灰色理論在煤與瓦斯突出預測中的應用研究

孟絮屹

(貴州省煤田地質局)

灰色理論在煤與瓦斯突出預測中的應用研究

孟絮屹

(貴州省煤田地質局)

利用灰色理論分析了煤與瓦斯突出的各影響因素,得出煤與瓦斯突出的主控影響因素,輸入人工神經網絡預測系統(tǒng),建立灰色理論-神經網絡相結合的煤與瓦斯突出預測模型。經過在貴州某煤礦突出預測中應用，結果表明,該模型對煤礦煤與瓦斯突出預測是可行的。

煤與瓦斯突出 突出預測 灰色關聯(lián)度 神經網絡

目前煤與瓦斯突出預測方法多采用指標加臨界值的方法,主要是對已有數(shù)據(jù)運用判斷和回歸分析等技術進行的大量統(tǒng)計分析,考慮多是個別突出預測指標或是幾個預測指標組合對突出事件的影響。事實上這種預測結果并不一定準確,沒有到達臨界值而發(fā)生突出事故時有發(fā)生,而有些超過臨界值卻不發(fā)生突出的現(xiàn)象[1]。因此,煤與瓦斯突出內在機理極為復雜,突出事件與突出因素之間存在著的非線性、模糊不確定性關系[2],使現(xiàn)行的預測技術受到了很大限制。

1 灰色理論-神經網絡突出預測方案描述

灰色系統(tǒng)理論[3]是鄧聚龍教授在20世紀80年代提出的,該理論主要用來處理關系非線性、模糊不確定性系統(tǒng)的數(shù)學方法。其中作為灰色理論重要組成部分的灰色關聯(lián)分析法,主要通過計算關聯(lián)系數(shù)和關聯(lián)度,對評估指標體系中的基本因素指標進行定量評價,來確定各種影響因素的重要度,從而制定出最優(yōu)方案。

人工神經網絡是以工程技術手段模擬人腦神經網絡的結構和功能的一種技術系統(tǒng),在處理這種多變量輸入與多變量輸出之間的非線性、模糊不確定性關系問題時,具有獨特的優(yōu)勢。煤與瓦斯突出事件與影響因素之間就是一種非線性、模糊不確定的關系,利用灰色關聯(lián)分析法分析得出煤與瓦斯突出主控影響因素指標作為人工神經網絡的輸入,簡化了預測系統(tǒng),加快了預測速度,又排除了非主控因素對結果事件的干擾,提高了預測的準確性。

鑒于指標加臨界值預測方法存在的問題,嘗試提出一種新的預測模型,概括為以下幾個方面：①在整理統(tǒng)計貴州某煤礦的歷史突出數(shù)據(jù)的基礎上,運用灰色關聯(lián)分析法對影響煤與瓦斯突出的因素進行分析,分別得出影響關聯(lián)度排在前4的主控因素指標,從而確定影響突出主控因素指標；②選擇利用灰色關聯(lián)分析法得出的主控因素指標作為人工神經網絡系統(tǒng)的輸入樣本,這里取影響關聯(lián)度排列前4類因素指標作為一組樣本數(shù)據(jù)；③利用訓練好的人工神經網絡系統(tǒng)的非線性映射關系來反映突出影響主控因素與突出事件的關系,從而進行工作面煤與瓦斯突出預測；④神經網絡輸出向量為煤與瓦斯的突出危險性特征,按照突出危險性特征將其分為4種類型：大型突出(突出煤量大于100 t,Ⅳ類型,輸出用“4”表示)；一般突出(突出煤量小于100 t,Ⅲ類型,輸出用“3”表示)；突出危險(具有突出危險性,Ⅱ類型,輸出用“2”表示)；無突出(無突出煤量,Ⅰ類型,輸出用“1”表示)。

2 灰色理論-神經網絡突出預測模型的建立

2.1 灰色關聯(lián)分析模型

分析煤與瓦斯突出預測主控因素的灰色關聯(lián),其中母因素為突出特征(突出強度),子因素為突出預測指標因素。

由母因素序列和子因素序列構成的原始數(shù)據(jù)矩陣為

(1)

由于各子因素指標數(shù)值范圍及單位不同，對計算結果會產生一定的影響,所以在計算前先進行無量綱化處理,過程如下：

設第k個因素的指標向量為

(2)

(3)

對x(0)(k)作均值化處理后得,

(4)

計算母因素與各觀測點因素之間的絕對差值,過程如下：

(5)

i=1,2,3,…,n，t=1,2,3,…,m.

求各子因素與母因素之間的關聯(lián)度系數(shù)：

(6)

i=1,2,3,…,n，t=1,2,3,…,m.

