基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的瓦斯含量預(yù)測(cè)研究

王富軍

（大同煤炭職業(yè)技術(shù)學(xué)院，山西 大同 037003）

瓦斯爆炸是煤礦生產(chǎn)中最嚴(yán)重的災(zāi)害之一。由于煤層瓦斯含量的復(fù)雜性、動(dòng)態(tài)性、非線性、隨機(jī)性，給煤層瓦斯含量的預(yù)測(cè)帶來(lái)很大困難。許多學(xué)者利用神經(jīng)網(wǎng)絡(luò)等理論和方法建立了不同的預(yù)測(cè)模型[1-2]，例如遼寧工程技術(shù)大學(xué)付華教授的基于BP網(wǎng)絡(luò)和D-S證據(jù)理論的瓦斯監(jiān)測(cè)系統(tǒng)[1]?；诖?，以同煤集團(tuán)馬脊梁礦某煤層為研究對(duì)象，分析影響煤層瓦斯含量的煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30 m砂巖比等因素的基礎(chǔ)上，建立神經(jīng)網(wǎng)絡(luò)模型，并將神經(jīng)網(wǎng)絡(luò)與遺傳算法結(jié)合，以神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確提取、捕捉煤層瓦斯含量與各影響因素之間的非線性關(guān)系，又靠遺傳算法能夠?qū)で蟾鱾€(gè)因素之間的最優(yōu)解，可實(shí)現(xiàn)礦井內(nèi)煤層瓦斯含量的預(yù)測(cè)。

1 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

煤礦瓦斯含量涉及的因素較多，各參數(shù)之間耦合性較強(qiáng)，為了提高瓦斯含量預(yù)測(cè)精度，采用有非線性和自學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)作為主要預(yù)測(cè)方法，采用具有優(yōu)化能力的遺傳算法作為解決數(shù)據(jù)優(yōu)化問(wèn)題，并尋求瓦斯含量預(yù)測(cè)值最優(yōu)。本文利用神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)點(diǎn)，構(gòu)建瓦斯含量預(yù)測(cè)模型。

1.1 神經(jīng)網(wǎng)絡(luò)理論

神經(jīng)網(wǎng)絡(luò)一般包括：輸入層，中間層(隱層)，輸出層。見(jiàn)圖1。

圖1 神經(jīng)網(wǎng)絡(luò)原理圖

本文采用反向傳播算法 (Back Propagation Algorithm，簡(jiǎn)稱(chēng)BP算法)作為神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)。BP算法包括兩個(gè)過(guò)程，一是從輸入層輸入的信息經(jīng)過(guò)各隱層(隱層1，隱層2，…，隱層n)預(yù)測(cè)，最后從輸出層輸出。二是誤差等信息從輸出層反向經(jīng)過(guò)各隱層(隱層n，隱層n-1，…，隱層l)，反饋到輸入層。本文輸出層采用Sigmoid函數(shù)作為輸入神經(jīng)元函數(shù)，即f（x）=ex/（ex+1）。其中，誤差在反向傳輸過(guò)程中，實(shí)現(xiàn)各種學(xué)習(xí)[2]。神經(jīng)網(wǎng)絡(luò)輸入層包括5個(gè)節(jié)點(diǎn)（煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30m砂巖比）。神經(jīng)網(wǎng)絡(luò)輸出層只有一個(gè)節(jié)點(diǎn)（瓦斯含量預(yù)測(cè)值）。

假設(shè)選取的樣本數(shù)足夠大，有N個(gè)樣本點(diǎn)（xK，yK）（K=1，2，…，N）。任意樣本點(diǎn)的輸入值xK經(jīng)過(guò)模型后輸出的實(shí)際值為dK，理想值為yK，dK與yK間的誤差期望為：

其中，（yk-dk）=Ek為單個(gè)樣本的學(xué)習(xí)誤差。假設(shè)神經(jīng)元輸入節(jié)點(diǎn)j的輸入值為netjK，神經(jīng)元輸出節(jié)點(diǎn)i的輸出值為OiK。根據(jù)多維神經(jīng)網(wǎng)絡(luò)原理，netjK=ΣWijOik，則Ojk=f（netjK）。在k樣本下，取δjk為神經(jīng)元輸入節(jié)點(diǎn)j的輸出梯度，則OiK=dk。

