正在加载图片...
.356 北京科技大学学报 第29卷 表】煤与瓦斯突出预测训练样本 Table 1 Coal and gas outburst forecast training samples 煤层地质特征 煤体结构指标 测试参数 钻孔瓦斯动力特征 序号开采 网络 地质 软分层 煤的坚固 瓦斯放散初 瓦斯涌出 片帮 喷孔顶 瓦斯 输出 深度 构造 变化 性系数，∫ 速度，△P 初速度，qm 响煤炮 掉渣 钻夹钻 变化 548 0 1 0.38 9.8 2.1 0 0 0 1 100 2 466 1 0.35 11.3 2.8 1 0 010 566 0 0.38 12.1 3.5 1 010 552 0 0.41 9.52 1.9 0 0 100 566 0.27 14.2 3.2 0 001 810 0 0.36 11.2 2.6 1 010 558 0.31 10.7 3.9 待识别 0 0.35 10.7 2.5 0 0 待识别 522 0 0.09 14.1 2.9 1 0 1 待识别 10 840 0 0.28 12.6 3.5 0 1 1 1 待识别 11 550 0.25 9.5 2.2 0 0 待识别 12 583 0.24 11.6 6.4 0 待识别 出，③计算网络输出层各节点的误差，④反向逐 层计算网络各节点的偏差信号，⑤修正网络连接 输出层 权值和节点阈值.⑥是否满足网络连接权值 随含层 △W:(n)<专的条件？若满足则执行⑦；否则返回 ②.⑦是否满足节点阈值E,<?若满足则停止 运行，并将获得的网络权值和阈值保存下来；否则返 隐含层 回到①. 3.3神经网络预测突出危险性结果分析 将样本作为已知样本进行训练，待网络稳定后 图1神经网络结构图 训练次数为经过近6万多次的迭代计算，误差控制 Fig-1 Neural network structure 在0.001的数量级，随迭代次数的增加，误差将越来 ”表示学习速率或称为步幅，门值越大，权值的修改 越小，经过对实验样本的统计预测，误差率为 量越大，学习速率较快，但可能引起系统误差震荡 0.001%,满足精度要求，用训练好的样本来识别7~ 通常，满足0<<1均可，这里初始值取=0.5. 12号样本，结果如表2所示， 学习参数α（也称惯性量）的加入可以在一定程度上 表2煤与瓦斯突出预测结果 抑制振荡，使曲线平滑，避免系统误差突升突降的情 Table 2 Results of coal and gas outburst forecast 况发生，为保证当前修正量为主要部分，取α小于 样本 网络输出 突出 或等于1，设a=0.5. 编号 Y2 Y3 识别 (5)权值收敛因子专及误差收敛因子E的确 7 0.00333400.05422950.9512761有大型突出危险性 定.一般地权值收敛因子取小于0.001，误差收敛 80.98038000.00876700.0405328 无突出危险 因子E取小于0.005.这里，≤0.0005，E≤ 90.05944110.91229100.0665844有小型突出危险性 0.001. 100.00374460.06561600.9524630有大型突出危险性 3.2煤与瓦斯突出预测神经网络系统的学习过程 110.05093330.95219200.0159661有小型突出危险性 将神经网络用于煤与瓦斯突出预测，其学习过 120.07425230.03296490.9850420有大型突出危险性 程为：①随机给出网络初始权值、阈值，对于BP网 络，当初始权值相等时，网络将无法正常学习.