安全科学技术

基于PCA-BP 神经网络的煤与瓦斯突出预测研究

朱志洁，张宏伟，韩军，等

摘要：目的：随着煤矿采掘强度和深度的加大，煤与瓦斯突出日益严重。煤与瓦斯突出受多种因素共同影响，各因素之间具有一定的相关性和非线性，相关学者提出了遗传算法—神经网络、灰色理论—神经网络、模糊神经网络等多种预测方法，这些预测方法中都存在较多相互关联的指标，降低了预测的准确性与效率。主成分分析（PCA，principal component analysis）使研究问题得到简化，避免信息的大量重叠。将PCA 方法与反向传播（BP，back propagation）神经网络相结合，消除BP 网络输入间的相关性，简化网络结构，提高学习速率，可更准确地对煤与瓦斯突出进行预测。方法：应用地质动力区划方法和趋势面方法，结合地表考查、地震分析、航卫片分析等手段，确定了矿区不同级别的活动断裂。采用“岩体应力状态分析系统”，对平顶山八矿戊9～10 煤层进行应力计算。选取距活动断裂的距离、最大主 应力、瓦斯压力、瓦斯含量、顶板岩性（渗透率）、煤厚、采深、绝对瓦斯涌出量和相对瓦斯涌出量做为预测参数。应用Matlab 数学计算软件，对煤与瓦斯突出的影响因素按以下步骤提取主成分。1）原始数据标准化。2）求相关系数矩阵。3）求该矩阵的特征值和相应的特征向量及贡献率，并提取主要成分。由结果可知，前3个主成分的方差占总方差的83.18%，根据主成分的选则标准，原来的9 项指标可由这3 个主成分代替。4）根据主成分因子荷载矩阵，给出因子Y1，Y2和Y3与原始变量之间的关系，根据该矩阵可以写出因子表达式。将主成分1，2，3 作为输入参数；根据煤与瓦斯突出的强度大小将输出参数分为4 类：[1,0,0,0]表示无突出，[0,1,0,0]表示小型突出（50 t 以下），[0,0,1,0]表示中型突出（50～100 t），[0,0,0,1]表示大型突出（100 t 以上）。经过多次训练试验，隐含层包含10 个神经元的效果较好。即模型的拓扑结构为3-10-4。结果：将PCA 计算后的样本前16 组数据作为训练样本，组后3 组数据作为检验样本。采用Matlab 软件创建BP 神经网络，以3 个主成分作为输出向量，以煤与瓦斯突出强度作为目标向量，选用函数tansig 和logsig 作为隐含层和输入层神经元的转移函数，选用函数trainlm 作为训练函数。设置最大训练次数为5000 次，训练误差为0.0001，学习率为0.1，其余训练参数为默认值。经网络计算当计算达到1515 步时，误差达到了计算要求。最后3 组数据作为预测样本检验训练好的网络。预测结果表明，预测的误差很小，与实际情况相吻合。结论：采用PCA 方法对煤与瓦斯突出的影响因素相关数据进行处理，经过处理后，降低了数据的维数，简化了预测模型，提高了预测的效率和准确率。将PCA 与神经网络相结合，建立了不同强度的煤与瓦斯突出PCA-BP 预测模型。用实例进行验证，结果表明，该模型具有较好的预测功能，适用于煤与瓦斯突出预测。

来源出版物：中国安全科学学报, 2013, 24(4): 45-50

入选年份：2017