(7)

式中,Δi(t)為母因素與各觀測點因素之間的絕對差值；ρ為分辨系數(shù),其作用在于提高關聯(lián)系數(shù)之間的差異顯著性,ρ介于(0,1),一般情況下取0.1～0.5,通常取0.5。

2.2 計算關聯(lián)度

計算關聯(lián)度：

(8)

將分析得出的關聯(lián)度按由大到小的順序排列構成關聯(lián)序,反映出各子因素對母因素的影響力依次減弱,從而篩選出主要指標。以貴州某煤礦為例，將其歷史突出統(tǒng)計數(shù)據(jù)代入灰色關聯(lián)分析模型,計算得出各因素指標關聯(lián)度大小排列順序,見表1。

表1 灰色關聯(lián)分析法分析突出影響因素權重及排序

注：Kp=xMr,Kp為煤體破碎性綜合系數(shù)；x為煤層破壞類型代碼,與Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ類煤對應的數(shù)值代碼為1、2、3、4、5；Mr為煤層中軟分層厚度,m。

3 神經網絡預測模型的應用

3.1 神經網絡模型輸入指標的確定[4-5]

為提高預測精度和預測速度,選擇對煤與瓦斯突出起決定控制作用的因素,這里選擇前4個因素作為人工神經網絡預測模型的輸入因素,即瓦斯含量、瓦斯壓力、瓦斯放散初速度和煤體破碎性綜合指標。

3.2 預測模型結構的設計及訓練樣本的選取

網絡的輸入層節(jié)點數(shù)取4,即輸入因素的個數(shù)；隱含層節(jié)點個數(shù)取為9,即為(2n+1)個神經元；輸出層神經元定為1個。

為了進一步說明預測方案的可行性及神經網絡預測模型的預測精度,另外選取11組數(shù)據(jù)作為網絡訓練后的檢測樣本。

3.3 預測模型訓練及預測

在MATLAB中對訓練樣本進行訓練,訓練次數(shù)為10000次,訓練目標為0.001,學習速率為0.1。神經網絡煤與瓦斯突出預測系統(tǒng)預測突出的誤差控制在0.001。經過對訓練樣本的訓練學習和近10000次的迭代計算,誤差率為0.01%,完全滿足精度要求。預測結果與實際情況見表2。

表2 神經網絡測試樣本

通過表2可以看出,預測總體正確率達90.9%,未發(fā)生突出類型的預測準確率為100%,發(fā)生突出類型的預測也只是突出危險類型的偏差,主要原因是突出影響因素復雜,且訓練樣本有限,所以得出的神經網絡模型具有一定的局限性。若將該模型再補充更多的學習樣本充實訓練學習樣本庫,重新對神經網絡進行訓練學習,將可得出更加滿意的結果。

4 結 論

通過灰色關聯(lián)分析法，得出煤與瓦斯突出主控因素指標作為人工神經網絡的輸入,既簡化了預測系統(tǒng),加快預測速度,又排除非主控因素對計算結果的干擾,提高了預測準確性。所以，利用灰色理論-神經網絡突出預測模型進行突出危險性預測是可行的。

[1] 郭勇義,何學秋,林柏泉.煤礦重大災害防治戰(zhàn)略研究與進展[M].徐州:中國礦業(yè)大學出版社,2003.

[2] 張豫生.基于地質構造的煤與瓦斯突出預測研究[D].阜新:遼寧工程技術大學,2006.

[3] 易德生,郭 萍.灰色理論與方法[M].北京:石油工業(yè)出版社，1992.

[4] 支曉偉,林柏泉,齊黎明.人工神經網絡在煤與瓦斯突出預測中的應用[J]. 工業(yè)安全與環(huán)保 , 2005,31(4):42-44,45.

[5] 劉志云.基于神經網絡的煤與瓦斯突出礦井等級劃分方法研究[D].西安:西安科技大學, 2003.

Application of Grey Theory in the Prediction of Coal and Gas Outburst

Meng Xuyi

(Guizhou Province Bureau of Coal Geology)

The influence factors of coal and gas outburst are analyzed based on grey theory,the main influence factors are obtained. The factors are input into the artificial neural network forecasting system so as to establish the coal and gas outburst prediction model based on grey theory and neural network. The application results of the coal mine in Guizhou province show that, the prediction model constructed in this paper is suitable to predict the coal and gas outburst.

Coal and gas outburst, Prediction of coal and gas, Grey Relational degree, Neural network

2015-02-16)

孟絮屹(1982—),男,工程師,碩士,550008 貴州省貴陽市金陽區(qū)陽關大道112號。