基于BP 和RBF神经网络的煤与瓦斯突出模型研究

朱政江，张雪英

(1.山西省科学技术情报研究所 研究中心，山西 太原 030001;2.太原理工大学 信息工程学院，山西 太原 030024)

煤与瓦斯突出(Coal and Gas Bursting，CGB)是指煤和瓦斯在极短的时间内突然连续地向巷道空间或工作面大量涌出的过程，它是一种极其复杂的动力灾害现象，其短时间内产生的高速瓦斯流能够严重破坏通风系统，毁坏巷道设备，造成作业人员窒息，引起瓦斯燃烧甚至爆炸，是煤矿生产的重大安全隐患之一［1-3］.随着我国矿井开采深度与强度的不断增加，煤与瓦斯突出等灾害事故也呈现出日益增加的态势［4］，因此对煤与瓦斯突出的预测研究具有十分重大的实际意义和价值.近年来，国内外许多专家学者针对煤与瓦斯突出的预测问题提出了许多新方法，总体看来可以归纳为［5］:基于经验知识的预测方法，基于数学模型的预测方法和基于黑箱理论的预测方法［6］.基于经验知识的预测方法是一种建立在专家知识和经验基础上的预测方法，主观性较强，准确度较低;基于数学模型的预测方法是建立在数学模型的完备性，模型指标选择的合理性等基础上的预测方法，而煤与瓦斯突出受多种因素的综合影响，这必然使得数学模型很难准确反映出它们之间的复杂映射关系，从而影响预测结果的可靠性［7］;基于黑箱理论的预测方法是一种建立在一定输入条件下获取正确结果的基础上的预测方法，它不需要了解输入与输出之间的复杂转换关系，预测结果受主观因素影响较小，具有广泛的应用前景［8］.基于黑箱理论的人工神经网络(Artificial Neural Network，ANN)预测方法，通过其具有的非线性、自主学习、自组织以及并行处理能力，能够很好地映射出较为复杂的转换关系，捕捉到蕴藏在煤与瓦斯突出数据中各影响因素与突出事件之间的有关规律，弥补了传统预测方法的不足［9］.因此本文选用BP 神经网络(Back Propagation Neural Network，BPNN)和RBF 神经网络(Radial Basis Function Neural Network，RBFNN)对煤与瓦斯突出进行了预测研究［10］.

1 预测模型的构建

1.1 预测模型输入、输出样本选择

建立煤与瓦斯突出预测模型，首先需要确定哪些特征或参数可以导致煤与瓦斯突出，这些特征和参数之间具有相当的独立性，按照重要性选取一定的参数，这些参数就是该神经网络的输入层节点数，而输出量就是预测得到的结果［11-12］.

根据山西某矿井提供的基本数据，对煤与瓦斯突出的主要控制因素进行了选择，最终确定了9个参数，分别是:瓦斯放散速度，煤层开采深度，煤层瓦斯压力，地质构造类型，紧固性系数，透气性系数，瓦斯含量，钻孔瓦斯流量衰减系数，煤的破坏类型指标［13-15］.

输出层数的选择为煤与瓦斯突出的危险性系数，根据该煤矿实际突出产生的危害分类，本文将危害指标划分为4 个等级，分别是:非常危险(可能性最大，需要下井实地检测)、较为严重(有危险需要密切监测)、一般危险(有少量突出的可能)、不危险(常规监测)，在网络中分别以四维数据1000，0100，0010，0001 代表，如表1 所示.

经过预处理的数据能大大加快网络的收敛速度，本文通过归一化的方法将其进行预处理，其计算公式为

1.2 BP 神经网络预测模型的建立

BP 神经网络结构的设计需要先确定隐含层数和隐含层节点数.单隐含层感知器可映射连续函数，所以此处选择单隐含层.

根据选取的输入和输出向量，确定网络输入层的节点数是9，输出层的节点数是4.根据经验公式，利用试凑法确定隐含层节点数

式中:m 代表隐含层节点数;n 代表输入层节点数;l 代表输出层节点数;α 为1～10 之间的一个常数.

通过逐渐增加隐含层节点数的方法，得到网络误差达到最小时对应的隐含层的节点数为17.所以，该BP 神经网络模型为(9，17，4)型.其结构如图1 所示.

