张友谊等：煤与瓦斯突出多指标耦合预测模型研究及应用 ·1315· 价样本构成8×12的灰色关联度矩阵，2： 别法对灰色关联模型的输入端和输出端进行优化， T112 提出了对煤与瓦斯突出可能性进行预测的多指标耦 r2= (12) 合预测模型. (2)多指标耦合预测模型充分考虑了煤与瓦斯 假设12个评价指标之间的权重向量为w单= 突出瓦斯地质因素的内部网络结构、数据样本的灰 （01,02,…,02)'=(1,1,…,1)',则评价样本与 性以及突出预测过程的系统性、完整性的特征，得出 最优样本加权关联度的关联矢量R单 突出指标的敏感程度和突出可能性等级 R单=r2w单=r2（01,W2, …,1012）'= (3)平煤八矿的实际应用结果表明，预测指标 T1+r12+…+T12 和多指标耦合预测模型具有科学性和适用性，利用 多指标耦合预测模型对煤与瓦斯突出预测可以为煤 T21+T2+…+T212 矿安全开采提供指导，具有重要的理论意义与应用 T31+T32+…+r32 价值. T41+T42+…+T412 (13) r31+T32+…+T512 参考文献 T61+T62+…+T612 T1+T2+…+T2 [1]Zhang Z X,Liu G F,Li RS,et al.Regional forecast of coal and gas burst based on fuzzy pattem recognition.J China Coal Soc, Tg1+T2+…+Tg2 2007,32(6):592 根据关联矢量R得出训练样本的排序如表7. (张子戌，刘高峰，吕闰生，等.基于模糊模式识别的煤与瓦 表7灰色关联分析法对预测样本的预测结果 斯突出区域预测.煤炭学报，2007,32(6)：592) [2] Guo D Y,Fan J Z,Ma S Z,et al.Prediction method of coal and Table 7 Prediction results of forecasting samples by gray relational anal- gas outburst by analytic hierarchy process and fuzzy comprehensive ysis evaluation.J Unir Sci Technol Beijing,2007,29(7):660 样本组别 灰色关联度 判别归类 实际类别 (郭德勇，范金志，马世志，等.煤与瓦斯突出预测层次分析- 2 0.8002 1 1 模糊综合评判方法.北京科技大学学报，2007,29(7)：660) 1 0.7356 1 [3] You W,Liu YX,Li Y,et al.Predicting the coal and gas out- 6 0.7003 1 2 burst using artificial neural network.J China Coal Soc,2007,32 (3):285 4 0.5469 1 (由伟，刘亚秀，李永，等.用人工神经网络预测煤与瓦斯突 7 0.4753 出.煤炭学报，2007,32(3)：285) 3 0.4552 2 1 [4]Guo D Y,Wang Y B.Wei X J,et al.Early waring of coal and 8 0.3245 2 2 gas outburst by GIS and neural network.J Unig Sci Technol Bei- 5 0.3229 2 mg,2009,31(1):15 (郭德勇，王仪斌，卫修君，等.基于地理信息系统和神经网 预测结果与实际情况对比可知，1组、2组、4 络的煤与瓦斯突出预警.北京科技大学学报，2009,31(1)： 15) 组、5组、7组、8组预测准确，3组、6组预测结果与 [5]Wang C,Wang E Y,Xu J K,et al.Bayesian discriminant analy- 实际不符.其预测突出准确率为75%，预测不突出 sis for prediction of coal and gas outbursts and application.Min Sci 准确率为75%，预测结果与实际情况偏差较大 Technol,2010,20(4):520 单纯用灰色关联理论进行突出预测时，分析过 [6]Yang Y Z,Wu L Y,Gao Y C.Extensible method of risk assess- 程中需要用到12个预测指标，指标繁多不易现场操 ment of coal and gas outburst.China Coal Soc,2010,35(Suppl 1):100 作，且易受个别指标测量的影响.预测结果与实际 (杨玉中，吴立云，高永才.煤与瓦斯突出危险性评价的可拓 情况偏差较大.因此多指标耦合预测模型比单个预 方法.煤炭学报，2010.35（增刊1）：100) 测模型对煤与瓦斯突出预测具有明显的优势. [7]Liang B,Qin B,Sun W J.et al.The application of intelligent weighting grey target decision model in the assessment of coal-gas 4结论 outburst.J China Coal Soc,2013,38(9):1611 (梁冰，秦冰，孙维吉，等.智能加权灰靶决策模型在煤与瓦 (1)通过分析煤与瓦斯突出规律、特征及其机 斯突出危险评价中的应用.煤炭学报，2013,38(9)：1611) 理、影响煤与瓦斯突出的主要因素、突出预测的必要 [8]Gui X Y,Yu Z M.Analog classification analysis on coal and gas 程序，综合运用网络分析法(ANP)、多类别距离判 booming by means of fuzzy gathering.J Saf Environ,2006,6张友谊等: 煤与瓦斯突出多指标耦合预测模型研究及应用 价样本构成 8 伊 12 的灰色关联度矩阵 r2 : r2 = r11 … r112 左 埙 左 r81 … r æ è ç ç ç ö ø ÷ ÷ ÷ 812 (12) 假设 12 个评价指标之间的权重向量为 w单 = (w1 , w2 ,…,w12 )忆 = (1, 1,…, 1)忆,则评价样本与 最优样本加权关联度的关联矢量 R单 R单 = r2w单 = r2 (w1 , w2 , …, w12 )忆 = r11 + r12 + …… + r112 r21 + r22 + …… + r212 r31 + r32 + …… + r312 r41 + r42 + …… + r412 r51 + r52 + …… + r512 r61 + r62 + …… + r612 r71 + r72 + …… + r712 r81 + r82 + …… + r æ è ç ç ç ç ç ç ç ç ç ç çç ö ø ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷ ÷÷ 812 (13) 根据关联矢量 R单得出训练样本的排序如表 7. 