基于PSO算法优化的自组织竞争神经网络在煤与瓦斯突出预测中的应用研究

张晓铭 张爱绒 郭勇义

(1.太原理工大学矿业工程学院，山西省太原市，030024；2.太原理工大学，山西省太原市，030024；3.太原科技大学，山西省太原市，030024)

由于煤与瓦斯突出影响因素的多样性和各个矿井地质条件、开采工艺等情况的不同，靠单一指标或者固定临界值的方法来预测煤与瓦斯突出的方法是不合理的。虽然 《防止煤与瓦斯突出规定》中要求指标临界值需要根据实践考察确定，但是绝大多数矿井都没有做到这一点，仅仅采用规定中给出的参考临界值来预测煤与瓦斯突出，这给防突工作带来了一定的盲目性。本文运用经微粒群算法 (Particle Swarm Optinization，PSO)优化的自组织神经网络建立煤与瓦斯突出预测模型，通过模拟煤与瓦斯突出的物理模型，对煤矿采掘工作面煤体的突出危险情况进行分类和判断，根据分类结果可采取相对应的防突措施，使煤矿的防突工作更具有针对性。

1 煤与瓦斯突出机理的研究

对国内外大量突出案例分析可知，煤与瓦斯突出是由于煤体在瓦斯压力与地应力的联合作用下克服煤层阻力引发的。在整个突出过程中，由地应力和瓦斯压力提供能量，而煤体则是这个过程动力的受体和阻力的主体。因此，当瓦斯能和地应力潜能大于煤体的破坏功和移动功时，即阻力突然解除时，就有可能发生煤与瓦斯突出。

因此选择的预测指标要综合反映地应力、瓦斯压力和煤的物理力学性质相互之间的关系。其中本文所用到的预测指标有煤屑解析指标 (K1)反映地应力、瓦斯压力对煤层的破坏程度和瓦斯含量的综合作用；煤的坚固性系数 (f)反映煤的坚固性，即煤与瓦斯突出的阻力；最大钻屑量 (S)反映了煤层应力状况、煤的力学性质和瓦斯3个方面的因素；钻孔瓦斯涌出初速度 (q)反映煤体的渗透性能、力学性质、煤层瓦斯压力和含量以及地应力的变化情况。

2 自组织竞争神经网络与PSO算法

2.1 自组织竞争神经网络

自组织竞争神经网络是一类无教师监督学习方式的神经网络模型，也就是说它无需期望输出，只需根据数据样本进行学习，并且通过调整自身权值来达到学习的目的。自组织神经网络的学习是采用竞争型的学习规则。基本思想是网络竞争层的各个神经元通过相互竞争来获取对输入模式的相应的机会，最后只有一个神经元成为竞争的胜利者，将与获胜神经元有关的各个连接权值往更有利于竞争的方向调整。

自组织竞争网络可以分为输入层和输出层。假设输入层由N个神经元组成，竞争层由M个神经元组成，网络连接权值为wij(i＝1，2，…，N；j＝1，2，…，M)。在竞争层中，神经元之间相互竞争，最终只有一个神经元获胜，以适应当前的输入样本。胜利的神经元就表示当前输入样本的分类模式。自组织竞争神经网络的模型见图1。

图1 自组织竞争神经网络

2.2 PSO算法

PSO是计算智能领域的一种基于群体智能的算法，采用进化、群体的概念，根据个体的适应度进行调整。PSO算法是将个体看作是n维空间中无质量和体积的微粒，并在该空间中以一定的速度飞行。其飞行速度根据个体飞行经验和群体飞行经验进行调整。

自组织竞争神经网络虽然具有无教师监督、自行学习和适应性强等特点，但是由于网络的初始权值是随机产生的，对于每次分类的结果也会有所不同，因此得出一个稳定的分类结果需要很长的时间。而PSO算法具有较强的全局收敛能力和较强的鲁棒性，且不需要借助问题的特征信息。因此，将两者结合，使原来无教师监督的学习变为有教师监督的学习，这样不仅能发挥自组织竞争神经网络的泛化适应能力，而且能够提高网络的学习效率和准确率。

3 煤与瓦斯突出预测模型的建立

将训练数据，即4个预测指标作为输入层来建立预测模型。训练过程一般定义学习次数为200次，学习速度设为0.01。同时运用PSO算法对网络的权值进行优化，以求尽快找到最稳定的结果。输出层可以有2个，代表结果分为有突出危险和无突出危险。

