基于BP神經(jīng)網(wǎng)絡(luò)的瓦斯隧道突出預(yù)測(cè)系統(tǒng)開(kāi)發(fā)研究

霍曉龍，陳壽根，譚信榮，邱成虎

(西南交通大學(xué)交通隧道工程教育部重點(diǎn)實(shí)驗(yàn)室，成都 610031)

1 概述

隨著我國(guó)交通行業(yè)的發(fā)展，穿越煤系地層的隧道越來(lái)越多，遇到有突出風(fēng)險(xiǎn)和威脅的煤層也越來(lái)越多，如都汶高速紫坪鋪隧道、南昆線家竹箐隧道等，如果在穿煤前沒(méi)對(duì)瓦斯突出進(jìn)行有效的預(yù)測(cè)，就有可能發(fā)生嚴(yán)重的安全事故［1］。因此，前期的瓦斯突出預(yù)測(cè)是后期安全施工的基礎(chǔ)和關(guān)鍵。近些年來(lái)，國(guó)內(nèi)外瓦斯突出預(yù)測(cè)常用的方法有單項(xiàng)指標(biāo)法、地質(zhì)統(tǒng)計(jì)資料法、綜合指標(biāo)法［2］、模糊綜合評(píng)價(jià)法、回歸分析法和灰色系統(tǒng)法等，而這些方法都存在局限性和操作性差的特點(diǎn)，預(yù)測(cè)結(jié)果的可靠性、準(zhǔn)確性和實(shí)效性也不能滿足瓦斯隧道施工的需要。

由于引起瓦斯突出的因素很多，而且影響瓦斯突出的因素多數(shù)是定性的或是模糊相似的，各影響因素間又呈現(xiàn)復(fù)雜的非線性關(guān)系，難以用經(jīng)典的數(shù)學(xué)理論建立精確的預(yù)測(cè)模型。BP神經(jīng)網(wǎng)絡(luò)具有高度的非線性、自學(xué)習(xí)、自組織和對(duì)輸入數(shù)據(jù)的魯棒特性、冗余容錯(cuò)特性，擅長(zhǎng)處理輸入與輸出存在復(fù)雜的多元非線性關(guān)系的問(wèn)題［3］。因此，本文借助了人工神經(jīng)網(wǎng)絡(luò)原理，基于BP神經(jīng)網(wǎng)絡(luò)建立了隧道瓦斯突出預(yù)測(cè)模型，利用Matlab引擎技術(shù)，在C#.NET中實(shí)現(xiàn)對(duì)Matlab神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用，并且借助SQL Server和ASP.NET技術(shù)，在C#環(huán)境下開(kāi)發(fā)出突出預(yù)測(cè)系統(tǒng)(B/S模式)。該系統(tǒng)以蘭渝鐵路肖家梁隧道為例，進(jìn)行瓦斯突出預(yù)測(cè)分析，確定該系統(tǒng)簡(jiǎn)單易行，為瓦斯隧道突出預(yù)測(cè)提供參考依據(jù)。

2 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)的全稱是人工神經(jīng)網(wǎng)絡(luò)，是基于對(duì)人腦組織結(jié)構(gòu)、活動(dòng)機(jī)制的初步認(rèn)識(shí)提出的一種新型信息處理體系。它的優(yōu)點(diǎn)在于能把大量的神經(jīng)元連成一個(gè)復(fù)雜的網(wǎng)絡(luò)系統(tǒng)，將現(xiàn)有的數(shù)據(jù)信息經(jīng)過(guò)一系列的數(shù)學(xué)轉(zhuǎn)化，運(yùn)用程序設(shè)計(jì)的非線性關(guān)系對(duì)未知的樣本數(shù)據(jù)進(jìn)行分析并預(yù)測(cè)，通過(guò)模擬人的思維模式去解決一些用傳統(tǒng)方法很難解決的問(wèn)題，具有一定的智能化，尤其是對(duì)那些復(fù)雜而繁多的數(shù)據(jù)及數(shù)據(jù)間的復(fù)雜關(guān)系進(jìn)行處理具有很好的效果。

