煤矿冲击地压预测的PCA－GRNN神经网络方法∗

高 峰陈连城王连国（.山西大同大学煤炭工程学院,山西省大同市,037003; .中国矿业大学深部岩土力学与地下工程国家重点实验室,江苏省徐州市,008）



煤矿冲击地压预测的PCA－GRNN
神经网络方法∗

高 峰1陈连城1王连国2
（1.山西大同大学煤炭工程学院,山西省大同市,037003; 2.中国矿业大学深部岩土力学与地下工程国家重点实验室,江苏省徐州市,221008）

摘要为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA－BP、PCA－GRNN 4种神经网络模型。预测结果表明所建PCA －GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。

关键词冲击地压 主成分分析法 广义回归神经网络 电磁辐射预警技术 预测

中图分类号TD324

文献标识码A

目前对冲击地压的认识、监测和防治方法虽复杂多样,但由于地质工程条件的复杂性,冲击地压尚难以完全掌控。冲击地压的科学预测是防治冲击地压的前提,如能根据冲击地压发生机理建立明确的数学模型,将有效解决冲击地压预警问题,但目前尚不能得到具有普遍意义的冲击地压发生准则。国内外学者应用BP－ANN、模糊模式识别、灰色理论及混沌理论等方法预测冲击地压取得了一定成果,但均有不足之处;又相继提出了突变级数法、基于隶属度分析的微震判定法及混沌优化神经网络法,以提高预测效率和准确性。广义回归神经网络GRNN在逼近能力和学习速度上较RBF网络有更强的优势,网络最后收敛于样本量积聚较多的优化回归面,且样本数据较少时,预测效果也较好。混沌免疫粒子群优化算法与GRNN相耦合,对回采工作面绝对瓦斯涌出量进行了成功预测;主成分分析法PCA可有效降低数据关联度。因此,本文将PCA与GRNN相结合对冲击地压进行预测。

1　PCA法

1901年,Kart Pearson（英）引入PCA法（Principal Component Analysis）对非随机变量求拟合直线或超平面,之后,Hotelling将其推广至随机变量。PCA法就是一种把原来多个指标简化为少数几个相互独立作用的综合指标的一种统计方法,本质上属于数据降维技术;其步骤是研究变量的相关系数矩阵内部结构,通过原变量的线性组合,产生相互正交、没有冗余信息的主成分。

2　GRNN神经网络

1990年,Donald F.Specht（美）提出GRNN （Generalized Regression Neural Network）,由径向基隐含层和线性输出层构成,具有很强非线性映射能力和柔性网络结构及高度的容错性和鲁棒性,适于解决非线性问题,在能源、金融分析、控制决策系统等领域应用广泛。其本质是基于非线性的回归分析,通过计算变量间的相互关联程度,最终得出具有最大概率的期望输出,其数学表达式为:

式中:f（x0,y）——样本输入x0与输出y的联合密度函数;

GRNN可准确捕捉研究对象的主要影响因素,适用于冲击地压危险性预测问题研究。

3　冲击地压预测的PCA－GRNN法

忻州窑矿位于大同煤田东北部,井田东西长5.7 km,南北宽6.1 km,面积约17 km2。井田范围内地形复杂,黄土梁及V型沟谷发育,地表高程落差高达204 m。井田总体为一向斜构造形态,已揭露上百条断层,落差10 m以上正断层8条。

冲击地压影响因素彼此之间存在着相关性,众多观测数据所反映的信息必然有所重叠。显然,若能找到几个综合因子来代表原众多变量,既可减少数据处理工作量,准确反映原变量的信息,又能使之彼此不相关,提高工作效率,以保证研究准确性。因此,可充分发挥PCA在有效降低数据维数和GRNN准确预测功能上的各自优势,采用PCA －GRNN法对冲击地压危险性进行有效预测。

3.1冲击地压影响因素PCA分析

引发冲击地压的主要原因有工程地质因素、开采技术条件和组织管理等方面。根据多年实践经验和冲击地压机理的研究,选取了影响冲击地压的因素:煤层厚度X1、煤层倾角X2、埋深X3、地质构造情况X4、煤层厚度变化程度X5、煤层倾角变化程度X6、顶板管理X7、卸压情况X8、响煤炮声X9等。冲击强度S分为4类,1为微冲击、2为弱冲击、3为中等冲击和4为强冲击等四类。选取忻州窑矿12个工作面（巷道）典型样本数据,见表1。

表1　典型冲击地压样本

将样本表中定性描述进行定量化处理:

X4:1为简单,2为一般,3为较复杂,4为复杂;

X5、X6:1为无变化,2为变化较小,3为变化较大,4为变化大;

X7、X8:1为支护或卸压差,2为一般,3为较好,4为好;

X9:1为无响煤炮声,2为少,3为多。

冲击地压影响因素指标量化后,利用Matlab 7.2corrcoef（X）函数计算其相关性系数矩阵,部分指标相关性高达0.80～0.90,显然会影响神经网络学习速度和预测精度。故此,采用princomp （X）函数对标准化后的样本数据进行PCA分析,主成分空间中方差分析结果见表2。