图1 煤与瓦斯突出BP 神经网络预测模型结构Fig.1 Prediction model structure of coal and gas outburst based on BP neural network

1.3 BP 神经网络预测模型的训练及测试

将训练样本数据对模型进行训练，在训练过程中调整权重以趋于正确值，做到误差最小.其中训练函数与其算法的选择尤为重要，常用的算法有VLBP，SDBP，CGBP，BFGS 以及LM 等.

通过对以上各种算法的比较，使用LM 算法的训练函数“Trainlm”对BP 神经网络模型进行训练.

模型测试就是用实际数据在预测模型中与已知结果进行比对，通过比对结果进行分析，重新设计、调整参数，反复以上过程，最终将误差调整到预期结果为止.

1.4 RBF 神经网络预测模型的建立

为了便于进行比较分析，本文设计的RBF 神经网络预测模型的输入层、输出层与BP 预测模型相同，同时样本数据的收集和处理也和BP 预测模型一致.因此，根据选取的输入和输出向量，确定RBF 神经网络预测模型的网络输入层节点数是9，输出层的节点数是4.

RBF 神经网络只含有一层隐含层，而隐含层神经元个数为自适应，所以该神经网络的设计重点则在于径向基分布常数(Spread)的选择.通过反复试凑的方式，最终选择出了合适的Spread 值.

1.5 RBF 神经网络预测模型的训练及测试

RBF 神经网络预测模型的创建过程也是训练过程.RBF 神经网络预测模型的测试类似于BP 神经网络预测模型，用真实数据在预测模型中与已知结果进行比对，反复调整参数，将误差调整到预期结果为止.

2 煤与瓦斯突出预测模型仿真

在MATLAB R2013a 环境下对建立的BP 和RBF 神经网络煤与瓦斯突出预测模型进行仿真.对模型进行训练时，将训练精度设置为0.000 01.表1 为煤与瓦斯突出预测的部分原始数据.

BP 和RBF 预测模型的训练误差变化曲线分别如图2 和图3 所示.

表1 煤与瓦斯突出预测的部分原始数据Tab.1 Part of the original data of coal and gas outburst prediction

图2 BP 神经网络预测模型训练误差变化曲线Fig.2 Prediction model of BP neural network training error curve

图3 RBF 神经网络预测模型训练误差变化曲线Fig.3 Prediction model of RBF neural network training error curve

3 预测结果分析

建立的BP 和RBF 煤与瓦斯突出危险性预测模型，经过多次训练均达到了网络模型中预先设置的目标精度0.000 01 和期望的输出结果，实现了对煤与瓦斯突出危险情况的正确预测，具有实际应用价值.BP 和RBF 煤与瓦斯突出危险性预测的误差曲线分别如图4 和图5 所示.通过比较分析可知，RBF 神经网络预测模型预测的误差值及误差的波动都比BP 神经网络预测模型预测的要小，可见RBF 神经网络模型在煤与瓦斯突出危险性预测中能更快速、更准确地得到预测结果.

图4 BP 煤与瓦斯突出危险性预测误差曲线Fig.4 The dangerous prediction error curve of BP coal and gas outburst

图5 RBF 煤与瓦斯突出危险性预测误差曲线Fig.5 The dangerous prediction error curve of RBF coal and gas outburst

4 结论

1)本文利用BP 神经网络和RBF 神经网络分别对煤与瓦斯突出的样本数据进行了研究，多次训练预测均有较一致的结果:BP 神经网络预测模型误差训练曲线较平滑;而RBF 神经网络预测模型训练需要的步数更少，收敛速度更快.

2)通过比较分析两种模型预测的误差曲线可知，两种均有误差，但是RBF 神经网络预测模型的预测误差更小，准确性更高.

3)本文中的预测模型用到了山西典型的样本数据，经过网络学习训练，能快速有效地对煤与瓦斯的突出情况进行预测，具有较为广泛的应用前景.

4)RBF 神经网络的实际预测应用比较稳定，但是在训练过程中对于原始数据的处理还有待改进，本课题后期将对RBF 的训练阶段进行改进.