② 根据瓦斯地质资料进行突出预测分析，其中7 逐层正向计算网络隐含层及输出层节点的实际输 号样本由小型突出误预测为有大型突出危险性，其表1 煤与瓦斯突出预测训练样本 Table1 Coal and gas outburst forecast training samples 序号 煤层地质特征 煤体结构指标 测试参数 钻孔瓦斯动力特征 开采 深度 地质 构造 软分层 变化 煤的坚固 性系数f 瓦斯放散初 速度ΔP 瓦斯涌出 初速度qm 响煤炮 片帮 掉渣 喷孔顶 钻夹钻 瓦斯 变化 网络 输出 1 548 0 1 0∙38 9∙8 2∙1 0 0 0 1 100 2 466 1 1 0∙35 11∙3 2∙8 1 0 0 1 010 3 566 1 0 0∙38 12∙1 3∙5 1 0 1 1 010 4 552 1 0 0∙41 9∙52 1∙9 0 1 0 0 100 5 566 1 1 0∙27 14∙2 3∙2 0 1 0 1 001 6 810 0 1 0∙36 11∙2 2∙6 1 0 1 1 010 7 558 0 1 0∙31 10∙7 3∙9 1 1 0 1 待识别 8 439 0 0 0∙35 10∙7 2∙5 0 0 1 0 待识别 9 522 1 0 0∙09 14∙1 2∙9 1 0 1 1 待识别 10 840 0 1 0∙28 12∙6 3∙5 0 1 1 1 待识别 11 550 1 1 0∙25 9∙5 2∙2 0 1 1 0 待识别 12 583 0 1 0∙24 11∙6 6∙4 1 1 0 1 待识别 图1 神经网络结构图 Fig．1 Neural network structure η表示学习速率或称为步幅η值越大权值的修改 量越大学习速率较快但可能引起系统误差震荡． 通常满足0＜η＜1均可这里初始值取 η＝0∙5． 学习参数 α（也称惯性量）的加入可以在一定程度上 抑制振荡使曲线平滑避免系统误差突升突降的情 况发生．为保证当前修正量为主要部分取 α小于 或等于η设 α＝0∙5． （5） 权值收敛因子 ξ及误差收敛因子 E 的确 定．一般地权值收敛因子ξ取小于0∙001误差收敛 因子 E 取小于 0∙005．这 里ξ≤0∙0005E ≤ 0∙001． 3∙2 煤与瓦斯突出预测神经网络系统的学习过程 将神经网络用于煤与瓦斯突出预测其学习过 程为：① 随机给出网络初始权值、阈值对于 BP 网 络当初始权值相等时网络将无法正常学习．② 逐层正向计算网络隐含层及输出层节点的实际输 出．③ 计算网络输出层各节点的误差．④ 反向逐 层计算网络各节点的偏差信号．⑤ 修正网络连接 权值 和 节 点 阈 值．⑥ 是 否 满 足 网 络 连 接 权 值 ΔWji（ n）＜ξ的条件？若满足则执行⑦；否则返回 ②．⑦ 是否满足节点阈值 Ep＜β？若满足则停止 运行并将获得的网络权值和阈值保存下来；否则返 回到①． 3∙3 神经网络预测突出危险性结果分析 将样本作为已知样本进行训练待网络稳定后 训练次数为经过近6万多次的迭代计算误差控制 在0∙001的数量级随迭代次数的增加误差将越来 越小经 过 对 实 验 样 本 的 统 计 预 测误 差 率 为 0∙001％满足精度要求用训练好的样本来识别7～ 12号样本结果如表2所示． 表2 煤与瓦斯突出预测结果 Table2 Results of coal and gas outburst forecast 样本 编号 网络输出 Y1 Y2 Y3 突出 识别 7 0∙0033340 0∙0542295 0∙9512761 有大型突出危险性 8 0∙9803800 0∙0087670 0∙0405328 无突出危险 9 0∙0594411 0∙9122910 0∙0665844 有小型突出危险性 10 0∙0037446 0∙0656160 0∙9524630 有大型突出危险性 11 0∙0509333 0∙9521920 0∙0159661 有小型突出危险性 12 0∙0742523 0∙0329649 0∙9850420 有大型突出危险性 根据瓦斯地质资料进行突出预测分析其中7 号样本由小型突出误预测为有大型突出危险性其 ·356· 北 京 科 技 大 学 学 报 第29卷