正在加载图片...
第4期 郭德勇等：煤与瓦斯突出预测灰色理论一神经网络方法 .355. 由母因素序列与子因素序列构成的原始数据矩 个突出控制因素，对平顶山八矿的瓦斯突出进行分 阵为： 析计算，结果表明控制煤与瓦斯突出的前三位主控 xf(0)x() …x(n) 因素是地质构造、煤体结构指标中的瓦斯放散初速 x(0= x9(0)x(1) x9(n) 度△P、软分层厚度变化.其顺序为：地质构造、瓦斯 放散初速度△P、软分层厚度变化、煤的坚固性系数 x(0) x9(1) …x(n) ∫、开采深度、喷孔顶钻夹钻、瓦斯变化、响煤炮、片 其中=0,1,2,3，，n是母因素(i=0)及子因 帮掉渣、瓦斯涌出初速度qm、软分层厚度、煤层厚 素的标号；t=1,2,3,…,m为观测点号，上角标 度、煤厚变化、煤层倾角、煤层倾角变化，可见运用 灰色关联分析法优选的方案结果是可靠的 (0)表示该矩阵为原始数据未经任何变换，因此 x(i)是对第i个因素进行第t次观测得到的观 3煤与瓦斯突出预测神经网络研究 测值， 人工神经网络是由大量类似于神经元的处理单 对原始矩阵进行均值化变换： (0=89 元相互连接而成的非线性复杂网络系统，试图通过 x0)(i) (1) 模拟大脑神经网络处理、记忆信息的方式完成人脑 的信息处理功能，它是以神经网络系统模拟生物神 以消除各因素观测值在量纲上的差异对计算结果产 生影响，然后计算同一观测点各自因素与母因素之 经网络的智能计算系统10-山 3.1煤与瓦斯突出神经网络预测系统的设计 间的绝对差值及其极值，如下： (1)训练样本的选取，训练样本是矿井历年来 △：(t)=x少(i)-x(0)l (2) 煤与瓦斯突出记载资料中选取有代表性的突出点， Amax=maximaxx((i)-x(0) (3) 输入参数是根据灰关联分析得出的突出预测指标的 Anin=miniminl x((i)() (4) 关联度排前10位的参数，即开采深度(m)、地质构 式中=1,2,3，…，n;t=1,2,3,…,m. 造、软分层变化、煤的坚固性系数∫、瓦斯放散初速 至此按下列公式计算出各子因素与母因素之间 度△P、钻孔瓦斯涌出初速度gm(Lmin)、响煤 的关联度为： 炮、片帮掉渣、喷孔顶钴夹钴、瓦斯变化，预测与训练 w会 样本见表1. (5) (2)数值化学习样本，学习样本都是概念描 式中k为分辨系数，在01之间，一般取0.5.将关 述，需要转化成数值表示方式，神经网络才能识别和 联度由大到小的顺序排列构成关联序，反映出各子 处理.在神经网络读取样本以前，先行对输入输出 因素对母因素的影响力依次减弱，从而筛选出主要 向量作处理，训练样本参数中，对一些定性指标进 指标，去掉不明显的指标， 行量化处理，输出三个节点用来代表三种输出模式， 2.2灰色关联的煤与瓦斯突出主控因素确定 即(100)代表无突出危险性、(010)代表有小型突出 ()定量和定性指标的确定.以突出强度大小 强度、(001)代表有大型的突出强度；输入层的定性 值为母因素，定量指标（变量）包括开采深度、煤层厚 指标：地质构造、软分层变化、响煤炮、片帮掉渣、喷 度、软分层厚度、煤层倾角、煤的坚固性系数、瓦斯放 孔顶钴夹钴、瓦斯变化用二态变量来表示，0代表该 散初速度、钻孔瓦斯涌出初速度；定性指标（变量）包 变量不存在，1代表该变量存在， 括地质构造、煤层厚度变化、软分层厚度变化、煤层 (③)网络结构的确定，根据灰色关联分析，确 倾角变化、突出预兆中的响煤炮、片帮掉渣、喷孔夹 定神经网络的输入层m为10，即关联度排前10位 钻、瓦斯变化，其中定量指标值以其瓦斯突出前的 的突出预测指标值，根据平顶山八矿突出实际情况 测试值为标准，定性指标值依据数量化理论转化为 确定输出层n为3，分别代表了突出预测的三个结 二态变量，即用0.5”和“1”来表示某个定性指标的 果，即无突出危险性、小型突出、大型突出，根据隐含 “不存在”和“存在”. 公式确定隐含层数为6，其结构如图1所示. (2)灰色关联计算及结果分析，根据确定的15 (4)收敛因子1、学习参数α的选择.收敛因子由母因素序列与子因素序列构成的原始数据矩 阵为： x （0）＝ x （0） 1 （0） x （0） 1 （1） … x （0） 1 （ n） x （0） 2 （0） x （0） 2 （1） … x （0） 2 （ n） ⋱ x （0） m x （0） m （1） … x （0） m （ n） ． 