BP神經(jīng)網(wǎng)絡(luò)屬于多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)［4］。網(wǎng)絡(luò)模型一般由輸入層、隱含層和輸出層構(gòu)成，其中隱含層可以有多個(gè)。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過(guò)程組成。正向傳播時(shí)，輸入樣本從輸入層傳入，經(jīng)各隱層逐層處理后，傳向輸出層。若輸出層的實(shí)際輸出與期望的輸出不符，則轉(zhuǎn)入誤差的反向傳播階段。誤差的反傳是將輸出誤差以某種形式通過(guò)隱層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層的所有單元，從而獲得各層單元的誤差信號(hào)，并以此作為修正各單元權(quán)值的依據(jù)。通過(guò)正向傳播和反向傳播的不斷迭代，不斷調(diào)整其權(quán)值，最后使信號(hào)誤差達(dá)到可接受的程度或者達(dá)到預(yù)先設(shè)置的學(xué)習(xí)次數(shù)為止［5］。

3 突出預(yù)測(cè)模型的建立

對(duì)于多層神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，Hecht-Nielsen已經(jīng)證明，任何閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)，可以用一個(gè)隱含層網(wǎng)絡(luò)來(lái)逼近，因而在BP神經(jīng)網(wǎng)絡(luò)模型中，輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)的多少根據(jù)問(wèn)題的性質(zhì)來(lái)確定，隱含層數(shù)與隱含層節(jié)點(diǎn)的選取顯得更為重要，只要隱含層節(jié)點(diǎn)數(shù)足夠，只含一個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)模型，就可以以任意精度逼近一個(gè)非線性函數(shù)［6］。用于瓦斯突出預(yù)測(cè)的BP網(wǎng)絡(luò)由輸入層、隱含層及輸出層等3層構(gòu)成。

(1)輸入層。輸入層可以由多個(gè)節(jié)點(diǎn)組成。由于瓦斯突出本身是一個(gè)復(fù)雜的動(dòng)力現(xiàn)象，影響因素很多，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相比其他預(yù)測(cè)法來(lái)說(shuō)，考慮的因素多是其優(yōu)點(diǎn)之一，但過(guò)多的輸入?yún)?shù)只會(huì)使網(wǎng)絡(luò)收斂速度下降。通過(guò)大量的現(xiàn)場(chǎng)實(shí)際統(tǒng)計(jì)資料和相關(guān)文獻(xiàn)，分析了瓦斯突出的主要影響因素，本文選取埋深、地質(zhì)構(gòu)造、鉆探動(dòng)力現(xiàn)象、瓦斯壓力、鉆孔瓦斯涌出初速度、瓦斯放散初速度、煤層堅(jiān)固系數(shù)和煤體結(jié)構(gòu)類型等8項(xiàng)指標(biāo)作為突出預(yù)測(cè)的輸入向量［7］。

(2)隱含層。隱含層的節(jié)點(diǎn)數(shù)n作為一個(gè)變量，在無(wú)數(shù)次循環(huán)訓(xùn)練中，選取測(cè)試誤差最先達(dá)到限值(＜0.1)的一次，此時(shí)的隱含層節(jié)點(diǎn)數(shù)作為最佳節(jié)點(diǎn)數(shù)被保存下來(lái)。像這樣在訓(xùn)練網(wǎng)絡(luò)時(shí)，決定隱含層選多少個(gè)節(jié)點(diǎn)數(shù)其識(shí)別效果最好，這對(duì)構(gòu)建最優(yōu)神經(jīng)網(wǎng)絡(luò)有很大的作用。

(3)輸出層。由3個(gè)節(jié)點(diǎn)組成，其作用是給出瓦斯突出3種確定性的預(yù)測(cè)結(jié)果，即突出危險(xiǎn)區(qū)(001)、突出威脅區(qū)(010)及無(wú)突出危險(xiǎn)區(qū)(100)［8］，從而實(shí)現(xiàn)瓦斯隧道突出預(yù)測(cè)。

