第1期 郭德勇等：基于地理信息系统和神经网络的煤与瓦斯突出预警 17。 率，Q为冲量系数.E为权空间{w(t)》上的误差超 2.2煤与瓦斯突出预警模型 曲面. 基于GS和神经网络的煤与瓦斯突出预警模 (2)网络构造.瓦斯浓度与煤体温度(Q)、超标 型（图3）是在矿井GIS环境下，通过煤矿安全监测 时间(T)、方差(S)和增量（△）这四个参数作为BP 系统对瓦斯浓度和煤体温度的监测，利用神经网络 神经网络输入参数.网络输出为0,0，刂、[0,1,0] 技术对预警指标进行的神经网络分析，然后根据网 和L,0,0],对应煤与瓦斯突出预警的三个预警级 络输出结果判断预警等级的过程， 别.根据Timothy Masters的近似计算公式？ GS技术 m×n(其中m为输入层节点数，n为输出层节 瓦斯传感器 0.01 绿色预警 神经网络 点数)，可以得出隐含节点数为4.因此，本系统的网 0.1.0 预警系统 黄色预警 温度传感器 络构造为44-3. 1,0.0 红色预警 21.2预警知识库 图3煤与瓦斯突出预警模型 知识库部件是存有神经网络层数、节点数、权值 Fig.3 Early waming model of coal and gas outburst 等结构的数据库，由网络训练后获取的网络权值构 成知识库内容在新的预警知识训练后，可不断更新 2.3预警等级划分 权值.知识库是预警知识的载体，也是报警部件的 煤与瓦斯突出预警是利用神经网络对瓦斯浓度 先导部件. 和煤体温度进行变量监测和预测评估，根据预警临 21.3报警部件 界条件对系统运行的接近负向质变临界值的程度做 报警部件是神经网络预警系统的预警手段，它 出早期预判，确定煤与瓦斯突出的发展变化趋势和 利用知识库中的神经网络权值，在新的预警数据驱 危险程度.根据神经网络构造并结合实际情况，将 动下，经神经网络运算得出预警结果，发出报警 预警等级划分为三级（表1）.在实际应用中，两个预 信号. 警临界条件只要其中一个条件符合，就会发出相应 预警级别. 表1煤与瓦斯突出预警等级 Table I Early w aming grade of coal and gas outburst 预警分类预警等级 预警色 预警临界条件 突出危险性 9(CH≥3%，超标时间大于30s,增量大于1%：煤体温度：超标时间大于 I级 红色 有突出危险 100s降低量大于2℃ 08%≤9(CH≤3%，超标时间大于30s增量大于1%：煤体温度：超标时间 2 Ⅱ级 黄色 有突出倾向 大于60：降低量大于1℃ 级 绿色 9(CH,K08%.增量小于05%：煤体温度变化量士1℃之间 无突出危险 理比较发育，倾角在25°左右，透气性较差，瓦斯含 3 GS环境下煤与瓦斯突出预警实践 量平均为15m3t1.煤层顶底板均为砂质泥岩，透 3.1预警系统模块开发 气性较差.工作面正常掘进过程中回风流P(CH4) 预警系统以ArcView GIS为平台，利用二次开 为0.3%，绝对瓦斯涌出量1.4m3mim1. 发语言编程实现煤与瓦斯突出预警系统模块功能， (2)煤与瓦斯突出预警效果检验.煤与瓦斯突 并将煤与瓦斯突出预警模块对应“煤与瓦斯突出预 出预警系统首先利用瓦斯突出历史信息建立神经网 警菜单，然后将其编程为标准扩展.实际应用时将 络预警训练样本库，然后通过实时瓦斯浓度和煤体 这个扩展添加到软件中，可实现矿井GS环境下的 温度数值驱动神经网运算，根据计算结果在视图 煤与瓦斯突出预警. 中标识不同预警等级.在“煤与瓦斯突出预警”菜单 3.2工程实践检验 下，选择“瓦斯浓度预警”显示依据瓦斯浓度时间序 (1)预警区域概况.平顶山煤业集团天安十二 列参数的预警结果：选择“煤体温度预警”将出现依 矿己1一17180工作面煤层标高在一470~一520m, 据煤体温度为时间序列参数的预警结果 煤层赋存较稳定，地质条件相对简单.煤层结构以 以平顶山煤业集团天安十二矿己15一17180工 原生结构煤为主，煤的破坏类型为【~类煤层节 作面某日发生的煤与瓦斯突出矿井监测数据为例进率, α为冲量系数, E 为权空间{w( t )}上的误差超 曲面 . ( 2)网络构造.瓦斯浓度与煤体温度( Q) 、超标 时间( T ) 、方差( S ) 和增量( Δ) 这四个参数作为 BP 神经网络输入参数.