其中 i＝0123…n 是母因素（ i＝0）及子因 素的标号；t＝123…m 为观测点号上角标 （0）表示该矩阵为原始数据未经任何变换．因此 x （0） t （ i）是对第 i 个因素进行第 t 次观测得到的观 测值． 对原始矩阵进行均值化变换： x （1） t （ i）＝ x （0） t （ i） x （0） t （ i） （1） 以消除各因素观测值在量纲上的差异对计算结果产 生影响然后计算同一观测点各自因素与母因素之 间的绝对差值及其极值如下： Δi（ t）＝｜x （1） t （ i）－ x （1） t （0）｜ （2） Δmax＝max t ｛max i ｜x （1） t （ i）－ x （1） t （0）｜｝ （3） Δmin＝min t ｛min i ｜x （1） t （ i）－ x （1） t （0）｜｝ （4） 式中 i＝123…n；t＝123…m． 至此按下列公式计算出各子因素与母因素之间 的关联度为： ri0＝ 1 m ∑ m t＝1 Δmin＋kΔmax Δi（ t）＋kΔmax （5） 式中 k 为分辨系数在0～1之间一般取0∙5．将关 联度由大到小的顺序排列构成关联序反映出各子 因素对母因素的影响力依次减弱从而筛选出主要 指标去掉不明显的指标． 2∙2 灰色关联的煤与瓦斯突出主控因素确定 （1） 定量和定性指标的确定．以突出强度大小 值为母因素定量指标（变量）包括开采深度、煤层厚 度、软分层厚度、煤层倾角、煤的坚固性系数、瓦斯放 散初速度、钻孔瓦斯涌出初速度；定性指标（变量）包 括地质构造、煤层厚度变化、软分层厚度变化、煤层 倾角变化、突出预兆中的响煤炮、片帮掉渣、喷孔夹 钻、瓦斯变化．其中定量指标值以其瓦斯突出前的 测试值为标准定性指标值依据数量化理论转化为 二态变量即用“0∙5”和“1”来表示某个定性指标的 “不存在”和“存在”． （2） 灰色关联计算及结果分析．根据确定的15 个突出控制因素对平顶山八矿的瓦斯突出进行分 析计算结果表明控制煤与瓦斯突出的前三位主控 因素是地质构造、煤体结构指标中的瓦斯放散初速 度ΔP、软分层厚度变化．其顺序为：地质构造、瓦斯 放散初速度ΔP、软分层厚度变化、煤的坚固性系数 f、开采深度、喷孔顶钻夹钻、瓦斯变化、响煤炮、片 帮掉渣、瓦斯涌出初速度 qm、软分层厚度、煤层厚 度、煤厚变化、煤层倾角、煤层倾角变化．可见运用 灰色关联分析法优选的方案结果是可靠的． 3 煤与瓦斯突出预测神经网络研究 人工神经网络是由大量类似于神经元的处理单 元相互连接而成的非线性复杂网络系统试图通过 模拟大脑神经网络处理、记忆信息的方式完成人脑 的信息处理功能它是以神经网络系统模拟生物神 经网络的智能计算系统［10－11］． 3∙1 煤与瓦斯突出神经网络预测系统的设计 （1） 训练样本的选取．训练样本是矿井历年来 煤与瓦斯突出记载资料中选取有代表性的突出点 输入参数是根据灰关联分析得出的突出预测指标的 关联度排前10位的参数即开采深度（m）、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、钻孔瓦斯涌出初速度 qm （L·min －1）、响煤 炮、片帮掉渣、喷孔顶钻夹钻、瓦斯变化预测与训练 样本见表1． （2） 数值化学习样本．学习样本都是概念描 述需要转化成数值表示方式神经网络才能识别和 处理．在神经网络读取样本以前先行对输入输出 向量作处理．训练样本参数中对一些定性指标进 行量化处理输出三个节点用来代表三种输出模式 即（100）代表无突出危险性、（010）代表有小型突出 强度、（001）代表有大型的突出强度；输入层的定性 指标：地质构造、软分层变化、响煤炮、片帮掉渣、喷 孔顶钻夹钻、瓦斯变化用二态变量来表示0代表该 变量不存在1代表该变量存在． （3） 网络结构的确定．根据灰色关联分析确 定神经网络的输入层 m 为10即关联度排前10位 的突出预测指标值根据平顶山八矿突出实际情况 确定输出层 n 为3分别代表了突出预测的三个结 果即无突出危险性、小型突出、大型突出根据隐含 公式确定隐含层数为6其结构如图1所示． （4） 收敛因子η、学习参数α的选择．收敛因子 第4期 郭德勇等： 煤与瓦斯突出预测灰色理论－神经网络方法 ·355·