基于信息融合技術(shù)的礦井瓦斯預(yù)測(cè)

劉曉悅 高澤斌

摘要：我國(guó)煤礦瓦斯事故發(fā)生概率極高，瓦斯事故已成為了危害煤礦安全生產(chǎn)以及井下工作人員生命財(cái)產(chǎn)安全的主要元兇。

關(guān)鍵詞：瓦斯預(yù)測(cè)；模糊C均值；BP神經(jīng)網(wǎng)絡(luò)；

中圖分類號(hào)：TD77 文獻(xiàn)標(biāo)識(shí)碼：A

中國(guó)是煤炭生產(chǎn)和消費(fèi)大國(guó)，2018年，在我國(guó)不可再生能源消費(fèi)中，煤炭占60%左右[1]。煤炭生產(chǎn)大部分為井下開采，礦井環(huán)境復(fù)雜多變，隨著開采深度不斷的加深以及煤層瓦斯涌出量的不斷加大，瓦斯問題已經(jīng)成為煤礦開采的主要安全危害因素。由于礦井瓦斯涌出量也是指導(dǎo)礦井通風(fēng)和設(shè)計(jì)的重要指標(biāo)之一，如何實(shí)現(xiàn)瓦斯涌出量準(zhǔn)確預(yù)測(cè)已成為制定相應(yīng)的防護(hù)措施、減少礦難的關(guān)鍵工作。

1.模糊C 均值算法

模糊聚類分析作為無監(jiān)督機(jī)器學(xué)習(xí)的主要技術(shù)之一，是用模糊理論對(duì)重要數(shù)據(jù)分析和建模的方法。在眾多模糊聚類算法中，模糊C均值（FCM）算法應(yīng)用最廣泛且較成功，這種算法通過使用誤差平方和準(zhǔn)則把實(shí)際中遇到的一些分類問題通過轉(zhuǎn)化進(jìn)行求解。

2.仿真

通過中國(guó)國(guó)家數(shù)據(jù)庫和網(wǎng)絡(luò)爬蟲軟件收集開漆礦業(yè)集團(tuán)錢家營(yíng)礦區(qū)2015年12月至2016年6月的回采工作面絕對(duì)瓦斯涌出量歷史監(jiān)測(cè)數(shù)據(jù)。該案例中，由于回采工作面絕對(duì)瓦斯涌出量影響因素很多，經(jīng)過參考相關(guān)資料，本文選取回釆工作面絕對(duì)瓦斯涌出量的10個(gè)主要影響因素。

首先將歸一化后的數(shù)據(jù)用最大最小距離算法算出初始聚類中心。計(jì)算結(jié)果為初始聚類中心有4類，由表可以看出樣本數(shù)據(jù)是一個(gè)維數(shù)據(jù)，所以得到的類別中心的每一個(gè)中心點(diǎn)也是一個(gè)維數(shù)據(jù)，結(jié)果如表所示。

然后將得到的初始化聚類中心作為FCM算法的初始化條件，得到每個(gè)數(shù)據(jù)到四個(gè)聚類中心的隸屬度，其均可以用隸屬度值來表示其類別，從而得到隸屬度矩陣U，見表2。

U為一個(gè) 30*4 的矩車，表示這30個(gè)樣本數(shù)據(jù)分別屬于這四種類型的隸屬度，根據(jù)隸屬度矩陣，按照模糊集合中的最大隸屬度原則就能夠確定出每個(gè)樣本數(shù)據(jù)大概屬于哪個(gè)類型。任取樣本分析，如：第一個(gè)樣本數(shù)據(jù) U屬于第一類，U42={0.177 0.432 0.216 0.179}屬于第二類。經(jīng)過FCM 算法聚類后，將處理過的數(shù)據(jù)和處理過程中得到的數(shù)據(jù)結(jié)果結(jié)合起來，可以得到各個(gè)因素對(duì)瓦斯涌出量的影響程度。

構(gòu)建基于FCM的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層為10，輸出層為1。首先直接將30組數(shù)據(jù)用單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)，得到如下圖1結(jié)果。

單一神經(jīng)網(wǎng)絡(luò)的BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練過程中的誤差比預(yù)期要大，擬合情況一般。隨后將由FCM聚類后的結(jié)果分別作為神經(jīng)網(wǎng)絡(luò)的輸出，用已得到的4個(gè)子樣本訓(xùn)練集訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，可得4個(gè)已訓(xùn)練好的一步預(yù)測(cè)模型，將測(cè)試數(shù)據(jù)集輸入到這4個(gè)模型中，得到n*4個(gè)瓦斯涌出量預(yù)測(cè)值，每個(gè)瓦斯涌出量測(cè)量值都有4個(gè)對(duì)應(yīng)的預(yù)測(cè)值 ，根據(jù)公式：

（5）

計(jì)算得到對(duì)應(yīng)的瓦斯涌出量最終預(yù)測(cè)值 。預(yù)測(cè)模型的10組預(yù)測(cè)輸出結(jié)果如圖4所示。經(jīng)計(jì)算，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在訓(xùn)練過程中的平均絕對(duì)誤差為0.10385，精確度達(dá)到89.7%

3結(jié)論

利用MATLAB軟件形成一個(gè)基于模糊C均值算法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)，將影響瓦斯涌出量的動(dòng)態(tài)數(shù)據(jù)與靜態(tài)數(shù)據(jù)融合、處理和分析，實(shí)現(xiàn)對(duì)礦井下瓦斯涌出量更為精確的預(yù)測(cè)。

參考文獻(xiàn)

[1]付華，邵良杉.煤礦瓦斯災(zāi)害特征挖掘與融合預(yù)測(cè)[M].北京：科學(xué)出版社，2011

[2]李樹仁.煤與瓦斯突出礦井采面瓦斯涌出特征及影響因素分析[J].煤炭技術(shù)，2018，37（09）：241-243.

[3]智登奎，李國(guó)勇. 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)瓦斯?jié)舛阮A(yù)測(cè)[J].礦山機(jī)械，2013，41（4）：117-120

（作者單位：華北理工大學(xué)電氣工程學(xué)院）