張曉銘 張愛絨 郭勇義

(1.太原理工大學礦業(yè)工程學院，山西省太原市，030024；2.太原理工大學，山西省太原市，030024；3.太原科技大學，山西省太原市，030024)

由于煤與瓦斯突出影響因素的多樣性和各個礦井地質(zhì)條件、開采工藝等情況的不同，靠單一指標或者固定臨界值的方法來預(yù)測煤與瓦斯突出的方法是不合理的。雖然 《防止煤與瓦斯突出規(guī)定》中要求指標臨界值需要根據(jù)實踐考察確定，但是絕大多數(shù)礦井都沒有做到這一點，僅僅采用規(guī)定中給出的參考臨界值來預(yù)測煤與瓦斯突出，這給防突工作帶來了一定的盲目性。本文運用經(jīng)微粒群算法 (Particle Swarm Optinization，PSO)優(yōu)化的自組織神經(jīng)網(wǎng)絡(luò)建立煤與瓦斯突出預(yù)測模型，通過模擬煤與瓦斯突出的物理模型，對煤礦采掘工作面煤體的突出危險情況進行分類和判斷，根據(jù)分類結(jié)果可采取相對應(yīng)的防突措施，使煤礦的防突工作更具有針對性。

1 煤與瓦斯突出機理的研究

對國內(nèi)外大量突出案例分析可知，煤與瓦斯突出是由于煤體在瓦斯壓力與地應(yīng)力的聯(lián)合作用下克服煤層阻力引發(fā)的。在整個突出過程中，由地應(yīng)力和瓦斯壓力提供能量，而煤體則是這個過程動力的受體和阻力的主體。因此，當瓦斯能和地應(yīng)力潛能大于煤體的破壞功和移動功時，即阻力突然解除時，就有可能發(fā)生煤與瓦斯突出。

因此選擇的預(yù)測指標要綜合反映地應(yīng)力、瓦斯壓力和煤的物理力學性質(zhì)相互之間的關(guān)系。其中本文所用到的預(yù)測指標有煤屑解析指標 (K1)反映地應(yīng)力、瓦斯壓力對煤層的破壞程度和瓦斯含量的綜合作用；煤的堅固性系數(shù) (f)反映煤的堅固性，即煤與瓦斯突出的阻力；最大鉆屑量 (S)反映了煤層應(yīng)力狀況、煤的力學性質(zhì)和瓦斯3個方面的因素；鉆孔瓦斯涌出初速度 (q)反映煤體的滲透性能、力學性質(zhì)、煤層瓦斯壓力和含量以及地應(yīng)力的變化情況。

2 自組織競爭神經(jīng)網(wǎng)絡(luò)與PSO算法

2.1 自組織競爭神經(jīng)網(wǎng)絡(luò)

自組織競爭神經(jīng)網(wǎng)絡(luò)是一類無教師監(jiān)督學習方式的神經(jīng)網(wǎng)絡(luò)模型，也就是說它無需期望輸出，只需根據(jù)數(shù)據(jù)樣本進行學習，并且通過調(diào)整自身權(quán)值來達到學習的目的。自組織神經(jīng)網(wǎng)絡(luò)的學習是采用競爭型的學習規(guī)則?；舅枷胧蔷W(wǎng)絡(luò)競爭層的各個神經(jīng)元通過相互競爭來獲取對輸入模式的相應(yīng)的機會，最后只有一個神經(jīng)元成為競爭的勝利者，將與獲勝神經(jīng)元有關(guān)的各個連接權(quán)值往更有利于競爭的方向調(diào)整。

自組織競爭網(wǎng)絡(luò)可以分為輸入層和輸出層。假設(shè)輸入層由N個神經(jīng)元組成，競爭層由M個神經(jīng)元組成，網(wǎng)絡(luò)連接權(quán)值為wij(i＝1，2，…，N；j＝1，2，…，M)。在競爭層中，神經(jīng)元之間相互競爭，最終只有一個神經(jīng)元獲勝，以適應(yīng)當前的輸入樣本。勝利的神經(jīng)元就表示當前輸入樣本的分類模式。自組織競爭神經(jīng)網(wǎng)絡(luò)的模型見圖1。

