粒子群神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測中的應(yīng)用

艾 莉 程加堂

(紅河學(xué)院工學(xué)院，云南 蒙自 661199)

0 引言

如何可靠、準確地預(yù)測煤與瓦斯突出強度，是煤礦安全技術(shù)研究中的重要課題。國內(nèi)開采實踐表明，煤與瓦斯突出的發(fā)生呈現(xiàn)區(qū)域性分布，而災(zāi)害發(fā)生區(qū)域只占開采區(qū)的8%～20%。因此，首先要在宏觀上研究煤與瓦斯突出的影響因素，對突出危險進行區(qū)域預(yù)測。由于引起煤與瓦斯突出的因素很多，而且影響突出的因素多數(shù)是定性的或是模糊相似的，各影響因素間又呈現(xiàn)出復(fù)雜的非線性關(guān)系，從而難以用經(jīng)典的理論建立精確的數(shù)學(xué)預(yù)測模型［1］。

人工神經(jīng)網(wǎng)絡(luò)是能表現(xiàn)極為復(fù)雜動態(tài)行為的網(wǎng)絡(luò)，具有高度的非線性和容錯性，在現(xiàn)代高科技發(fā)展過程中，應(yīng)用越來越廣泛，它已是控制工程、信號處理等領(lǐng)域不可缺少的工具。BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用比較普遍的一種神經(jīng)網(wǎng)絡(luò)，但存在收斂速度慢和易陷入局部極值點等缺陷［2］。PSO利用種群中個體對信息的共享，自適應(yīng)的調(diào)整搜索方向，具有內(nèi)在的隱并行性和很好的全局尋優(yōu)能力，并且流程簡單易于實現(xiàn)，算法參數(shù)簡潔，無需復(fù)雜的調(diào)整。本文將此法應(yīng)用于煤與瓦斯突出的預(yù)測，即:利用PSO訓(xùn)練BP網(wǎng)絡(luò)的權(quán)值和閾值，綜合神經(jīng)網(wǎng)絡(luò)能自動在海量數(shù)據(jù)中提取隱藏規(guī)律和PSO全局搜索、收斂速度快的PSO—BP模型，本文收集了國內(nèi)具有突出代表性的8個礦井作為學(xué)習(xí)訓(xùn)練樣本，對煤與瓦斯突出強度進行了預(yù)測，通過對預(yù)測精度和誤差方面的分析，驗證了該方法的準確性和適用性。

1 煤與瓦斯突出影響因素的選取

在煤與瓦斯突出預(yù)測中，煤與瓦斯突出影響因素的合理選取是預(yù)測的前提，它直接影響著預(yù)測結(jié)果的準確性。中華人民共和國煤炭工業(yè)部頒布的煤與瓦斯突出礦井鑒定規(guī)范中規(guī)定，判定煤層是否具有煤與瓦斯突出危險的指標可用煤的破壞類型、瓦斯放散初速度指標、煤的堅固性系數(shù)和煤層瓦斯壓力。實際上煤與瓦斯突出是地應(yīng)力、瓦斯和煤結(jié)構(gòu)的物理學(xué)性質(zhì)等多個因素綜合作用的結(jié)果。影響煤與瓦斯突出強度的大小與眾多因素相關(guān)，結(jié)合我國煤礦突出的特點，本文選取煤層瓦斯含量(m3/t)、瓦斯壓力(MPa)、瓦斯放散初速度Δp (m/s)、煤的堅固性系數(shù)f、軟分層煤體厚度(m)、煤體破壞類型6項突出指標作為神經(jīng)網(wǎng)絡(luò)的輸入向量。

2 粒子群神經(jīng)網(wǎng)絡(luò)建模

在d維搜索空間中，有m個粒子組成一個群體，對每個粒子i(i=1，2，…，m)包含一個速度向量Vi=(vi1，vi2，…，vid)和位置向量Xi=(xi1，xi2，…，xid)。該粒子經(jīng)歷的最優(yōu)位置記為pi=(pi1，pi2，…，pid)，整個粒子群所經(jīng)歷的最優(yōu)位置記為pg= (pg1，pg2，…，pgd)。在每次迭代中，粒子i通過跟蹤這兩個最優(yōu)值，按照下式來更新速度和位置。

其中，w為慣性權(quán)因子，它使粒子保持運動慣性;c1、c2為學(xué)習(xí)因子，一般c1=c2;k為迭代次數(shù);r1、r2為兩隨機數(shù)，取值區(qū)間為［0，1］。粒子在調(diào)整自己的位置時，還受到最大速度vmax的限制。如果對粒子的加速導(dǎo)致其在某維的速度超過在該維的最大速度，則該維的速度就被限制在最大速度上［3］。