隧道埋深是從地應(yīng)力因素評(píng)定突出危險(xiǎn)性的指標(biāo)，埋深越大，地應(yīng)力越大，突出危險(xiǎn)性就越大。在地質(zhì)構(gòu)造帶，常造成應(yīng)力集中，瓦斯含量高，突出危險(xiǎn)大;另一方面，地質(zhì)構(gòu)造越復(fù)雜，則其中的巖體和煤體結(jié)構(gòu)也越復(fù)雜，越容易引起突出。對(duì)于鉆探動(dòng)力現(xiàn)象，危險(xiǎn)性較小的煤層，鉆探時(shí)較為平穩(wěn)，沒(méi)有動(dòng)力現(xiàn)象出現(xiàn);反之，隨著開(kāi)挖工作面突出危險(xiǎn)性加大，鉆探時(shí)會(huì)出現(xiàn)垮孔、夾鉆、甚至噴孔，嚴(yán)重者還伴隨有劈裂聲、雷聲等。瓦斯壓力是指煤孔隙中所含游離瓦斯的氣體壓力，即氣體作用于孔隙壁的壓力;在煤與瓦斯突出發(fā)生過(guò)程中，瓦斯壓力起著重大作用，它為突出提供了一定的動(dòng)力來(lái)源，它們之間關(guān)系比較復(fù)雜，一般來(lái)說(shuō)，瓦斯壓力越大突出危險(xiǎn)性越大［9］。鉆孔瓦斯涌出初速度是目前突出危險(xiǎn)性預(yù)測(cè)最常用的指標(biāo)，其實(shí)測(cè)值越大，突出危險(xiǎn)性就越大。瓦斯放散初速度是煤體在0.1 MPa壓力吸附瓦斯的條件下，向一固定體積的真空時(shí)間放散時(shí)，放散后1 min內(nèi)瓦斯壓力的變化值;在瓦斯含量相同的條件下，煤的放散初速度越大，煤的破壞類型越嚴(yán)重，越容易促成突出的發(fā)生。煤層堅(jiān)固系數(shù)表示煤抵抗外力能力的一個(gè)綜合指標(biāo)，它由煤的強(qiáng)度、硬度、脆性決定;煤作為突出的受力體，堅(jiān)固系數(shù)越小，破碎就越容易，突出危險(xiǎn)性就越大。煤體結(jié)構(gòu)是指煤層各組成部分的顆粒大小、形態(tài)特征及其相互關(guān)系;依據(jù)不同的特征，可將煤結(jié)構(gòu)進(jìn)行分類，危險(xiǎn)程度由Ⅰ級(jí)向Ⅲ級(jí)依次增加。

將輸入層所選指標(biāo)進(jìn)行量化，首先分別用H表示埋深、D表示地質(zhì)構(gòu)造、Z表示鉆探動(dòng)力現(xiàn)象、P表示瓦斯壓力、qm表示鉆孔瓦斯涌出初速度、ΔP表示瓦斯放散初速度、f表示堅(jiān)固系數(shù)、M表示煤體結(jié)構(gòu)類型;然后根據(jù)其大小和程度進(jìn)行數(shù)據(jù)量化。本文收集12個(gè)國(guó)內(nèi)外瓦斯突出隧道的數(shù)據(jù)作為樣本集，其中前8個(gè)作為訓(xùn)練樣本，后4個(gè)作為測(cè)試樣本。如表1所示。

表1 訓(xùn)練樣本和測(cè)試樣本

4 煤與瓦斯突出預(yù)測(cè)系統(tǒng)的開(kāi)發(fā)

4.1 系統(tǒng)開(kāi)發(fā)方法

Matlab是一款具有極其強(qiáng)大的矩陣計(jì)算以及仿真能力的科學(xué)及工程計(jì)算軟件。其平臺(tái)上有專門針對(duì)神經(jīng)網(wǎng)絡(luò)計(jì)算的神經(jīng)網(wǎng)絡(luò)工具箱，內(nèi)含大量可用于設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的工具函數(shù)，而且Matlab代碼非常簡(jiǎn)單、易懂、易學(xué)，可以大大縮短軟件開(kāi)發(fā)周期。.NET是微軟公司推出的一種面向網(wǎng)絡(luò)、支持各種終端的開(kāi)發(fā)平臺(tái)環(huán)境。利用.NET開(kāi)發(fā)的系統(tǒng)具有界面友好、執(zhí)行速度快、易維護(hù)和升級(jí)等優(yōu)點(diǎn)［10］。但在工程計(jì)算方面，.NET跟Matlab相比編程則顯得復(fù)雜很多。如果能將兩種軟件優(yōu)點(diǎn)結(jié)合起來(lái)，必將提高軟件開(kāi)發(fā)效率，使其具有更高的性能和更大的應(yīng)用范圍。為此本文采用針對(duì).NET平臺(tái)專門設(shè)計(jì)的、語(yǔ)法簡(jiǎn)單、完全面向?qū)ο蟮腃#語(yǔ)言，在.NET中實(shí)現(xiàn)對(duì)Matlab神經(jīng)網(wǎng)絡(luò)工具箱的調(diào)用。

