基于PCA-BP的煤层底板突水预测研究与防治

王如猛，王少强

(1.山东科技大学 矿业与安全学院,山东 青岛 266590；2.山东科技大学 矿山灾害预防控制教育部重点实验室，山东 青岛 266590)

基于PCA-BP的煤层底板突水预测研究与防治

王如猛1,2，王少强1,2

(1.山东科技大学 矿业与安全学院,山东 青岛 266590；2.山东科技大学 矿山灾害预防控制教育部重点实验室，山东 青岛 266590)

为了提高煤层底板透水预测的效率和准确性，将主成分分析(PCA)与神经网络(BP)相结合，对煤层底板透水进行预测。根据搜集到的煤层底板透水的影响因素及其相关数据。通过收集不同矿井透水资料，综合考虑多种影响煤层底板透水的因素，利用主成分分析(PCA)法提取影响因素的主成分，建立PCA-BP煤层底板透水预测模型。选取典型的矿井透水样本进行工程实践验证，结果表明本预测模型符合实际情况。

PCA-BP；底板突水；主成分分析；神经网络；影响因素；工程实践

0 引言

煤层底板突水是一种受控于多因素影响且具有非常复杂形成机理的非线性动力现象，面对量多、复杂、可变的煤层底板突水主控指标体系。随着煤矿开采强度和深度的不断增加，含水层水压急剧增加，深度资源开采所面临的底板突水问题也日益严重，为了弄清底板突水机理和有效地预防底板突水问题，底板突水的预测将是今后的重点，国内外专家和学者进行了大量的研究，其中代表性的预防方法有突水系数法、“下三带”理论、原位张裂与零位破坏理论、板模型理论和关键层理论等，虽然这些方法在现场的应用中取得了一定的效果，但是由于矿井地质条件的复杂多变性，传统的单一因素预测方法具有很大的局限性。为此，一些学者提出了应用多因素共同作用来预测煤层底板突水的方法，如朱宗奎应用GIS多源信息融合技术构建的煤层底板突水危险性评价的无纲量信息融合模型，张文泉应用灰色关联度分析理论来预测底板破坏深度，董东林应用BN和GIS相结合的方法建立起煤层底板突水危险性评价模型等，但是上述方法还是存在一定的局限性。应用遗传算法优化PCA主成分分析和BP神经网络相结合的方法，提出PCA-BP煤层底板突水预测模型，这种方法可以减少输出变量的相关性，解决了传统的BP神经网络易陷入局部最优解的问题，优化了阈值和权值，可以提高预测煤层底板突水的准确性。

1 理论基础与方法简介

1.1 PCA主成分分析

PCA主成分分析(Principal Component Analysis)通常是在研究涉及较多变量且变量之间的相关性问题时，去除其中含有重叠信息的变量，将较多的原始变量转化为较少的几个综合指标，使复杂问题简单化，抓住研究问题的主要矛盾，从而提高研究分析问题的效率。其中N为样本数量，P为指标变量维数。

PCA主成分分析的计算步骤：

(2) 对标准化矩阵Xij求相关系数矩阵R=rijxp=XTX/(n-1)。

(3) 求相关系数矩阵R的特征值λj和特征向量αj。

1.2 BP神经网络理论原理

BP神经网络(Back Propagation)是一种多层前馈网络，一般由输入层、中间层和输出层三层神经元组成，在信息的传递阶段中，既有信息的正向传递又有误差的反向传递。在信号的正向传递阶段中，输入层接收输入信息，传递给中间层各神经元，逐层处理后传递给输出层，当实际输出与期望有偏差时，进出误差的反向传递阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向中间层、输入层逐层反传，一直进行到网络输出的误差减少到可以接受的程度。

1.3 PCA-BP神经网络原理及其步骤

(1) 对原始的数据构建样矩阵，进行样本数据主成分分析，并对其进行标准化处理。求出样本数据的相关系数矩阵，计算出其特征值和特征向量，选出贡献率大于85%的前几位特征值对应的特征向量，并计算出其主成分的分值。

(2) 通过网络训练，构建模型。用上面的主成分分值作为学习样本，输入BP神经网络进行训练。

(3) 按照前两步方法，收集煤层底板突水样本参数数据，并对其进行主成分分析，将其得分输入到已经建立好的网络模型中，按照已有的学习经验对样本进行辨识。

2 煤层底板突水影响因素分析

2.1 影响因素的确定

煤层底板突水受到多方面的影响，为了提高模型预测突水的准确性，使其具有全面性和可靠性，从地质构造、水文地质条件、含水层和隔水层特征等方面来选取数据参数，其中地质构造在煤层底板突水中占主要的控制因素，工程采动和断裂构造不仅破坏了底板的完整性，而且破坏了岩石的强度，降低了底板岩体抗外界影响的强度，削弱了隔水层抗变形能力，断裂带附近和交叉处附近一般都是底板突水多发的地带，并且断裂的构造活动影响着突水的强度和次数。 矿山压力是底板突水的触发与诱导因素，在其中起到桥梁连接的作用。水文地质条件通过底板含水层的富水性和水压大小来体现，水量和水压是底板突水的力学条件，决定着底板突水规模的大小，底板含水层的富水性和水压是底板突水的物质基础和前提条件，决定突水量的大小和速度。而底板隔水层对底板突水起抑制作用，隔水层的厚度决定着底板隔水能力的大小。在特定的水文地质条件下，开采矿压和地质构造对底板突水起关键的作用。

从实际情况统计来看，底板突水的成因主要有4个方面[3-6]：

(1) 高水压是引发突水的重要条件。位于煤层底板的含水层，采掘工作面一般不能直接揭露，中间一般有不透水或弱透水岩层。当水压很大时，对裂隙产生楔劈作用，逐渐形成强渗通道，裂隙全部充水，形成突水。