表2　方差分析结果

由表2可知,前3个成分载荷Z1～Z3的累积方差贡献率达到90.9%,符合主成分方差应占总方差75%～85%的基本要求;为保证计算准确性取前4个成分Z1～Z4,占总方差的比率为95.3%,可认为基本包含原有数据的完整信息。

由PCA后计算所得主成分因子载荷矩阵,可以写出前4个主成分Z1～Z4的因子表达式:

由式（2）～式（5）对标准化后的冲击地压数据进行PCA计算,在保证计算准确性的基础上,压缩原始数据得到主成分分析后的冲击地压样本表3,以作为神经网络模型的计算数据。

表3　主成分分析后冲击地压样本

3.2神经网络模型设计

应用MATLAB语言编写BPNN、GRNN、PCA－BPNN、PCA－GRNN程序,将表3前8组和后4组数据分别作为训练样本、检验样本,进行学习和训练,以验证上述冲击地压预测模型的智能性和泛化能力。BPNN模型拓扑结构为5－15－1,即采用3层结构（输入层、输出层和1个隐含层）,输入层节点数为5,输出层节点数为1,隐含层节点数15;设置训练函数traingdx,阈值和权值的学习函数learngdm,性能函数mse;训练次数1000 次,训练误差目标0.005;调用newff（P,T）函数建立网络模型。GRNN网络中的spread即光滑因子对网络的预测性能有较大影响,调用newgrnn （P-trian,T-trian）函数建立广义回归神经网络模型,经多次试算当spread取0.2时,网络有较好拟合精度。经过反复训练后,各网络的性能均达到预期要求,神经网络训练误差曲线如图1所示。

由图1可知,BPNN、GRNN、PCA－BPNN、PCA－GRNN网络模型的平均绝对误差分别为7.1%、5.6%、4.5%、3.4%。同时,PCAGRNN模型的训练最大绝对误差仅为5.1%,并且上下波动、变化较为平稳,有效避免了陷入局部最优解;而BPNN、GRNN模型的绝对误差明显高于其他两网络模型,且上下波动强烈;PCA－BPNN模型绝对误差虽波动幅度不大,但其均值高于PCA－GRNN模型。故PCA－GRNN模型预测能力更强。

图1　神经网络模型训练误差曲线

应用检验样本进行网络预测准确性测试,4种神经网络模型预测结果对比如图2所示,PCAGRNN模型的预测能力整体上明显高于BPNN、GRNN、PCA－BPNN模型。

图2　4种神经网络模型预测结果对比

综合分析图1和图2可知,BPNN平均训练误差为7.2%,平均预测误差为7.6%,预测精度较差;而GRNN模型避免了隐含层神经元的数量需人为确定的难题,具有收敛速度快、调整参数少和不易陷入局部极小值等优点,预测相对误差为5.8%,平均预测误差为6.4%,预测精度仍有待提高;PCA－BPNN模型训练时间较合理,算法稳定,泛化能力强,平均训练误差为4.2%,平均预测误差为4.3%,精度高,预测效果较好;PCA－GRNN模型平均训练误差为3.5%,平均预测误差为3.6%,在逼近能力、学习速度上较其他3种网络有更强优势,样本数据少、存在不稳定数据时,可使网络更快收敛于样本积聚较多的优化回归面,适用于冲击地压预测。

4　应用实例

西二盘区11＃煤层8929工作面位于井田北部,走向长365 m,倾斜长75 m,开采深度320 m,煤厚8～12 m,倾角6°～13°。基本顶为厚50～60 m的灰白色中砂岩,底板为2.5～3.0 m灰色中、细砂岩。地质构造复杂,区内有F1断层斜穿过该区域,断层落差2.0～3.5 m。据地质和生产部门的统计资料,煤层厚度和煤层倾角相对变化较大,巷道顶板管理整体水平一般,响煤炮声较为频繁;同时,由于采用多种防冲措施,卸压效果较好。现对该工作面进行冲击地压危险性PCA－GRNN预测,首先将井下实地调研所得冲击地压预测样本数据标准化处理,其结果为（0.8667,0.9455,0.4512, 1.0000,0.5000, 0.5000, 0.3333, 0.6667, 1.0000）;然后再进行PCA分析以获得包含数据主要信息的主成分,其结果为（－0.2782, －0.4795,－1.5331,0.1434）;再将上述主成分计算结果输入已经建立的PCA－GRNN模型;最后调用sim（net,p）函数完成网络仿真。该次冲击地压PCA－GRNN预测结果为2.998,与中等冲击强度量值的偏差为2‰（小于目标偏差值5‰）,故此判断为中等冲击强度类型。