网络输出为[ 0, 0, 1] 、[ 0, 1, 0] 和[ 1, 0, 0] , 对应煤与瓦斯突出预警的三个预警级 别.根 据 Timothy M asters 的 近似 计算 公式[ 15] m ×n (其中 m 为输入层节点数, n 为输出层节 点数), 可以得出隐含节点数为 4 .因此, 本系统的网 络构造为 4-4-3 . 2.1.2 预警知识库 知识库部件是存有神经网络层数、节点数 、权值 等结构的数据库, 由网络训练后获取的网络权值构 成, 知识库内容在新的预警知识训练后, 可不断更新 权值.知识库是预警知识的载体, 也是报警部件的 先导部件 . 2.1.3 报警部件 报警部件是神经网络预警系统的预警手段, 它 利用知识库中的神经网络权值, 在新的预警数据驱 动下, 经神经网络运算得出预警结果, 发出报警 信号 . 2.2 煤与瓦斯突出预警模型 基于 GIS 和神经网络的煤与瓦斯突出预警模 型( 图 3)是在矿井 GIS 环境下, 通过煤矿安全监测 系统对瓦斯浓度和煤体温度的监测, 利用神经网络 技术对预警指标进行的神经网络分析, 然后根据网 络输出结果判断预警等级的过程 . 图3 煤与瓦斯突出预警模型 Fig.3 Early w arning model of coal and gas outburst 2.3 预警等级划分 煤与瓦斯突出预警是利用神经网络对瓦斯浓度 和煤体温度进行变量监测和预测评估, 根据预警临 界条件对系统运行的接近负向质变临界值的程度做 出早期预判, 确定煤与瓦斯突出的发展变化趋势和 危险程度 .根据神经网络构造并结合实际情况, 将 预警等级划分为三级(表1) .在实际应用中, 两个预 警临界条件只要其中一个条件符合, 就会发出相应 预警级别. 表 1 煤与瓦斯突出预警等级 Table 1 Early w arning g rade of coal and gas outburst 预警分类 预警等级 预警色 预警临界条件 突出危险性 1 Ⅰ 级 红色 φ( CH4) ≥3%, 超标时间大于 30 s, 增量大于 1%;煤体温度:超标时间大于 100 s, 降低量大于 2 ℃ 有突出危险 2 Ⅱ级 黄色 0.8%≤φ(CH4) ≤3%, 超标时间大于 30 s, 增量大于 1%;煤体温度:超标时间 大于 60 s, 降低量大于 1 ℃ 有突出倾向 3 Ⅲ级 绿色 φ( CH4 ) <0.8%, 增量小于 0.5%;煤体温度变化量±1 ℃之间 无突出危险 3 GIS环境下煤与瓦斯突出预警实践 3.1 预警系统模块开发 预警系统以 ArcView GIS 为平台, 利用二次开 发语言编程实现煤与瓦斯突出预警系统模块功能, 并将煤与瓦斯突出预警模块对应“煤与瓦斯突出预 警”菜单, 然后将其编程为标准扩展.实际应用时将 这个扩展添加到软件中, 可实现矿井 GIS 环境下的 煤与瓦斯突出预警. 3.2 工程实践检验 (1)预警区域概况 .平顶山煤业集团天安十二 矿己15-17180 工作面煤层标高在 -470 ～ -520 m, 煤层赋存较稳定, 地质条件相对简单.煤层结构以 原生结构煤为主, 煤的破坏类型为 Ⅰ ～ Ⅲ类, 煤层节 理比较发育, 倾角在 25°左右, 透气性较差, 瓦斯含 量平均为 15 m 3·t -1 .煤层顶底板均为砂质泥岩, 透 气性较差 .工作面正常掘进过程中回风流 φ(CH4) 为 0.3 %, 绝对瓦斯涌出量 1.4 m 3·min -1 . ( 2)煤与瓦斯突出预警效果检验.煤与瓦斯突 出预警系统首先利用瓦斯突出历史信息建立神经网 络预警训练样本库, 然后通过实时瓦斯浓度和煤体 温度数值驱动神经网络运算, 根据计算结果在视图 中标识不同预警等级.在“煤与瓦斯突出预警” 菜单 下, 选择“瓦斯浓度预警” 显示依据瓦斯浓度时间序 列参数的预警结果 ;选择“煤体温度预警” 将出现依 据煤体温度为时间序列参数的预警结果. 以平顶山煤业集团天安十二矿己15 -17180 工 作面某日发生的煤与瓦斯突出矿井监测数据为例进 第 1 期 郭德勇等:基于地理信息系统和神经网络的煤与瓦斯突出预警 · 17 ·