［1］伍爱友，姚建，肖红飞.基于灰色关联分析的煤与瓦斯突出预测指标优选［J］.煤炭科学技术，2005(4):55-58.Wu Aiyou，Yao Jian，Xiao Hongfei.Optimization for prediction index of coal and gas outburst base on gray assoc iated analysis［J］.Coal Science and Technology，2005(4):55-58.(in Chinese)

［2］郑万成，杨胜强，于宝海.煤与瓦斯突出事故预警系统的研究与应用［J］.煤炭技术，2009，28(1):7-9.Zheng Wancheng，Yang Shengqiang，Yu Baohai.Research on the early warning system of coal and gas outburst accident［J］.Coal Technology，2009，28(1):7-9.(in Chinese)

［3］李远红.煤岩物理力学性质对煤与瓦斯突出的影响研究［J］.煤炭技术，2011，30(10):105-107.Li Yuanhong.Effect of physical and mechanical properties on coal and gas outburst［J］.Coal Technology，2011，30(10):105-107.(in Chinese)

［4］马宏锋，党建武，王新.基于BP 和RBF 神经网络的煤与瓦斯突出预测研究［J］.微计算机信息，2010(7):42-43.Ma Hongfeng，Dang Jianwu，Wang Xin.Research on prediction of coal and gas outburst base on BP and radial basis function neural networks［J］.Microcomputer Information，2010(7):42-43.(in Chinese)

［5］田云丽，周利华.基于BP 神经网络的煤与瓦斯突出预测方法的研究［J］.系统工程理论与实践，2005，25(12):102-106.Tian Yunli，Zhou Lihua.The study on the methods for predicting coal or gas outburst based on BP neural network［J］.Systems Engineering-Theory ＆ Practice，2005，25(12):102-106.(in Chinese)

［6］刘勇，江成玉.基于BP 神经网络的煤与瓦斯突出危险性的预测研究［J］.洁净煤技术，2011，17(1):97-100.Liu Yong，Jiang Chengyu.Predetermination of coal and gas outburst based on BP neural network［J］.Clean Coal Technology，2011，17(1):97-100.(in Chinese)

［7］戴宏亮.基于改进的自适应支持向量机建模的煤与瓦斯突出预测［J］.计算机应用研究，2009，26(5):1656-1658.Dai Hongliang.Forecasting coal and gas outburst based on improved adaptive support vectorm achine［J］.Application Research of Computers，2009，26 (5):1656-1658.(in Chinese)

［8］贺振武.基于RBFNN 的煤与瓦斯突出预测研究［D］.太原:太原科技大学，2011.

［9］赵振保，郑登锋.非线性矿井瓦斯涌出量预测及基于.NET的开发应用［J］.中北大学学报(自然科学版)，2008，29(6):67-71.Zhao Zhenbao，Zheng Dengfeng.Nonlinear forecast of mine gas emission and .NET based software development［J］.Ournal of North University of China (Natural Science Edition)，2008，29(6):67-71.(in Chinese)

［10］飞思科技产品研发中心.神经网络理论与MATLAB7实现［M］.北京:电子工业出版社，2005.

［11］李春辉，陈日辉，苏恒瑜.BP 神经网络在煤与瓦斯突出预测中的应用［J］.矿冶，2010，19(3):23-25.Li Chunhui，Chen Rihui，Su Hengyu.Application of BP neural network in prediction of coal and gas outburst［J］.Mining ＆ Metallurgy，2010，19(3):23-25.(in Chinese)

［12］Powell M J D.Radial basis functions for multivariable interpolations:a review［C］.Shrivenham UK:In IMA Conference on Algrorithms for the Approximation of Functions and Data.RMCS，1985:143-167.

［13］Broomhead D S，Lowe D.Multivariable functional interpolation and adaptive networks［J］.Complex Systems，1988，2(2):321-355.

［14］Moody J，Darken C.Learning with localized receptive fields［C］.In Sejnowski T，Touretzky D，Hinton G，editors，Connectionist Models Summer School，Carnegie Mellon University，1988.

［15］Holcomb T R.Local training for radial basis function networks:towards solving the hidden unit problem［C］.California Institute of Technology，Pasadena CA91125 Conference，1991:2231-2235.