孟絮屹
(贵州省煤田地质局)
灰色理论在煤与瓦斯突出预测中的应用研究
孟絮屹
(贵州省煤田地质局)
利用灰色理论分析了煤与瓦斯突出的各影响因素,得出煤与瓦斯突出的主控影响因素,输入人工神经网络预测系统,建立灰色理论-神经网络相结合的煤与瓦斯突出预测模型。经过在贵州某煤矿突出预测中应用,结果表明,该模型对煤矿煤与瓦斯突出预测是可行的。
煤与瓦斯突出 突出预测 灰色关联度 神经网络
目前煤与瓦斯突出预测方法多采用指标加临界值的方法,主要是对已有数据运用判断和回归分析等技术进行的大量统计分析,考虑多是个别突出预测指标或是几个预测指标组合对突出事件的影响。事实上这种预测结果并不一定准确,没有到达临界值而发生突出事故时有发生,而有些超过临界值却不发生突出的现象[1]。因此,煤与瓦斯突出内在机理极为复杂,突出事件与突出因素之间存在着的非线性、模糊不确定性关系[2],使现行的预测技术受到了很大限制。
灰色系统理论[3]是邓聚龙教授在20世纪80年代提出的,该理论主要用来处理关系非线性、模糊不确定性系统的数学方法。其中作为灰色理论重要组成部分的灰色关联分析法,主要通过计算关联系数和关联度,对评估指标体系中的基本因素指标进行定量评价,来确定各种影响因素的重要度,从而制定出最优方案。
人工神经网络是以工程技术手段模拟人脑神经网络的结构和功能的一种技术系统,在处理这种多变量输入与多变量输出之间的非线性、模糊不确定性关系问题时,具有独特的优势。煤与瓦斯突出事件与影响因素之间就是一种非线性、模糊不确定的关系,利用灰色关联分析法分析得出煤与瓦斯突出主控影响因素指标作为人工神经网络的输入,简化了预测系统,加快了预测速度,又排除了非主控因素对结果事件的干扰,提高了预测的准确性。
鉴于指标加临界值预测方法存在的问题,尝试提出一种新的预测模型,概括为以下几个方面:①在整理统计贵州某煤矿的历史突出数据的基础上,运用灰色关联分析法对影响煤与瓦斯突出的因素进行分析,分别得出影响关联度排在前4的主控因素指标,从而确定影响突出主控因素指标;②选择利用灰色关联分析法得出的主控因素指标作为人工神经网络系统的输入样本,这里取影响关联度排列前4类因素指标作为一组样本数据;③利用训练好的人工神经网络系统的非线性映射关系来反映突出影响主控因素与突出事件的关系,从而进行工作面煤与瓦斯突出预测;④神经网络输出向量为煤与瓦斯的突出危险性特征,按照突出危险性特征将其分为4种类型:大型突出(突出煤量大于100 t,Ⅳ类型,输出用“4”表示);一般突出(突出煤量小于100 t,Ⅲ类型,输出用“3”表示);突出危险(具有突出危险性,Ⅱ类型,输出用“2”表示);无突出(无突出煤量,Ⅰ类型,输出用“1”表示)。
2.1 灰色关联分析模型
分析煤与瓦斯突出预测主控因素的灰色关联,其中母因素为突出特征(突出强度),子因素为突出预测指标因素。
由母因素序列和子因素序列构成的原始数据矩阵为
(1)
由于各子因素指标数值范围及单位不同,对计算结果会产生一定的影响,所以在计算前先进行无量纲化处理,过程如下:
设第k个因素的指标向量为
(2)
(3)
对x(0)(k)作均值化处理后得,
(4)
计算母因素与各观测点因素之间的绝对差值,过程如下:
(5)
i=1,2,3,…,n,t=1,2,3,…,m.
求各子因素与母因素之间的关联度系数:
(6)
i=1,2,3,…,n,t=1,2,3,…,m.