圖1 自組織競爭神經(jīng)網(wǎng)絡(luò)

2.2 PSO算法

PSO是計算智能領(lǐng)域的一種基于群體智能的算法，采用進化、群體的概念，根據(jù)個體的適應(yīng)度進行調(diào)整。PSO算法是將個體看作是n維空間中無質(zhì)量和體積的微粒，并在該空間中以一定的速度飛行。其飛行速度根據(jù)個體飛行經(jīng)驗和群體飛行經(jīng)驗進行調(diào)整。

自組織競爭神經(jīng)網(wǎng)絡(luò)雖然具有無教師監(jiān)督、自行學習和適應(yīng)性強等特點，但是由于網(wǎng)絡(luò)的初始權(quán)值是隨機產(chǎn)生的，對于每次分類的結(jié)果也會有所不同，因此得出一個穩(wěn)定的分類結(jié)果需要很長的時間。而PSO算法具有較強的全局收斂能力和較強的魯棒性，且不需要借助問題的特征信息。因此，將兩者結(jié)合，使原來無教師監(jiān)督的學習變?yōu)橛薪處煴O(jiān)督的學習，這樣不僅能發(fā)揮自組織競爭神經(jīng)網(wǎng)絡(luò)的泛化適應(yīng)能力，而且能夠提高網(wǎng)絡(luò)的學習效率和準確率。

3 煤與瓦斯突出預(yù)測模型的建立

將訓(xùn)練數(shù)據(jù)，即4個預(yù)測指標作為輸入層來建立預(yù)測模型。訓(xùn)練過程一般定義學習次數(shù)為200次，學習速度設(shè)為0.01。同時運用PSO算法對網(wǎng)絡(luò)的權(quán)值進行優(yōu)化，以求盡快找到最穩(wěn)定的結(jié)果。輸出層可以有2個，代表結(jié)果分為有突出危險和無突出危險。

其網(wǎng)絡(luò)訓(xùn)練過程為:

(1)對網(wǎng)絡(luò)首次運行后的權(quán)值進行適當?shù)淖儺?，并將其作為初始種群。

(2)運用進化公式對種群進行進化，并根據(jù)適應(yīng)度函數(shù)計算其適應(yīng)度。

(3)當進化結(jié)束后，擁有最佳適應(yīng)度的分類結(jié)果即為最后的結(jié)果。如果網(wǎng)絡(luò)分類結(jié)果與已知結(jié)果的誤差在可以允許的范圍內(nèi)，說明此時網(wǎng)絡(luò)已經(jīng)達到預(yù)測所要求精度。

之后，將預(yù)測數(shù)據(jù)輸入到網(wǎng)絡(luò)中，便可得出預(yù)測結(jié)果。由于自組織競爭神經(jīng)網(wǎng)絡(luò)具有很高的精度，并且綜合考慮了各個預(yù)測指標與突出危險結(jié)果之間的相互關(guān)系，因此預(yù)測結(jié)果很準確，要優(yōu)于其他常規(guī)預(yù)測方法。此外自組織競爭網(wǎng)絡(luò)收斂性較好，因此在實用性方面要優(yōu)于BP網(wǎng)絡(luò)。

表1 煤與瓦斯突出預(yù)測模型的訓(xùn)練與測試

4 實例分析

本文采用的數(shù)據(jù)來源于沙曲礦24207工作面2011年的瓦斯監(jiān)控資料。沙曲礦位于山西省西部河?xùn)|煤田中段的離柳礦區(qū)，隸屬華晉焦煤有限責任公司，設(shè)計生產(chǎn)能力3.0Mt／a。目前該礦主要開采4＃煤層，該煤層被鑒定為突出煤層，24207工作面就布置在該突出煤層中。

