基于灰色熵权法与BP神经网络的煤与瓦斯突出预测

李世民

(山西省临汾市蒲县黑龙关镇豹子沟煤业, 山西 临汾 041000)

煤与瓦斯突出是煤矿的主要灾害,煤与瓦斯突出的预测技术对保证煤矿安全生产具有重要的意义。多位学者针对煤与瓦斯突出的预测方法进行了研究,刘晓光等[1]提出运用PCA-聚类分析预测煤与瓦斯突出;龚星宇等[2]开展了独立成分分析在瓦斯浓度预测中的应用研究;马晟翔等[3]将因子分析与BP神经网络结合,提出一种改进BP神经网络预测的方法作为煤与瓦斯突出结果的预测;温廷新等[4]开展了基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究;董晓雷等[5]基于SVM耦合遗传算法,作为回采工作面瓦斯涌出量结果的预测;金洪伟等[6]运用主成分分析法对煤矿瓦斯涌出量进行了预测。以上方法在预测煤与瓦斯突出的结果方面误差偏大,主要是因为影响瓦斯突出的因素复杂多样,各因素之间存在非线性关系。且影响因素有主要因素和次要因素,需要运用数学方法处理这些影响结果权重的问题。熵权法和灰色关联度数学方法的结合能够简化预测指标间的相互联系,获得主要影响因素与突出结果的关联度。为此,提出将灰色熵权法和BP神经网络法相结合,通过对预测指标加权法处理得到影响因素与结果的关联度,将主要影响因素作为BP神经网络输入层参数的个数,简化BP神经网络结构,提高迭代与运算效率。以某矿典型的煤与瓦斯突出为数据样本,运用灰色熵权关联度与BP神经网络法的煤与瓦斯突出预测,验证所提预测方法的可行性和准确性。

1 灰色熵权关联度分析与BP神经网络原理

1.1 灰色关联度

灰色关联分析法是对于一个目标系统进行定量的直观描述和比较各因素之间的关联性,基本理论方法为选出目标序列作为母序列,各影响目标因素作为子序列,运用数学的方法来定量和比较各影响因素对于结果的紧密程度。进行灰色关联度分析时,根据以往的数据处理方法,要进行数据的无量纲化处理,便于得到合理的、科学的结论[7].

1.2 灰色熵权法

考虑整个体系中各指标所占权重并非完全相等的特点,在使用客观的事实数据中,依靠数学理论分析的基础,在灰色关联度数学方法的基础上,再进行熵权计算,得到的权重关联度客观地分析了各属性对于结果的影响,有利于提高分析的计算精度。

(1)

式中:γi为关联度;n为元素的个数;k为目数据序列,取1,2,3…n;ωj为关联系数;ξi为关联函数。

1.3 BP神经网络

BP具有包含多个隐含层的网络特点,具备处理线性不可分问题的能力。应用最广的是多层前馈网络及误差反向传播学习算法,网络采用误差反向传播算法进行学习。BP神经网络中的内部计算,数据由输入层经过隐含层逐层逐步向后传播。网络权值由输出层逐渐向前修正网络的权值大小,网络层层相连,实现彼此的映射关系。BP网络是前向神经网络的核心,在人工智能等领域广泛解决分类识别的问题。

2 灰色熵权法与BP神经网络煤与瓦斯突出预测中的应用

2.1 煤与瓦斯突出影响因素数据

选用某矿现场实际煤与瓦斯突出的具体数据作为研究煤与瓦斯突出的影响因素数据,见表1.

表1 影响因素数据表

2.2 煤与瓦斯突出因素灰色熵权法分析

2.2.1 熵权法

应用Matlab2018a数学计算软件,重点分析数据主要影响因素的权重大小。由于煤与瓦斯突出各影响因素之间的数量级和纲量不同,数据之间具有比较大的差异性,建立了19×8原始数据,运用灰色熵权法分析之前,需对原始数据进行归一化处理,见表2.

