基于人工神经 网络的煤与瓦斯突出预测.docx

基于人工神经网络的煤与瓦斯突出预测 随着我国煤炭科学技术的快速进展，在煤与瓦斯突出猜测方面取得了突出进展，提出了很多猜测煤与瓦斯突出的方法和指标，如基于煤体裂开过程中的声放射和电磁辐射现象的非接触式猜测方法；依据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式猜测方法；以及其它猜测指标等但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化因此，猜测结果经常不很精确      人工神经网络技术（ANN）的飞速进展，基于人工神经网络的猜测煤与瓦斯突出猜测已经能够达到很高的猜测精度，优于其它猜测方法，完全可以满意煤矿煤与瓦斯突出猜测精度的要求 1 影响煤与瓦斯突出事故的因素 （1）煤层瓦斯压力原始瓦斯压力越高，煤体内的瓦斯含量越大，煤体裂开时单位面积裂隙上涌出的瓦斯量就越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道 （2）围岩的透气性系数围岩的透气性系数越大，越有利于煤层中瓦斯泄漏，在同样瓦斯压力下，煤层中赋存的瓦斯越小。

（3）构造煤的类型构造煤是煤与瓦斯突出的必要条件，不同类型构造煤具有不同的突出危急性 （4）瓦斯放散初速度煤样放散瓦斯快慢的程度用△P值表示，其大小与煤的微孔隙结构，孔隙表面性质和孔隙大小有关，随构造煤破坏类型的增高，△P值也增高 （5）软分层煤厚由下式可以看出，煤体撕裂后形成的球盖状煤壳曲率半径Ri及煤壳所对的中心角Φi越大，下式就简单满意，煤壳就简单失稳抛出当突出阵面沿软分层进展时，在垂直煤层方向上有如下关系： H=2Risin (Φi）

采纳BP算法的多层神经网络模型一般称为BP网络多层神经网络模型的一般拓扑结构如图1所示它由输入层、隐层和输出层组成中间层也就是隐含层可以是一层或多层 BP网络的学习过程由两部分组成：正向传播和反向传播当正向传播时，输入信息从输入层经隐单元层处理后传向输出层，每一层神经元的状态只影响下一层的神经元状态假如在输出层得不到盼望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回返回过程中，逐一修改各层神经元连接的权值这种过程不断迭代，最终使得信号误差达到允许的范围之内 图1 多层前向BP网络 BP网络中采纳了有肯定阈值特性、连续可微的Sigmoid函数作为神经元的激发函数当然其他类似的非线性函数也可选用本文采纳的Sigmoid型函数： ?（x）＝1/（1＋e-1） 2.2 用于煤与瓦斯突出猜测的BP神经网络的构建 我们知道，影响煤与瓦斯突出的因素许多，并且，到目前为止有的影响煤与瓦斯突出的因素还没有找到人工神经网络模型是综合了影响煤与瓦斯突出的多种因素的一种非线性煤与瓦斯突出猜测模型，它尽可能多的考虑影响煤与瓦斯突出的主要因素，来综合猜测煤与瓦斯突出灾难。

影响煤与瓦斯突出的主要有瓦斯放散初速度，构造煤的类型，软分层煤厚，煤层瓦斯压力等因素其算法程度如图2 图2 人工神经网络BP算法程序 （1）输入与输出层的设计输入层神经元由影响煤与瓦斯突出的主要因素个数打算对于煤与瓦斯突出猜测过程，这里选择5个主要影响因素（瓦斯放散初速度x1，构造煤的类型x2，软分层煤厚x3，煤层瓦斯压力x4）和围岩透气性x5作为输入：输出层由2个节点y1、y2（y1、y2的输出值为0和1）组成，其作用是给出猜测的3种结果，以分别表示煤与瓦斯突出区域猜测中的突出危急区、突出威逼区和无突出危急区3种情形，从而实现煤与瓦斯突出危急性评价本软件使用vc+ +语言实现 输入算法： for(int k=0;k

隐层可以是一层或多层隐层单元数与问题的要求和输入输出有直接关系隐层单元数太多，会导致学习时间过长，隐单元数过少，容错性差这里采纳了有2个神经元的隐层 隐层单元的算法如下： for(imt k=0;k

选择样本时，应使所选择的训练样本集具有完全的代表性 3 实例应用 利用已完成的人工神经网络猜测软件对实际问题进行试验讨论选择某矿的某水平的6个区域（a1，a2，a3，a4，a5，a6）的相关突出指标原始数据和输出结果见表1 表1 原始输入数据和神经网络的猜测结果 表一 从表1中可以看出，人工神经网络的猜测结果与实际突出状况完全吻合，这就说明该网络模型的确能有效地猜测该矿的煤与瓦斯突出灾难 4 结语 人工神经网络方法已经是比较成熟的非线性数学方法，在应用它进行构造猜测模型时，关键的是要提高收敛速度和防止陷入局部最小值本模型在使用了该网络的BP算法，有效地防止了系统陷入局部最小值，并尽量提高运算速度。