基于BP神经网络的瓦斯涌出量预测的研究.docVIP

基于BP神经网络的瓦斯涌出量预测的研究 　　前言 　　神经网络具有高度非线性、并行处理、鲁棒性、容错性和很强的自学习功能，煤矿瓦斯涌出量预测问题涉及的影响因素多，影响因素之间耦合性强，因此瓦斯涌出量预测模型建立难度大。使用数据预处理的方法弱化数据波动性，然后建立基于神经网络的瓦斯涌出量预测模型，通过训练，使其误差波动在可接受范围，即可对未知领域进行预测，进而提出改进措施，预防和减少事故的发生。 　　1、概况 　　2014年以来，全国煤矿10起重大事故中，有7起为瓦斯事故，造成113死亡，发生9起较大以上煤与瓦斯（二氧化碳）突出事故。2014年4月21日凌晨0时30分左右，云南富源县后所镇红土田煤矿121701工作面发生瓦斯爆炸事故。当班井下56人下井，安全升井42人，14人被困井下，全部遇难。2014年6月3日16时58分，重庆能投集团所属南桐矿业公司砚石台煤矿发生重大瓦斯事故，28人被困井下，经全力抢险救援，6人被成功救出，22人不幸遇难。 　　瓦斯是矿井生产过程中的最主要的不安全因素之一，是矿井事故的主要诱发源。瓦斯涌出量是决定煤矿通风安全和管理工作的关键因素。因此，对其进行预测的结果是否准确，直接影响到矿井的经济技术指标。目前，煤矿瓦斯涌出量一直以检测为主，在预测预报瓦斯涌出量方面的技术还不是很成熟。预测矿井瓦斯涌出量是进行通风设计和制定矿井安全技术措施的重要依据。在开采煤层群的矿井中，不同的开采顺序及开采强度均会对矿井瓦斯涌出量有影响，故难以精确地预测。传统的矿井瓦斯预测方法，有瓦斯梯度法和煤层瓦斯含量法，它们都是基于瓦斯涌出量和影响因素之间为线性关系进行预测的，在应用过程中有一定的局限性，且需要计算的参数多，另外，灰色理论预测方法虽然预测精度较高，但在多因素情况下同样遇到精确建模与求解两方面的困难。人工神经网络以其高度的非线性映射、自组织结构、并行处理等特点，将影响矿井瓦斯涌出量的各因素视为输入节点，并通过一定方式连接，对网络进行学习与联想记忆，使其在矿井瓦斯涌出量预测中具有传统方法无法比拟的适应性和优越性。 　　2、瓦斯涌出量预测模型 　　人工神经网络主要包含网络的拓扑结构、神经元的特征和训练规则三个因素。研究和应用的神经网络模型有前向网络、反馈网络、随机神经网络、自组织神经网络、连续时间非线性神经网络及模糊神经网络等多种模型。本文选用前向神经网络模型，并使用适用于该模型的BP算法，即反向传播算法。误差反向传播神经网络（Back Propagation，简称BP网络），是一种单向传播的多层前向网络。其由输入层、中间层、输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接，网络按有教师示教的方式进行学习。 　　一个神经网络模型的构建包括神经网络层数的确定、网络神经元个数的确定、初始权值、学习速率和网络期望误差的选取。本文所用瓦斯涌出量预测模型所建立模型总体可以分为两部分：训练部分和预测部分。训练部分主要实现对神经网络的训练，直到神经网络达到要求的误差为止；预测部分可实现实时预测，也可以输入单组样本，测试预测效果。 　　3、瓦斯涌出量预测模型的实现及应用 　　3.1某矿地质条件简介 　　某矿筹建于1906年，迄今已有百年历史。矿井为主皮带斜井，副立井提升，分水平阶段石门开拓布置。12水平以上阶段垂高90m，12水平以下阶段垂高100m。西翼石门间距为220～250m，东翼石门间距500～600m。目前开采水平为12水平（-1002m）和13水平（-1100m），地面标高+54.4m；生产主要集中在12和13水平；14水平正在开拓中。采煤方法为倾斜长壁、伪倾斜柔性掩护支架采煤，回采工作面均采用陷落法管理顶板，以放炮落煤方式为主，部分工作面采用综合机械化放顶煤开采。矿井采用中央并列式与对角混合抽出方式，通风网络极其复杂。矿井瓦斯等级为煤与瓦斯突出矿井，9号煤层为煤与瓦斯突出煤层。 　　图1 工作面通风示意图 　　该矿3237工作面位于13水平西。上至3237西上面运输巷，下至13水平，13水平以下尚无采掘工程。该工作面在回采过程中，回风流瓦斯浓度较大，平均风排瓦斯量为2.12m3/min。工作面相对瓦斯涌出量10.2m3/t；按日产2500吨计算，回采时瓦斯绝对涌出量为17.7m3/min。煤层自然发火期6―8个月；煤尘爆炸指数33.15%。采用综机放顶煤采煤法，一次采全高。该工作面采用“U”型通风方式；工作面进、回风巷采用10.5m2铁拱形棚支护。 　　3237工作面通风示意图如图1所示。 　　3.2训练样本选取及输入数据归一化 　　根据已有矿井的有关数据资料及所选的影响因素，选取该矿3237工作面从2009年5月到2010年6月的