為了平衡粒子群算法的全局和局部搜索能力，慣性因子常采用(3)式進行自適應(yīng)調(diào)整。

式中，wmax、wmin分別表示w的最大值和最小值，k表示當前迭代步數(shù)，kmax表示最大迭代步數(shù)，通常取wmax=0.9，wmin=0.4。

盡管標準粒子群算法收斂速度快，具有很強的通用性，但其存在早熟收斂問題。借鑒遺傳算法的變異思想，在標準粒子群算法中引入變異操作，即對某些變量以一定的概率重新初始化。變異操作拓展了在迭代中不斷縮小的種群搜索空間，使粒子能夠跳出先前搜索到的最優(yōu)值位置，在更大的空間中繼續(xù)搜索。這種方法既保持了種群的多樣性，又可提高搜索出最優(yōu)值的可能性［4］。

粒子群神經(jīng)網(wǎng)絡(luò)算法是通過粒子群各粒子在其搜索空間內(nèi)搜索BP網(wǎng)絡(luò)各層間的權(quán)值及閾值。首先，將BP網(wǎng)絡(luò)的權(quán)、閾值賦予初始值。其次，根據(jù)所確定BP網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，計算出網(wǎng)絡(luò)的輸出值。再次，用粒子群算法搜索出最優(yōu)位置，使得適應(yīng)度函數(shù)達到最小。在這里，對給定的8組數(shù)據(jù)，分別選用標準粒子群算法和帶變異操作的粒子群算法進行BP網(wǎng)絡(luò)權(quán)、閾值尋優(yōu)。最后，采用BP網(wǎng)絡(luò)對所獲得的最優(yōu)值進行二次學(xué)習(xí)訓(xùn)練，得到最終的煤與瓦斯突出強度的預(yù)測模型。

3 仿真實驗

在仿真實驗中，本文所采用的粒子群神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為6-10-1，訓(xùn)練誤差0.00001。粒子群優(yōu)化算法的參數(shù)設(shè)置為:種群規(guī)模25，最大迭代次數(shù)50，學(xué)習(xí)因子c1=c2=2，慣性權(quán)重w隨迭代次數(shù)由0.9線性地減小為0.3。帶變異操作的粒子群算法的變異概率p=0.2，MATLAB代碼為:

利用表1中煤與瓦斯突出影響因素原始數(shù)據(jù)［5］對粒子群網(wǎng)絡(luò)進行訓(xùn)練，在訓(xùn)練過程中當滿足目標精度要求或達到最大迭代次數(shù)時，自動停止訓(xùn)練。粒子群神經(jīng)網(wǎng)絡(luò)預(yù)測模型在經(jīng)過27次迭代后達到預(yù)定誤差精度0.00001，煤與瓦斯突出強度的預(yù)測結(jié)果見表2。

表1 煤與瓦斯突出影響因素原始數(shù)據(jù)Table1 The original data of coal and gas outburst influence factors

表2 煤與瓦斯突出強度預(yù)測結(jié)果表Table2 The forecast results of the strength of coal and gas outburst

由表2可知，本文所建立的粒子群神經(jīng)網(wǎng)絡(luò)煤與瓦斯突出強度的預(yù)測模型效果較好，相對誤差的范圍在-0.04%～1.52%之間，說明本文所采用的方法輸出數(shù)據(jù)與實測數(shù)據(jù)的吻合程度較高，能夠滿足實際應(yīng)用的需要。

4 結(jié)束語

BP神經(jīng)網(wǎng)絡(luò)的高度非映射性和自我學(xué)習(xí)能力，很好地解決了各影響因素之間與煤與瓦斯突出強度的非線性關(guān)系，準確地把握了各影響因素對煤與瓦斯突出規(guī)律的影響程度。粒子群優(yōu)化算法提高了BP神經(jīng)網(wǎng)絡(luò)的收斂速度，改善其泛化能力。實例表明，本文提出的預(yù)測方法是有效的，對于準確預(yù)報煤與瓦斯突出危險狀況，采取針對性的防突和安全措施具有較好的指導(dǎo)作用。

［1］張子戌.基于模糊聚類分析和模糊模式識別的煤與瓦斯突出預(yù)測［J］.煤田地質(zhì)與勘探，2007，35(3):22-24.

［2］楊艷春，趙瑋燁.BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測的研究［J］.蘭州交通大學(xué)學(xué)報，2009，28(6):26-28.

［3］陸寧，周建中，何耀耀.粒子群優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型在短期負荷預(yù)測中的應(yīng)用［J］.電力系統(tǒng)保護與控制，2010，38 (12):65-68.

［4］MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析［M］.北京:北京航空航天大學(xué)出版社，2010.

［5］李春輝，陳日輝，蘇恒瑜.BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測的應(yīng)用［J］.礦冶，2010，19(3):21-23.