(7)
式中,Δi(t)为母因素与各观测点因素之间的绝对差值;ρ为分辨系数,其作用在于提高关联系数之间的差异显著性,ρ介于(0,1),一般情况下取0.1~0.5,通常取0.5。
2.2 计算关联度
计算关联度:
(8)
将分析得出的关联度按由大到小的顺序排列构成关联序,反映出各子因素对母因素的影响力依次减弱,从而筛选出主要指标。以贵州某煤矿为例,将其历史突出统计数据代入灰色关联分析模型,计算得出各因素指标关联度大小排列顺序,见表1。
表1 灰色关联分析法分析突出影响因素权重及排序
注:Kp=xMr,Kp为煤体破碎性综合系数;x为煤层破坏类型代码,与Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ类煤对应的数值代码为1、2、3、4、5;Mr为煤层中软分层厚度,m。
3.1 神经网络模型输入指标的确定[4-5]
为提高预测精度和预测速度,选择对煤与瓦斯突出起决定控制作用的因素,这里选择前4个因素作为人工神经网络预测模型的输入因素,即瓦斯含量、瓦斯压力、瓦斯放散初速度和煤体破碎性综合指标。
3.2 预测模型结构的设计及训练样本的选取
网络的输入层节点数取4,即输入因素的个数;隐含层节点个数取为9,即为(2n+1)个神经元;输出层神经元定为1个。
为了进一步说明预测方案的可行性及神经网络预测模型的预测精度,另外选取11组数据作为网络训练后的检测样本。
3.3 预测模型训练及预测
在MATLAB中对训练样本进行训练,训练次数为10000次,训练目标为0.001,学习速率为0.1。神经网络煤与瓦斯突出预测系统预测突出的误差控制在0.001。经过对训练样本的训练学习和近10000次的迭代计算,误差率为0.01%,完全满足精度要求。预测结果与实际情况见表2。
表2 神经网络测试样本
通过表2可以看出,预测总体正确率达90.9%,未发生突出类型的预测准确率为100%,发生突出类型的预测也只是突出危险类型的偏差,主要原因是突出影响因素复杂,且训练样本有限,所以得出的神经网络模型具有一定的局限性。若将该模型再补充更多的学习样本充实训练学习样本库,重新对神经网络进行训练学习,将可得出更加满意的结果。
通过灰色关联分析法,得出煤与瓦斯突出主控因素指标作为人工神经网络的输入,既简化了预测系统,加快预测速度,又排除非主控因素对计算结果的干扰,提高了预测准确性。所以,利用灰色理论-神经网络突出预测模型进行突出危险性预测是可行的。
[1] 郭勇义,何学秋,林柏泉.煤矿重大灾害防治战略研究与进展[M].徐州:中国矿业大学出版社,2003.
[2] 张豫生.基于地质构造的煤与瓦斯突出预测研究[D].阜新:辽宁工程技术大学,2006.
[3] 易德生,郭 萍.灰色理论与方法[M].北京:石油工业出版社,1992.
[4] 支晓伟,林柏泉,齐黎明.人工神经网络在煤与瓦斯突出预测中的应用[J]. 工业安全与环保 , 2005,31(4):42-44,45.
[5] 刘志云.基于神经网络的煤与瓦斯突出矿井等级划分方法研究[D].西安:西安科技大学, 2003.
Application of Grey Theory in the Prediction of Coal and Gas Outburst
Meng Xuyi
(Guizhou Province Bureau of Coal Geology)
The influence factors of coal and gas outburst are analyzed based on grey theory,the main influence factors are obtained. The factors are input into the artificial neural network forecasting system so as to establish the coal and gas outburst prediction model based on grey theory and neural network. The application results of the coal mine in Guizhou province show that, the prediction model constructed in this paper is suitable to predict the coal and gas outburst.
Coal and gas outburst, Prediction of coal and gas, Grey Relational degree, Neural network
2015-02-16)
孟絮屹(1982—),男,工程师,硕士,550008 贵州省贵阳市金阳区阳关大道112号。