實(shí)現(xiàn)C#和Matlab混合編程的關(guān)鍵是找到兩者之間合適的接口辦法，使C#方便高效地調(diào)用Matlab的功能并傳送和接收數(shù)據(jù)，同時(shí)能夠在不進(jìn)行修改或很小修改的情況下充分利用已有的Matlab資源。C#.NET與Matlab接口方法主要有4種，但支持.NET調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱的，只有Matlab引擎技術(shù)是可行的。其調(diào)用過(guò)程如圖1所示。

圖1 C#.NET調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱過(guò)程

當(dāng)Matlab軟件在計(jì)算機(jī)上正確安裝后，Matlab計(jì)算引擎Active X組件將自動(dòng)在系統(tǒng)注冊(cè)。在.NET開(kāi)發(fā)環(huán)境下使用Matlab計(jì)算引擎，首先添加COM引用“Matlab Application(Version 7.0)Type Library”。完成了Matlab計(jì)算引擎組件的引用后，就可以在程序中實(shí)例化引擎對(duì)象，然后使用其提供的接口進(jìn)行編程。引擎對(duì)象提供的最常見(jiàn)的接口有3個(gè):Execute，Put-FullMatrix和GetFullMatrix。它們分別是實(shí)現(xiàn)運(yùn)行腳本，向Matlab Server中添加矩陣和從Matlab Server中讀取矩陣功能［11］。

充分考慮系統(tǒng)的靈活性、開(kāi)放性、易維護(hù)、易使用以及易推廣等因素，本系統(tǒng)采用了B/S模式，客戶端無(wú)需安裝軟件，只需點(diǎn)開(kāi)IE瀏覽器上網(wǎng)即可訪問(wèn)服務(wù)器終端，完成瓦斯隧道突出預(yù)測(cè)的功能。選擇了國(guó)際成熟先進(jìn)的.NET平臺(tái)作為研發(fā)基礎(chǔ)，利用SQL Server提供數(shù)據(jù)庫(kù)服務(wù)，開(kāi)發(fā)語(yǔ)言主要為 Visual C#、ASP語(yǔ)言。

4.2 系統(tǒng)介紹

瓦斯隧道突出預(yù)測(cè)系統(tǒng)主要由以下幾部分構(gòu)成:樣本編輯模塊，神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，預(yù)測(cè)參數(shù)輸入模塊，突出預(yù)測(cè)模塊，如圖2、圖3所示。