煤岩体破裂伴随电磁辐射现象,基于煤体应力监测技术的电磁辐射法,在准确识别井下电磁辐射序列含有的灾害前兆信息基础上,可对工作面范围的冲击地压危险辨识,能有效指导冲击地压预测。电磁辐射强度反映煤岩体受载、变形破裂的强度,脉冲数则反映煤岩体变形和微破裂的频次;两参数综合反映煤岩体前方应力的集中程度,可作为冲击地压预测的指标。采用KBD5矿用电磁辐射监测仪,实时监测8929工作面的5929巷道有冲击危险的重点区域,在工作面超前支护的后方布设测点, 7月10日该巷电磁辐射监测数据,如图3所示。

一般情况下,电磁辐射临界值可取1.5倍的多个实际发生冲击地压时当班电磁辐射数据平均值。由图3可知,电磁辐射强度为96 m V,脉冲数为850 Hz,已超过该矿统计所得的电磁辐射临界值,故而根据经验判断发生中等强度的冲击地压现象可能性很大,应进一步加强该工作面冲击地压的监测工作。

图3　电磁辐射监测数据

井下监测结果表明,7月12日在超前支护30 m范围内发生冲击地压,两侧炸帮较严重,深度约为2～3 m,巷道断面缩小,抛出煤约50 t,巷高最低处仅有1.2 m,最窄处约1.5 m;20余架工字钢架棚受冲击变形,木背板大部分折断,推倒20多根单体液压柱,3根扭曲变形,影响了矿井安全生产。可见,实际情况与PCA－GRNN预测结果吻合,从而验证了该模型的有效性。

5　结论

PCA法对众多定性、定量冲击地压指标数据进行有效降维,在不丢失原有数据总方差比率95.3%完整信息的基础上,找出了4个关键主成分因子表达式以取代众多指标,减少了次要因素的过度干扰;构建的PCA－GRNN网络模型大幅度提高冲击地压危险性预测准确度,是一种冲击地压危险性预测新方法。由试验巷道电磁辐射法监测数据,对比电磁辐射临界值判断为中等冲击强度;将PCA－GRNN模型应用于该巷道冲击地压预测工程实践,预测结果也为中等冲击强度,与井下调查到的现场冲击地压情况相符。故PCA－GRNN神经网络方法可实现冲击地压有效预测,具有实际运用价值。

参考文献:

［1］齐庆新,窦林名.冲击地压理论和技术［M］.徐州:中国矿业大学出版社,2010

［2］姜耀东,赵毅鑫.我国煤炭冲击地压的研究现状:机制、预警与控制［J］.岩石力学与工程学报, 2015（11）

［3］钱七虎.岩爆、冲击地压的定义、机制、分类及其定量预测模型［J］.岩土力学,2014（1）

［4］金佩剑,王恩元,刘晓斐等.冲击地压危险性综合评价的突变级数法研究［J］.采矿与安全工程学报,2013（2）

［5］孙晓元,解北京,薛洪来等.基于隶属度分析的回采面冲击地压微震能量阈值判定［J］.中国煤炭, 2016（1）

［6］尹光志,谭钦文,魏作安.基于混沌优化神经网络的冲击地压预测模型［J］.煤炭学报,2008（8）

［7］王雨虹,付华,侯福营等.基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型［J］.计算机应用,2014（11）

［8］钱鸣高,宋振骐,钟亚平等.冲击地压理论与技术［M］.徐州:中国矿业大学出版社,2007

［9］冯海明,金龙哲,张春芝.基于神经网络的煤炭自然预测及在MATLAB上的实现［J］.中国煤炭, 2008（5）

［10］何学秋,聂百胜,王恩元等.矿井煤岩动力灾害电磁辐射预警技术［J］.煤炭学报,2007（1）

［11］姜福兴,曲效成,于正兴等.冲击地压实时监测预警技术及发展趋势［J］.煤炭科学技术,2011（2）

（责任编辑张毅玲）

Neural network method of PCA and GRNN for rock burst prediction in coal mine

Gao Feng1,Chen Liancheng1,Wang Lianguo2
（1.School of Coal Engineering,Shanxi Datong University,Datong,Shanxi 037003,China; 2.State Key Laboratory for Geomechanics and Deep Underground Engineering, China University of Mining and Technology,Xuzhou,Jiangsu 221008,China）

AbstractIn order to more reasonably and effectively solve the risk prediction problem of rock burst in coal mine,the PCA（Principal Component Analysis）was introduced to compress the information from input samples of the GRNN（Generalized Regression Neural Network）,and find the principal component of rock burst risk influencing factors,four neural network models were built,which included BPNN,GRNN,PCA-BP and PCA-GRNN.The prediction results indicated that the PCA-GRNN model showed more excellent network performances and higher prediction accuracy and generalization ability than the other three models,which was able to analyze preferably the relationship between the rock burst and each influencing factor.

Key wordsrock burst,PCA,GRNN,early warning technology for electromagnetic radiation,prediction

作者简介:高峰（1977－）,男,山东泰安人,副教授,博士,主要从事岩土工程方面的教学和研究工作。

基金项目:∗国家自然科学基金项目（50874103）,山西省软科学研究计划项目（2014041068－4）