按照該工作面作業(yè)規(guī)程規(guī)定，每推進2m進行一次采樣測定，即每2m作為一個預(yù)測單元。從監(jiān)控數(shù)據(jù)中選取具有代表性的突出和不突出各15組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，選取5組作為預(yù)測數(shù)據(jù)，并將這35個預(yù)測單元標上序號，方便識別。將訓(xùn)練數(shù)據(jù)輸入到自組織競爭神經(jīng)網(wǎng)絡(luò)中，對該預(yù)測模型進行訓(xùn)練。同時還可以查看該模型訓(xùn)練的準確率。煤與瓦斯突出預(yù)測模型的訓(xùn)練與測試見表1。當輸出結(jié)果為1時，代表無突出危險；輸出結(jié)果為2時，代表有突出危險。由表1可見，經(jīng)PSO優(yōu)化的自組織競爭網(wǎng)絡(luò)對訓(xùn)練樣本分類結(jié)果的準確率高達100%，說明了PSO是可以用來優(yōu)化自組織競爭網(wǎng)絡(luò)的，同時也說明運用該模型進行煤與瓦斯突出預(yù)測結(jié)果準確率是很高的。

將測試數(shù)據(jù)輸入到已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中。結(jié)果顯示，這些數(shù)據(jù)分成有突出危險和無突出危險兩類。測試數(shù)據(jù)及分類的結(jié)果見表1中31?！?5＃數(shù)據(jù)。

根據(jù)自組織競爭神經(jīng)網(wǎng)絡(luò)分類的結(jié)果，34＃、35＃測試地點為第二類，代表有突出危險；其他測試地點為第一類，代表無突出危險。與常規(guī)預(yù)測方法的結(jié)果相比，減少了一個突出地點，并且與實際情況相同。分析以上數(shù)據(jù)可知，運用PSO優(yōu)化的自組織神經(jīng)網(wǎng)絡(luò)和最大鉆屑量、煤屑解析指標、鉆孔瓦斯涌出初速度和煤的堅固性系數(shù)4個重要指標建立煤與瓦斯突出預(yù)測模型，其預(yù)測結(jié)果是準確的。因此，根據(jù)該預(yù)測結(jié)果采取防突措施來消除突出危險，可以降低防突成本，提高防突效果，使礦井的防突工作更有針對性，從而提高煤礦的經(jīng)濟效益。

4 結(jié)論

由于煤與瓦斯突出機理的復(fù)雜性以及各個礦井的地質(zhì)構(gòu)造、瓦斯賦存和開采方式等情況的不同，各個因素與是否發(fā)生煤與瓦斯突出呈現(xiàn)一種復(fù)雜的非線性關(guān)系。因此采用固定的臨界值或者單一指標的傳統(tǒng)方法來預(yù)測煤與瓦斯突出是不合理的。而本文所采用經(jīng)PSO算法優(yōu)化的自組織競爭神經(jīng)網(wǎng)絡(luò)模型，通過對多種指標的綜合分析和計算，對煤與瓦斯突出進行預(yù)測，克服了以往傳統(tǒng)預(yù)測方法的不足，避開了尋找指標臨界值的階段，使預(yù)測的結(jié)果更加準確；同時解決了分類結(jié)果不穩(wěn)定的缺陷。根據(jù)預(yù)測結(jié)果說明，用該模型預(yù)測煤與瓦斯突出是可行的。這種預(yù)測模型為煤與瓦斯突出的理論研究提供了一種新思路，同時也為礦井實際生產(chǎn)中治理煤與瓦斯突出提供了可以借鑒的方法。

[1]魏風清，史廣山等.基于瓦斯膨脹能的煤與瓦斯突出預(yù)測指標研究[J].煤炭學報，2010(8)

[2]胡勝利，錢旭.基于遺傳算法和人工神經(jīng)網(wǎng)絡(luò)的煤層厚度預(yù)測[J].中國煤炭，2008(11)

[3]王顯政.煤礦安全新技術(shù)[M].北京:煤炭工業(yè)出版社，2010

[4]陸美寧，楊汶泉.基于Bayes判別分析法的煤與瓦斯突出研究[J].煤炭技術(shù)，2011(5)

[5]葛哲學，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn)[M].北京:電子工業(yè)出版社，2008

[6]曾建潮.粒子群算法[M].北京:科學出版社，2004