圖2 樣本編輯模塊

圖3 系統(tǒng)其他模塊

用戶通過(guò)“樣本編輯模塊”和“預(yù)測(cè)參數(shù)輸入模塊”與系統(tǒng)進(jìn)行信息交互［12］，之后這些樣本和參數(shù)信息被保存在數(shù)據(jù)庫(kù)中，可以通過(guò)“編輯”和“刪除”命令進(jìn)行數(shù)據(jù)更新?！吧窠?jīng)網(wǎng)絡(luò)訓(xùn)練模塊”利用保存的訓(xùn)練樣本建立神經(jīng)網(wǎng)絡(luò)模型，并對(duì)測(cè)試樣本進(jìn)行測(cè)試，當(dāng)訓(xùn)練最先達(dá)到測(cè)試樣本的誤差限值(誤差＜0.1)時(shí)，循環(huán)訓(xùn)練完成，最后驗(yàn)證保存該神經(jīng)網(wǎng)絡(luò)模型，以用于后面的突出預(yù)測(cè)分析;訓(xùn)練成功后，在網(wǎng)絡(luò)參數(shù)一欄中可以看到循環(huán)次數(shù)、最佳節(jié)點(diǎn)數(shù)和誤差大小情況;驗(yàn)證保存網(wǎng)絡(luò)一欄中可以通過(guò)點(diǎn)擊“驗(yàn)證”按鈕，驗(yàn)證后面用到的神經(jīng)網(wǎng)絡(luò)是否為之前保存的最優(yōu)網(wǎng)絡(luò)，當(dāng)測(cè)試誤差大小與之前誤差相同時(shí)，說(shuō)明驗(yàn)證成功，可以進(jìn)行下一步操作。根據(jù)現(xiàn)場(chǎng)情況，通過(guò)“預(yù)測(cè)參數(shù)輸入模塊”輸入突出隧道的參數(shù)，點(diǎn)擊“添加”，即被保存在數(shù)據(jù)庫(kù)中?！巴怀鲱A(yù)測(cè)模塊”中顯示了之前預(yù)測(cè)完成和將要預(yù)測(cè)的數(shù)據(jù)，用戶只需要點(diǎn)擊預(yù)測(cè)，即可在“突出規(guī)?！币粰谥锌吹筋A(yù)測(cè)結(jié)果，另外在“預(yù)測(cè)結(jié)果”中也會(huì)顯示預(yù)測(cè)得到的結(jié)果。一般情況下，因?yàn)橛?xùn)練樣本和測(cè)試樣本是根據(jù)現(xiàn)場(chǎng)數(shù)據(jù)和文獻(xiàn)參考得到的，并不會(huì)經(jīng)常變動(dòng)。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功之后，一般只會(huì)用到網(wǎng)絡(luò)參數(shù)輸入模塊和突出預(yù)測(cè)模塊。

4.3 系統(tǒng)的應(yīng)用

系統(tǒng)功能設(shè)計(jì)完成后要經(jīng)過(guò)系統(tǒng)測(cè)試，用實(shí)例來(lái)不斷完善系統(tǒng)功能。本文采用蘭渝鐵路LYS-10標(biāo)段線下工程的重點(diǎn)單位工程-肖家梁隧道的典型突出測(cè)點(diǎn)，對(duì)系統(tǒng)的主要功能進(jìn)行測(cè)試，檢驗(yàn)系統(tǒng)能否達(dá)到設(shè)計(jì)目標(biāo)要求。

訓(xùn)練樣本和測(cè)試樣本經(jīng)過(guò)編輯后，點(diǎn)擊“訓(xùn)練”按鈕，跳出Matlab神經(jīng)網(wǎng)絡(luò)工具箱，如圖4所示。當(dāng)訓(xùn)練最先達(dá)到測(cè)試樣本的誤差限值(誤差＜0.1)時(shí)，循環(huán)訓(xùn)練完成。網(wǎng)絡(luò)訓(xùn)練和測(cè)試誤差曲線分別如圖5、圖6所示。頁(yè)面網(wǎng)絡(luò)參數(shù)顯示:循環(huán)次數(shù)為3，最佳節(jié)點(diǎn)數(shù)為21，誤差為0.063。點(diǎn)擊“驗(yàn)證”按鈕，跳出的誤差曲線圖沒(méi)有改變，說(shuō)明成功保存了最優(yōu)網(wǎng)絡(luò)，如果驗(yàn)證失敗，說(shuō)明系統(tǒng)出現(xiàn)問(wèn)題，需要重新校核系統(tǒng)。接下來(lái)輸入4組突出測(cè)點(diǎn)的隧道參數(shù)，“添加”成功后，進(jìn)行突出預(yù)測(cè)分析。分別點(diǎn)擊“點(diǎn)擊預(yù)測(cè)!”按鈕后，屏幕會(huì)顯示“預(yù)測(cè)成功!”的對(duì)話框，之后在“突出規(guī)?！币粰诜謩e顯示“無(wú)突出危險(xiǎn)”、“無(wú)突出危險(xiǎn)”、“突出威脅區(qū)”、“無(wú)突出危險(xiǎn)”，在“預(yù)測(cè)結(jié)果”一欄分別顯示“1 3.52e-011 3.19e-014”、“0.997 9.75e-008 1.43e-020”、“3.65e-005 0.99991 4.15e-022”、“1 5.68e-011 2.81e-011”。從整個(gè)預(yù)測(cè)結(jié)果來(lái)看，突出規(guī)模大小與預(yù)測(cè)結(jié)果數(shù)據(jù)和施工中的實(shí)際情況都是一致的，預(yù)測(cè)誤差相對(duì)很小?？梢?jiàn)，該系統(tǒng)計(jì)算簡(jiǎn)單、預(yù)測(cè)精度高，同時(shí)極大減輕了突出預(yù)測(cè)的工作量。

