVIP

基于改进BP神经网络的煤与瓦斯突出预测模型 　　【摘 要】煤与瓦斯突出已成为危害煤矿安全的重大灾难之一，工作人员对瓦斯突出灾难的预防工作已是现在重要的研究项目。目前的瓦斯突出预测工作中，不同程度的有着一些对预测精确度造成影响的因素，如逻辑推理组合效率低等。利用BP神经网络结合瓦斯突出样本建立了一个预测模型，对BP神经网络算法进行了改进，最后根据提供的某煤矿的数据作为样本，利用MATLAB软件对其进行仿真测试，所得到的预测值和实际值拟合程度较高，可以反映出煤与瓦斯突出的真实情况。 　　【关键词】煤与瓦斯突出；BP神经网络；预测模型 　　0 引言 　　煤与瓦斯突出灾害的发生由多种因素共同导致，这些因素之间具有复杂的非线性关系，属于非线性瓦斯动力灾难。目前国内的一些预测方法并不能够很好达到预测效果，精确度较低存在较大误差。本文建立了基于BP神经网络的预测模型，并提出改进的BP算法，提高逻辑推理效率，利用MATLAB进行仿真，确定了模型的可行性。 　　1 煤与瓦斯突出的相关研究 　　1.1 煤与瓦斯突出的特征 　　（1）突出的煤向外抛出距离较远，具有分选现象。 　　（2）抛出的煤堆积角小于煤的自然安息角。 　　（3）抛出的煤破碎程度高，含有大量的块煤和手捻无粒感的煤粉。 　　（4）有明显的动力效应，破坏支架，推倒矿车，破坏和抛出安装在巷道内的设施。 　　1.2 煤与瓦斯突出影响因素 　　作为煤与瓦斯突出的原因，岩层的重力和构造应力、煤层所含瓦斯量和产生的压力、煤层本身的松软结构是造成煤与瓦斯突出的主要条件。地压、煤层的强度和高压瓦斯含量等相互作用，使煤体中的大量潜能得以高速释放。在剖析了某煤矿的实际数据后，我们将对煤矿的瓦斯突出强度产生影响的关键因素总结为：煤层瓦斯含量（m3/t），瓦斯压力（MPa），煤的坚固系数f，瓦斯放散初速度△p（m/s）。 　　2 改进的BP神经网络算法 　　BP神经网络算法的改进 　　传统的BP算法在迭代运算过程中有一定的不足之处，如极易收敛于局部极小和收敛速度缓慢等。这里采用附加动量法和自适应学习速率法来解决这些问题。 　　附加动量法是根据反向传播算法，在每个权值的变化上加上一项正比于前一次权值变化的值，由此利用反向传播法就会得到新的权值变化。其具体做法是将前一次权值调整量的一部分叠加到按本次误差计算所得的权值调整量上，作为本次的实际权值调整量，即Δωij（n）=αΔωij（n-1）+（1-α）η■f（ωij（n-1））式中，η为学习速率，n为训练次数，α为动量因子，■f（ωij（n-1））为误差函数的梯度。 　　附加动量法的采用，将权值的调整朝误差曲面底部的平均方向变化，如果权值处在平坦区时，可以避免Δω=0的发生，有利于使网络从误差曲面局部极小值中跳出。 　　自适应学习速率法的设计思想是依据误差的变化，从而自适应的对学习速率进行调整。在训练过程中采用如下式的学习速率自适应调节机制，对运算的稳定性和收敛速度都有所改善。 　　η（n）=1.05η（n-1）（E（n）〈E（n-1））0.7η（n-1）（E（n）〈1.04E（n-1））η（n-1）（其他） 　　式中，E（n）表示第n步的误差。 　　3 煤与瓦斯突出强度预测模型 　　3.1 网络结构 　　BP神经网络的结构由三部分构成，即输入层、隐含层和输出层。 　　（1）输入层和输出层。由于煤层瓦斯含量，瓦斯压力，煤的坚固系数f，瓦斯放散初速度△p是造成瓦斯突出的重要原因，因此输入层采用四个节点来代表这些因素，瓦斯的突出强度可以由这些因素来进行预测；输出层节点为突出强度。 　　（2）隐含层结构。隐含层的结构包括了其层数和节点单元数。本文中所设计的输入层与输出层比较简单，故可以只取一层作为隐含层的层数，由此可以在完成需要的映射同时还能够提升网络的运算速度和预测的精确度。在隐含层节点数的确定方面，为了使神经网络结构尽可能的简单，应选用较少的节点数。利用隐含层节点数经验公式，为了使输出误差达到最小，尽可能多的进行试凑，经计算将隐含层的节点数确定为10个。 　　所用隐含层节点数经验公式为： 　　n1=■+a 　　式中：n为输入层节点个数，m为输出层节点个数，a为常数，取值范围为1～10。 　　综上所述，该爆破强度模型结构设定为三层的4―10―1结构。 　　3.2 学习样本数据 　　本文利用某煤矿的煤与瓦斯突出原始数据中，在不同的煤层瓦斯含量，瓦斯压力，媒的坚固系数和瓦斯放散初速度条件下的突出强度进行了详细的试验。本次研究采用18个试验所获不同条件下具有代表性的突出强度数据来建立学习样本（表1） 。 　　表1 土朱矿煤与瓦斯突出原始数据 　　3.3 学习样本训练及预测结果 　　3.3.1 网络