对归一化后的数据运用公式得到各指标的权重,其中煤层最大地应力0.38 N、瓦斯压力0.18 MPa、瓦斯含量0.06 m3/t、顶底板岩性0.41%、与断裂距离0.11 m、煤层厚度0.12 m、开采深度0.04 m、绝对瓦斯涌出量0.05 m3/d. 在影响煤与瓦斯突出因素中,顶底板岩性0.41%在整个体系中所占权重值最大,这也说明它对于煤与瓦斯突出危险性预测起到的作用最大。

2.2.2 灰色关联熵法

应用Matlab2018a数学计算软件,对影响因素的数据进行预处理,重点分析各影响因素对结果的影响程度。

1) 原始数据均值化。

由于煤与瓦斯突出各影响因素之间的数量级和纲量不同,数据之间具有比较大的差异性。建立了19×9原始数据,运用灰色熵权法分析之前,有必要进行原始数据均值化。

2) 灰色关联熵指标系数。

应用均值化后的数据进行灰色关联熵分析,确定反应瓦斯突出特征的参考数列与影响结果的比较数列,计算灰色关联熵指标系数,如表3.

表3 指标系数表

由表3可知,各影响因素对煤与瓦斯突出危险性影响的关联度,其中瓦斯压力和顶底板岩性的加权灰色关联熵值分别为0.126 7和0.240 6,说明两者对煤与瓦斯突出的程度影响最大。而灰色关联度值中,瓦斯含量为0.803 7 m3/t,表明它对煤与瓦斯突出的程度影响大。因此,在进行煤与瓦斯突出的预测时,可重点对顶底板岩性、瓦斯压力、瓦斯含量作为BP神经网络的输入层,这样能够使预测效果更加准确。

2.3 基于灰色熵权法BP神经网络预测模型

选取煤与瓦斯突出的3个主要影响因素(瓦斯压力、瓦斯含量、顶底板岩性)作为BP神经网络输入层参数。将发生煤与瓦斯突出设置成1,将不发生煤与瓦斯突出设置成0,作为BP神经网络输出层。在BP网络中,如果预测值≥0.5,输出值为1,预测值<0.5时,输出结果为0. 使用feedforward网络作为输入和输出的映射函数,其中trainafcn属于训练网络性能的函数,运用训练函数trainbfg-BFGS算法(拟牛顿反向传播算法)作为训练函数。编辑划分数据程序设计,分别任意选取突出10个与非突出5个作为训练样本,建立BP神经网络,最后用检验样本检验训练好的网络作为预测。经过多次训练,隐含层包括10个隐含层效果最好。即模型结构为3-10-1. 用最后4个样本检验改进后的BP神经网络,结果见表4.

表4 煤与瓦斯突出预测表

由表4可见,采用改进后的BP神经网络预测瓦斯发生突出的情况下,预测相对误差最大为5.11%,最小为0.36%.预测瓦斯不突出相对误差为2.33%. 预测结果的相对误差均小于6%,表明该设计的灰色熵权BP网络模型预测煤与瓦斯突出是可行的,并且结果符合现场实际情况。

3 结 论

1) 设计瓦斯突出预测的新模型,引入了灰色熵权法来分析各影响因素的大小,并对各影响因素客观赋予权重进行了排序,避免了主观性判断的影响。建立的灰色关联熵分析模型能很好对煤与瓦斯突出起到降维的作用,且具有较高的分辨率,并提高了BP神经网络的运算速度和准确率。

2) 在得到影响因素与突出的关联度大小的基础上,选取主要的影响因素数据作为BP模型的输入层。由训练及测试结果可知,基于灰色关联熵的BP神经网络模型适用于煤与瓦斯突出预测,且有强的预测能力及更高的运算效率。

3) 采用改进后的BP神经网络预测方法对某矿进行煤与瓦斯突出预测,4个预测样本的相对误差分别为5.11%,0.36%,4.64%,2.33%,预测结果的相对误差均小于6%,表明该设计的灰色熵权BP网络模型预测煤与瓦斯突出是可行的,并且结果符合现场实际情况。