(2) 构造面及其物理状态对透水起决定作用。构造面(断层、裂隙、褶皱面等)是煤层底板的主要通道，即“透水必有隙，有隙不一定透水”。

(3) 工程采动对地板造成了破坏。

(4) 隔水层底板岩层厚度对透水也产生制约作用，隔水底板由于向下的自身重力作用和阻抗能力，对承压水起压盖作用，隔水层越厚，阻力越大，反之越小。

2.2 突水原始数据的收集

通过查阅底板突水危险性的有关资料，基于施龙青的基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价和李建林的脆弱性指数法在煤层底板突水预测中的应用与建议文献提供的资料，收集到的底板突水的相关原始数据[1-2]，得到各影响因素的原始数据见表1。

表1 影响煤层底板透水的各种因素原始数据

2.3 突水原始数据的标准化处理

因为原始数据纲量和数量级各不相同，数值过大和过小都会对预测的结果产生较大的影响，因此首先要对数据进行标准化处理，应用SPSS 24对原始数据进行标准化处理结果见表2。

表2 影响煤层底板透水的各种因素数据标准化处理结果

2.4 突水影响因素的主成分分析

利用SPSS 24软件对标准处理后的数据进行处理，求出特征向量、方差贡献率以及累积贡献率，并对其提取主成分PCA分析，对数据进行降维处理，提取了4个主成分评价因素，结果见表3。第一主成分的特征值为2.986，占其方差贡献率的42.652%，其主要作用，所提取主成分的累积贡献率为87.466%，原来的7个影响因素指标简化为现在的4个影响因素指标。

表3 主成分分析结果

2.5 主成分因子分析荷载矩阵

根据主成分分析的原理，利用SPSS24求出主成分因子分析荷载矩阵见表4。根据表4给出的PCA矩阵模型，写出出评价指标釆高Y1、含水层水压Y2、隔水层厚度Y3、底板采动破坏深度Y4与原始变量指标：釆高X1、含水层水压X2、隔水层等效厚度X3、底板采动破坏深度X4、断层规模指数X5、煤层倾角X6、断层距离工作面距离X7之间的线性关系为： Y1=0.569X1+0.662X2+0.747X3+0.835X4+0.871X5-0.406X6+0.213X7Y2=-0.391X1+0.469X2+0.255X3-0.076X4+0.254X5+0.779X6-0.563X7

Y3=-0.601X1-0.158X2+0.331X3+0.287X4-0.103X5+0.222X6+0.658X7

Y4=0.023X1+0.494X2-0.211X3-0.318X4+0.010X5+0.124X6+0.477X7

表4 主成分因子分析载荷矩阵结果

3 基于PCA-BP的神经网络预测模型

根据收集的相关资料得到表5，表5中样本编号21～25作为检验样本，运用本方法进行工程实际验证，检验样本结果见表5。

4 结论

(1) 为了提高底板突水的精确性，运用主成分分析降维的方法，对影响底板突水的影响因素变量进行了分析，得出釆高、含水层水压、隔水层厚度、底板采动破坏深度四个相关性较高的变量。

(2) 工程实践结果说明，建立的PCA-BP的神经网络预测模型的预测结果和实际情况相符合。

[1] 施龙青,谭希鹏,王娟，等. 基于PCA_Fuzzy_PSO_SVC的底板突水危险性评价[J]. 煤炭学报,2015,40(01):167-171.

[2] 李建林,张洪云,王心义，等. 脆弱性指数法在煤层底板突水预测中的应用与建议[J]. 煤炭学报,2014,39(04):725-730.

[3] 许延春,李见波. 注浆加固工作面底板突水“孔隙-裂隙升降型”力学模型[J]. 中国矿业大学学报,2014,43(01):49-55.

[4] 武强,李博,刘守强，等. 基于分区变权模型的煤层底板突水脆弱性评价—以开滦蔚州典型矿区为例[J]. 煤炭学报,2013,38(09)：1516-1521.

[5] 武强,张波,赵文德，等. 煤层底板突水评价的新型实用方法Ⅴ:基于GIS的ANN型、证据权型、Logistic回归型脆弱性指数法的比较[J]. 煤炭学报,2013,38(01):21-26.

[6] 韩进,施龙青,翟培合，等. 多属性决策及D-S证据理论在底板突水决策中的应用[J]. 岩石力学与工程学报,2009,28(S2)：3727-3732.

ResearchandPreventionandControlofCoalSeamFloorWater-irruptionPredictionBasedonPCAandBP

WANG Ru-Meng1,2，WANG Shao-Qiang1,2

(1.SchoolofMiningandSaftyEngineering，ShandongUniversityofScienceandTechnology，Qingdao, 266590，China；2.KeyLaboratoryofMineHazardPreventionandControl,MinistryofEducation,ShandongUniversityofScienceandTechnology，Qingdao, 266590，China)

In order to improve the efficiency and accuracy of the water permeation prediction of coal seam floor, the principal component analysis (PCA) is combined with the neural network (BP) to predict the permeability of coal seam floor. According to the collected influence factors and related data of the coal seam floor. By collecting different data of mine permeability, considering various factors that affect coal floor waterirruption, using principal component analysis (PCA) method to extract the main component of influencing factors, PCA - BP coal floor water prediction model is established. The results show that the prediction model conforms to the actual situation.

PCA-BP; floor water irruption; principal component analysis; neural networks; influencing factors; engineering practice

2017-05-18

王如猛(1990-)，男，山东滨州人，山东科技大学在读硕士研究生，研究方向：矿山灾害与防治。E-mail:1547197072@qq.com

TD745

A

1672-7169(2017)04-0029-05