如果節(jié)點(diǎn)j不是輸出層節(jié)點(diǎn)時(shí)，這時(shí)，

1.2 遺傳算法原理

遺傳算法是模擬生物界優(yōu)勝劣汰的自然法則而建立的一種全局搜索算法[3]。利用遺傳算法優(yōu)化，主要是對(duì)BP神經(jīng)網(wǎng)絡(luò)中的誤差權(quán)值進(jìn)行優(yōu)化。具體步驟如下：

1）初始化種群，利用BP神經(jīng)網(wǎng)絡(luò)的誤差權(quán)值，算得特定種群。

2）利用神經(jīng)網(wǎng)絡(luò)模型算得個(gè)體的自適應(yīng)度值。

3）經(jīng)選擇、交叉、變異等操作，產(chǎn)生下一代種群。

4）得到的下一代種群是否滿足結(jié)束條件；若否則轉(zhuǎn)2），若是則轉(zhuǎn) 5）。

5）選取經(jīng)過(guò)遺傳算法模型得到的最優(yōu)個(gè)體，反向操作后，取代神經(jīng)網(wǎng)絡(luò)模型中對(duì)應(yīng)的權(quán)值，結(jié)束遺傳算法。

2 瓦斯含量的預(yù)測(cè)

基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的瓦斯含量預(yù)測(cè)模型流程圖，見(jiàn)圖2。

圖2 瓦斯含量預(yù)測(cè)模型的流程圖

1）計(jì)算實(shí)例。為了計(jì)算模型預(yù)測(cè)瓦斯含量預(yù)測(cè)方法的準(zhǔn)確性及可靠性，選擇馬脊梁礦生產(chǎn)實(shí)際中的瓦斯含量進(jìn)行預(yù)測(cè)。馬脊梁礦年產(chǎn)500萬(wàn)t、兩個(gè)開(kāi)采煤層，瓦斯鑒定級(jí)別為低沼氣礦井，局部瓦斯異常。通過(guò)構(gòu)建的神經(jīng)網(wǎng)絡(luò)和遺傳算法優(yōu)化得到的數(shù)學(xué)模型，預(yù)測(cè)結(jié)果如表1和表2所示。

表1 瓦斯含量預(yù)測(cè)

表2 預(yù)測(cè)結(jié)果與真實(shí)值比較

2）采用基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的瓦斯含量預(yù)測(cè)方法，平均誤差值分別為 0.43、1.48、0.82、0.5、0.51，平均誤差為5.61%，低于國(guó)家8%的要求。其中誤差低于8%的數(shù)據(jù)占全部數(shù)據(jù)的80%?？梢?jiàn)，預(yù)測(cè)效果比較好。

3 結(jié)論

由于各礦區(qū)的地質(zhì)構(gòu)造及礦井的煤層賦存情況的差異性，導(dǎo)致瓦斯含量的主控因素也不相同，瓦斯含量的預(yù)測(cè)必須針對(duì)特定環(huán)境構(gòu)建特定模型。本文構(gòu)建了以煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30m砂巖比等5個(gè)參數(shù)為輸入量，瓦斯含量為輸出量的神經(jīng)網(wǎng)絡(luò)模型，并結(jié)合所建模型，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化計(jì)算。試驗(yàn)結(jié)果表明，煤層瓦斯含量預(yù)測(cè)效果，應(yīng)用前景良好。

[1]付華，康海潮，梁明廣.基于BP網(wǎng)絡(luò)和D-S證據(jù)理論的瓦斯監(jiān)測(cè)系統(tǒng)的研究[J].工礦自動(dòng)化，2011，37(8)：159-161.

[2]王鶴，邵良杉，邱云飛.基于蟻群神經(jīng)網(wǎng)絡(luò)的煤礦瓦斯含量預(yù)測(cè)煤礦瓦斯含量預(yù)測(cè)模型[J].微計(jì)算機(jī)信息，2011(5)：197-198.

[3]崔小彥.基于RBF神經(jīng)網(wǎng)絡(luò)與蟻群算法的瓦斯預(yù)測(cè)模型研究[D].阜新：遼寧工程技術(shù)大學(xué)，2009.