圖4 神經(jīng)網(wǎng)絡(luò)工具箱

圖6 網(wǎng)絡(luò)測(cè)試誤差曲線

5 結(jié)論

(1)由于影響瓦斯隧道突出因素的復(fù)雜性，使用傳統(tǒng)的預(yù)測(cè)方法很難準(zhǔn)確地進(jìn)行預(yù)測(cè)。使用BP神經(jīng)網(wǎng)絡(luò)建立瓦斯隧道突出的預(yù)測(cè)模型能夠充分考慮各因素對(duì)突出危險(xiǎn)性的影響，并且具有很強(qiáng)的非線性映射能力和一定的智能化。其不足之處在于其預(yù)測(cè)結(jié)果很大程度依賴于對(duì)已給的訓(xùn)練樣本，隨著訓(xùn)練樣本的不斷豐富，預(yù)測(cè)結(jié)果的準(zhǔn)確性也會(huì)隨之提高。

(2)該系統(tǒng)僅依靠過(guò)去典型樣本數(shù)據(jù)，經(jīng)過(guò)學(xué)習(xí)訓(xùn)練，就能快速有效地進(jìn)行預(yù)測(cè)，可成為綜合預(yù)測(cè)瓦斯隧道突出的新方法。該方法不僅能夠極大地減輕了突出預(yù)測(cè)工作量，而且可以較大的提前突出預(yù)測(cè)的精度，具有一定的實(shí)用性和操作性，可以應(yīng)用于瓦斯隧道突出預(yù)測(cè)。

［1］晏啟祥，王璐石，段景川，等.煤系地層隧道施工瓦斯爆炸與采空區(qū)失穩(wěn)的風(fēng)險(xiǎn)識(shí)別［J］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2013(3):80-85.

［2］丁睿.瓦斯隧道建設(shè)關(guān)鍵技術(shù)［M］.北京:人民交通出版社，2010.

［3］姜德義，蔣再文，章永武，等.模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)公路隧道揭煤突出危險(xiǎn)性［J］.重慶大學(xué)學(xué)報(bào):自然科學(xué)版，2000，23(S):200-203.

［4］張建.基于模糊神經(jīng)網(wǎng)絡(luò)的客運(yùn)專線車站選址決策研究［J］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2009(12):12-17.

［5］李春輝.基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)的研究［D］.昆明:昆明理工大學(xué)，2010.

［6］梁盛開(kāi)，曹瓊，羅楊陽(yáng).煤礦瓦斯突出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)［J］.固體力學(xué)學(xué)報(bào)，2010，31:180-183.

［7］康小兵.隧道工程瓦斯災(zāi)害危險(xiǎn)性評(píng)價(jià)體系研究［D］.成都:成都理工大學(xué)，2009.

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

［9］魚(yú)海曄，張善穩(wěn).蘭渝鐵路圖山寺隧道瓦斯探測(cè)預(yù)測(cè)技術(shù)［J］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2012(12):78-80.

［10］趙士偉，趙明波，陳平.基于COM的Matlab與C#.NET混合編程的實(shí)現(xiàn)與應(yīng)用［J］.山東理工大學(xué)學(xué)報(bào):自然科學(xué)版，2006，20(4):28-29.

［11］黃一丹，嚴(yán)洪森，馮麗娟，等.基于C#.NET與Matlab接口和BP網(wǎng)絡(luò)的汽車產(chǎn)量預(yù)測(cè)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2008，18(11):36-40.

［12］曲方，張龍，李迎業(yè)，等.基于BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)系統(tǒng)開(kāi)發(fā)［J］.中國(guó)安全科學(xué)學(xué)報(bào)，2012，22(1):11-16.