基于神经网络和遗传算法的瓦斯含量预测研究

王富军

（大同煤炭职业技术学院，山西 大同 037003）

瓦斯爆炸是煤矿生产中最严重的灾害之一。由于煤层瓦斯含量的复杂性、动态性、非线性、随机性，给煤层瓦斯含量的预测带来很大困难。许多学者利用神经网络等理论和方法建立了不同的预测模型[1-2]，例如辽宁工程技术大学付华教授的基于BP网络和D-S证据理论的瓦斯监测系统[1]。基于此，以同煤集团马脊梁矿某煤层为研究对象，分析影响煤层瓦斯含量的煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30 m砂岩比等因素的基础上，建立神经网络模型，并将神经网络与遗传算法结合，以神经网络能准确提取、捕捉煤层瓦斯含量与各影响因素之间的非线性关系，又靠遗传算法能够寻求各个因素之间的最优解，可实现矿井内煤层瓦斯含量的预测。

1 神经网络模型的构建

煤矿瓦斯含量涉及的因素较多，各参数之间耦合性较强，为了提高瓦斯含量预测精度，采用有非线性和自学习能力的神经网络作为主要预测方法，采用具有优化能力的遗传算法作为解决数据优化问题，并寻求瓦斯含量预测值最优。本文利用神经网络和遗传算法的优点，构建瓦斯含量预测模型。

1.1 神经网络理论

神经网络一般包括：输入层，中间层(隐层)，输出层。见图1。

图1 神经网络原理图

本文采用反向传播算法 (Back Propagation Algorithm，简称BP算法)作为神经网络模型的预测。BP算法包括两个过程，一是从输入层输入的信息经过各隐层(隐层1，隐层2，…，隐层n)预测，最后从输出层输出。二是误差等信息从输出层反向经过各隐层(隐层n，隐层n-1，…，隐层l)，反馈到输入层。本文输出层采用Sigmoid函数作为输入神经元函数，即f（x）=ex/（ex+1）。其中，误差在反向传输过程中，实现各种学习[2]。神经网络输入层包括5个节点（煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比）。神经网络输出层只有一个节点（瓦斯含量预测值）。

假设选取的样本数足够大，有N个样本点（xK，yK）（K=1，2，…，N）。任意样本点的输入值xK经过模型后输出的实际值为dK，理想值为yK，dK与yK间的误差期望为：

其中，（yk-dk）=Ek为单个样本的学习误差。假设神经元输入节点j的输入值为netjK，神经元输出节点i的输出值为OiK。根据多维神经网络原理，netjK=ΣWijOik，则Ojk=f（netjK）。在k样本下，取δjk为神经元输入节点j的输出梯度，则OiK=dk。

如果节点j不是输出层节点时，这时，

1.2 遗传算法原理

遗传算法是模拟生物界优胜劣汰的自然法则而建立的一种全局搜索算法[3]。利用遗传算法优化，主要是对BP神经网络中的误差权值进行优化。具体步骤如下：

1）初始化种群，利用BP神经网络的误差权值，算得特定种群。

2）利用神经网络模型算得个体的自适应度值。

3）经选择、交叉、变异等操作，产生下一代种群。

4）得到的下一代种群是否满足结束条件；若否则转2），若是则转 5）。

5）选取经过遗传算法模型得到的最优个体，反向操作后，取代神经网络模型中对应的权值，结束遗传算法。

2 瓦斯含量的预测

基于神经网络和遗传算法的瓦斯含量预测模型流程图，见图2。

图2 瓦斯含量预测模型的流程图

1）计算实例。为了计算模型预测瓦斯含量预测方法的准确性及可靠性，选择马脊梁矿生产实际中的瓦斯含量进行预测。马脊梁矿年产500万t、两个开采煤层，瓦斯鉴定级别为低沼气矿井，局部瓦斯异常。通过构建的神经网络和遗传算法优化得到的数学模型，预测结果如表1和表2所示。

表1 瓦斯含量预测

表2 预测结果与真实值比较

2）采用基于神经网络和遗传算法的瓦斯含量预测方法，平均误差值分别为 0.43、1.48、0.82、0.5、0.51，平均误差为5.61%，低于国家8%的要求。其中误差低于8%的数据占全部数据的80%。可见，预测效果比较好。

3 结论

由于各矿区的地质构造及矿井的煤层赋存情况的差异性，导致瓦斯含量的主控因素也不相同，瓦斯含量的预测必须针对特定环境构建特定模型。本文构建了以煤层埋藏深度、煤层厚度、顶板岩性、上覆基岩厚度、顶板30m砂岩比等5个参数为输入量，瓦斯含量为输出量的神经网络模型，并结合所建模型，采用遗传算法对神经网络模型进行优化计算。试验结果表明，煤层瓦斯含量预测效果，应用前景良好。

[1]付华，康海潮，梁明广.基于BP网络和D-S证据理论的瓦斯监测系统的研究[J].工矿自动化，2011，37(8)：159-161.

[2]王鹤，邵良杉，邱云飞.基于蚁群神经网络的煤矿瓦斯含量预测煤矿瓦斯含量预测模型[J].微计算机信息，2011(5)：197-198.

[3]崔小彦.基于RBF神经网络与蚁群算法的瓦斯预测模型研究[D].阜新：辽宁工程技术大学，2009.