表 7 灰色关联分析法对预测样本的预测结果 Table 7 Prediction results of forecasting samples by gray relational anal鄄 ysis 样本组别 灰色关联度 判别归类 实际类别 2 0郾 8002 1 1 1 0郾 7356 1 1 6 0郾 7003 1 2 4 0郾 5469 1 1 7 0郾 4753 2 2 3 0郾 4552 2 1 8 0郾 3245 2 2 5 0郾 3229 2 2 预测结果与实际情况对比可知,1 组、2 组、4 组、5 组、7 组、8 组预测准确,3 组、6 组预测结果与 实际不符. 其预测突出准确率为 75% ,预测不突出 准确率为 75% ,预测结果与实际情况偏差较大. 单纯用灰色关联理论进行突出预测时,分析过 程中需要用到 12 个预测指标,指标繁多不易现场操 作,且易受个别指标测量的影响. 预测结果与实际 情况偏差较大. 因此多指标耦合预测模型比单个预 测模型对煤与瓦斯突出预测具有明显的优势. 4 结论 (1)通过分析煤与瓦斯突出规律、特征及其机 理、影响煤与瓦斯突出的主要因素、突出预测的必要 程序,综合运用网络分析法(ANP)、多类别距离判 别法对灰色关联模型的输入端和输出端进行优化, 提出了对煤与瓦斯突出可能性进行预测的多指标耦 合预测模型. (2)多指标耦合预测模型充分考虑了煤与瓦斯 突出瓦斯地质因素的内部网络结构、数据样本的灰 性以及突出预测过程的系统性、完整性的特征,得出 突出指标的敏感程度和突出可能性等级. (3)平煤八矿的实际应用结果表明,预测指标 和多指标耦合预测模型具有科学性和适用性,利用 多指标耦合预测模型对煤与瓦斯突出预测可以为煤 矿安全开采提供指导,具有重要的理论意义与应用 价值. 参 考 文 献 [1] Zhang Z X, Liu G F, L俟 R S, et al. Regional forecast of coal and gas burst based on fuzzy pattern recognition. J China Coal Soc, 2007, 32(6): 592 (张子戌, 刘高峰, 吕闰生, 等. 基于模糊模式识别的煤与瓦 斯突出区域预测. 煤炭学报, 2007, 32(6): 592) [2] Guo D Y, Fan J Z, Ma S Z, et al. Prediction method of coal and gas outburst by analytic hierarchy process and fuzzy comprehensive evaluation. J Univ Sci Technol Beijing, 2007, 29(7): 660 (郭德勇, 范金志, 马世志, 等. 煤与瓦斯突出预测层次分析鄄鄄 模糊综合评判方法. 北京科技大学学报, 2007, 29(7): 660) [3] You W, Liu Y X, Li Y, et al. Predicting the coal and gas out鄄 burst using artificial neural network. J China Coal Soc, 2007, 32 (3): 285 (由伟, 刘亚秀, 李永, 等. 用人工神经网络预测煤与瓦斯突 出. 煤炭学报, 2007, 32(3): 285) [4] Guo D Y, Wang Y B, Wei X J, et al. Early warning of coal and gas outburst by GIS and neural network. J Univ Sci Technol Bei鄄 jing, 2009, 31(1): 15 (郭德勇, 王仪斌, 卫修君, 等. 基于地理信息系统和神经网 络的煤与瓦斯突出预警. 北京科技大学学报, 2009, 31 (1): 15) [5] Wang C, Wang E Y, Xu J K, et al. Bayesian discriminant analy鄄 sis for prediction of coal and gas outbursts and application. Min Sci Technol, 2010, 20(4): 520 [6] Yang Y Z, Wu L Y, Gao Y C. Extensible method of risk assess鄄 ment of coal and gas outburst. J China Coal Soc, 2010, 35(Suppl 1): 100 (杨玉中, 吴立云, 高永才. 煤与瓦斯突出危险性评价的可拓 方法. 煤炭学报, 2010, 35(增刊 1): 100) [7] Liang B, Qin B, Sun W J, et al. The application of intelligent weighting grey target decision model in the assessment of coal鄄gas outburst. J China Coal Soc, 2013, 38(9): 1611 (梁冰, 秦冰, 孙维吉,等. 智能加权灰靶决策模型在煤与瓦 斯突出危险评价中的应用. 煤炭学报, 2013, 38(9): 1611) [8] Gui X Y, Yu Z M. Analog classification analysis on coal and gas booming by means of fuzzy gathering. J Saf Environ, 2006, 6 ·1315·