刘羿甫,王 丰
(贵州大学 矿业学院,贵州 贵阳550003)
在煤矿的初步设计、建设施工、生产运行的过程中,瓦斯都是影响其的主要因素。而且随着开采深度和强度的增加,瓦斯的影响作用日益显著和强烈。因此,瓦斯涌出量预测结果的准确性,将会对煤矿的技术经济指标产生直接影响。如果因预测涌出量比实际涌出量偏高,而在煤矿建设时加大瓦斯治理的投资,将会造成不必要的浪费;而假若预测涌出量比实际涌出量偏低,则会导致煤矿投产后瓦斯灾害治理不到位,需进行通风系统优化或降低产量,造成重大的经济损失〔1〕。
目前国内外对于瓦斯涌出量预测方法有很多种,如灰色预测、模糊综合评判、回归分析等〔2〕,每种方法都有其不同的特点。而BP神经网络具有非线性映射程度高、自组织结构、并行处理等特点,将瓦斯涌出量的影响因素作为输入量,通过一定的连接方式,进行网络训练,最终实现瓦斯涌出量预测。基于此方法具有计算机自动进行数据处理、准确度高等优点,因此根据BP神经网络基本原理,对某煤矿回采工作面的瓦斯涌出量进行预测。
BP神经网络是现在应用比较普遍的模型之一,它是通过误差逆传播算法进行训练的多层前馈网络,不需要预先描述数学方程的映射关系,就能学习和存储大量的输入-输出映射关系。其基本原理为:正向传播时输入信息从输入层通过隐含单元进行处理后传向输出,下层的神经元状态只接受上层神经元的状态对其产生的影响;一旦输出层没有得到预期的输出,则误差信号按原有的神经元通路反向进行,同时修改原有各层神经元的权值;经过反复的更迭,直至将误差控制在可以接受的范围之内,使网络的误差平方和最小为止〔3〕。此时,该网络就可以应用于实际预测工作中了。
目前,实际应用中的神经网络一般包含3层或3层以上。经国外学者证明,具有S型隐层函数的3层BP神经网络能够以任意精度逼近任何一个具有有限间断点的非线性函数。因此本次选择S型函数的3层BP神经网络作为某煤矿回采工作面瓦斯涌出量预测模型。
输入层节点的确定:由于在实际的生产过程中,很多因素都会对回采工作面的瓦斯涌出量产生影响。通过现场生产中的观测,最终确定回采工作面煤层厚度、埋藏深度、瓦斯含量、日平均进尺、日平均产量〔4〕这5项作为该煤矿回采工作面瓦斯涌出量的主要影响因素,即输入层节点个数为5个。
隐含层节点的确定:关于隐含层节点的确定,目前还没有统一的方法。另外,隐含层神经元中所包含的每个权值都是增加网络映射能力的一个参数,因此对网络的预测性能的影响较大:神经元数量过少,获取的样本信息就差,不能完全体现样本规律;神经元数量过多,收敛速度就会降低,同时网络训练时间增加,甚至会出现“过度吻合”的现象。因此,本文根据经验公式进行设计:L=2m+1m为输入层节点个数,确定隐含层神经元为11个,然后通过在11两侧取值,观察比较网络性能,最终确定隐含层节点为11个。
输出层节点的确定:仅有回采工作面瓦斯涌出量的预测值这1个节点。
设计的回采工作面BP网络模型结构见图1。
图1 三层BP神经网络模型结构
根据某煤矿历年其他回采工作面的瓦斯涌出量实际统计数据,提取了10组瓦斯涌出量的影响因素参数(即回采工作面煤层厚度、埋藏深度、瓦斯含量、日平均进尺、日平均产量)作为样本(见表1),根据建立的3层BP神经网络模型结构图,利用MATLAB软件进行编程寻求该煤矿回采工作面瓦斯涌出量的BP神经网络预测模型。
表1 BP神经网络预测模型样本参数
主要程序如下:
P=〔2.2 490 5.76 6.63 2738;……3.4 676 11.04 5.3 3615;〕’;%原始数据输入
T=〔13.03……21.68〕;%期望输出
〔pn,minp,maxp,tn,mint,maxt〕=premnmx(P,T);%将数据归一化
net=newff(minmax(pn),〔11,1〕,{’tansig’,’tansig’},’traingdm’);%网络创建
net.trainParam.show=50;%设置网络的训练参数;
net.trainParam.epochs=5000;
net.trainParam.goal=1e-2;
net.trainParam.lr=0.01;
net=train(net,pn,tn);%训练 BP网络;
A=sim(net,pn)%对BP网络进行仿真;
E=T-A%计算仿真误差。
MSE=mse(E)
然后通过MATLAB软件运行程序进行训练,训练次数为4388次,最终结果mse=0.01,满足0.01的精度训练要求(训练过程见图2,误差曲线趋势见图3),得出该煤矿回采工作面瓦斯涌出量的BP神经网络预测模型。
图2 MATLAB训练过程
图3 误差曲线趋势
采集下一采区回采工作面的5组瓦斯涌出量影响因素(见表2),代入MATLAB软件中已建立的BP神经网络预测模型进行下一采区回采工作面瓦斯涌出量预测。
表2 下一采区回采工作面瓦斯涌出量影响因素参数
主要程序如下:
X= 〔3.9,632,11.13,5.56,3421;……3.4,698,13.74,4.78,3097;〕’%预测原始数据
Y=tramnmx(X,minp,maxp);%预测数据的归一化;
an=sim(net,Y);%仿真测试数据;
〔a〕=postmnmx(an,mint,maxt)%数据的反归一化,即最终的预测结果。
基于已建立的BP神经网络预测模型,通过MATLAB软件运行上述程序,得出下一采区回采工作面瓦斯涌出量预测值(见表3)。
通过预测的瓦斯涌出值和实际瓦斯涌出值对比分析可以看出:预测值和实测值的最大绝对误差为1.16,最大相对误差为5.7%,说明建立的BP神经网络模型的预测准确率较高,拟合效果较好,可以用于该煤矿回采工作面瓦斯涌出量的预测。
表3 回采工作面瓦斯涌出量预测结果对比分析
1)基于BP神经网络模型具有较强的自学习性、自适应性、较高非线性映射等特点,通过MATLAB软件训练影响回采工作面瓦斯涌出量的各种因素,克服主观判断随意性大等缺点,使得回采工作面瓦斯涌出量的预测结果定量化、准确化、合理化。
2)根据该矿的实际情况,通过回采工作面的瓦斯涌出量预测值与生产中的实测值对比分析:最大绝对误差为1.16,最大相对误差为5.7%,这表明所建立的BP神经网络回采工作面瓦斯涌出量预测模型具有较高的可靠性,可以运用到该煤矿的回采工作面瓦斯涌出量预测工作中,对该煤矿的瓦斯防治工作具有重要的现实意义。
〔1〕杨智懿,熊亚选,等 .工作面瓦斯涌出量神经网络模型预测研究〔J〕.煤炭工程,2004(10):73-75.
〔2〕朱红青,常文杰,等 .回采工作面瓦斯涌出BP神经网络分源预测模型及应用〔J〕.煤炭学报,2007(5)504-508.
〔3〕王连福,王 华,等 .基于人工神经网络的多模引信磁探测信号处理杨喜旺〔J〕.探测与控制学报,2005(2)48-54.
〔4〕唐朝伟,何国田,等 .神经网络在采煤工作面瓦斯涌出预测中的应用〔J〕.计算机应用,2007(27):202-204.