其网络训练过程为:

(1)对网络首次运行后的权值进行适当的变异，并将其作为初始种群。

(2)运用进化公式对种群进行进化，并根据适应度函数计算其适应度。

(3)当进化结束后，拥有最佳适应度的分类结果即为最后的结果。如果网络分类结果与已知结果的误差在可以允许的范围内，说明此时网络已经达到预测所要求精度。

之后，将预测数据输入到网络中，便可得出预测结果。由于自组织竞争神经网络具有很高的精度，并且综合考虑了各个预测指标与突出危险结果之间的相互关系，因此预测结果很准确，要优于其他常规预测方法。此外自组织竞争网络收敛性较好，因此在实用性方面要优于BP网络。

表1 煤与瓦斯突出预测模型的训练与测试

4 实例分析

本文采用的数据来源于沙曲矿24207工作面2011年的瓦斯监控资料。沙曲矿位于山西省西部河东煤田中段的离柳矿区，隶属华晋焦煤有限责任公司，设计生产能力3.0Mt／a。目前该矿主要开采4＃煤层，该煤层被鉴定为突出煤层，24207工作面就布置在该突出煤层中。

按照该工作面作业规程规定，每推进2m进行一次采样测定，即每2m作为一个预测单元。从监控数据中选取具有代表性的突出和不突出各15组数据作为训练数据，选取5组作为预测数据，并将这35个预测单元标上序号，方便识别。将训练数据输入到自组织竞争神经网络中，对该预测模型进行训练。同时还可以查看该模型训练的准确率。煤与瓦斯突出预测模型的训练与测试见表1。当输出结果为1时，代表无突出危险；输出结果为2时，代表有突出危险。由表1可见，经PSO优化的自组织竞争网络对训练样本分类结果的准确率高达100%，说明了PSO是可以用来优化自组织竞争网络的，同时也说明运用该模型进行煤与瓦斯突出预测结果准确率是很高的。

将测试数据输入到已经训练好的神经网络中。结果显示，这些数据分成有突出危险和无突出危险两类。测试数据及分类的结果见表1中31＃～35＃数据。

根据自组织竞争神经网络分类的结果，34＃、35＃测试地点为第二类，代表有突出危险；其他测试地点为第一类，代表无突出危险。与常规预测方法的结果相比，减少了一个突出地点，并且与实际情况相同。分析以上数据可知，运用PSO优化的自组织神经网络和最大钻屑量、煤屑解析指标、钻孔瓦斯涌出初速度和煤的坚固性系数4个重要指标建立煤与瓦斯突出预测模型，其预测结果是准确的。因此，根据该预测结果采取防突措施来消除突出危险，可以降低防突成本，提高防突效果，使矿井的防突工作更有针对性，从而提高煤矿的经济效益。

4 结论

由于煤与瓦斯突出机理的复杂性以及各个矿井的地质构造、瓦斯赋存和开采方式等情况的不同，各个因素与是否发生煤与瓦斯突出呈现一种复杂的非线性关系。因此采用固定的临界值或者单一指标的传统方法来预测煤与瓦斯突出是不合理的。而本文所采用经PSO算法优化的自组织竞争神经网络模型，通过对多种指标的综合分析和计算，对煤与瓦斯突出进行预测，克服了以往传统预测方法的不足，避开了寻找指标临界值的阶段，使预测的结果更加准确；同时解决了分类结果不稳定的缺陷。根据预测结果说明，用该模型预测煤与瓦斯突出是可行的。这种预测模型为煤与瓦斯突出的理论研究提供了一种新思路，同时也为矿井实际生产中治理煤与瓦斯突出提供了可以借鉴的方法。

[1]魏风清，史广山等.基于瓦斯膨胀能的煤与瓦斯突出预测指标研究[J].煤炭学报，2010(8)

[2]胡胜利，钱旭.基于遗传算法和人工神经网络的煤层厚度预测[J].中国煤炭，2008(11)

[3]王显政.煤矿安全新技术[M].北京:煤炭工业出版社，2010

[4]陆美宁，杨汶泉.基于Bayes判别分析法的煤与瓦斯突出研究[J].煤炭技术，2011(5)

[5]葛哲学，孙志强.神经网络理论与MATLAB R2007实现[M].北京:电子工业出版社，2008

[6]曾建潮.粒子群算法[M].北京:科学出版社，2004