基于PSO算法優(yōu)化的自組織競爭神經網絡在煤與瓦斯突出預測中的應用研究

張曉銘 張愛絨 郭勇義

(1.太原理工大學礦業(yè)工程學院，山西省太原市，030024；2.太原理工大學，山西省太原市，030024；3.太原科技大學，山西省太原市，030024)

由于煤與瓦斯突出影響因素的多樣性和各個礦井地質條件、開采工藝等情況的不同，靠單一指標或者固定臨界值的方法來預測煤與瓦斯突出的方法是不合理的。雖然 《防止煤與瓦斯突出規(guī)定》中要求指標臨界值需要根據(jù)實踐考察確定，但是絕大多數(shù)礦井都沒有做到這一點，僅僅采用規(guī)定中給出的參考臨界值來預測煤與瓦斯突出，這給防突工作帶來了一定的盲目性。本文運用經微粒群算法 (Particle Swarm Optinization，PSO)優(yōu)化的自組織神經網絡建立煤與瓦斯突出預測模型，通過模擬煤與瓦斯突出的物理模型，對煤礦采掘工作面煤體的突出危險情況進行分類和判斷，根據(jù)分類結果可采取相對應的防突措施，使煤礦的防突工作更具有針對性。

1 煤與瓦斯突出機理的研究

對國內外大量突出案例分析可知，煤與瓦斯突出是由于煤體在瓦斯壓力與地應力的聯(lián)合作用下克服煤層阻力引發(fā)的。在整個突出過程中，由地應力和瓦斯壓力提供能量，而煤體則是這個過程動力的受體和阻力的主體。因此，當瓦斯能和地應力潛能大于煤體的破壞功和移動功時，即阻力突然解除時，就有可能發(fā)生煤與瓦斯突出。

因此選擇的預測指標要綜合反映地應力、瓦斯壓力和煤的物理力學性質相互之間的關系。其中本文所用到的預測指標有煤屑解析指標 (K1)反映地應力、瓦斯壓力對煤層的破壞程度和瓦斯含量的綜合作用；煤的堅固性系數(shù) (f)反映煤的堅固性，即煤與瓦斯突出的阻力；最大鉆屑量 (S)反映了煤層應力狀況、煤的力學性質和瓦斯3個方面的因素；鉆孔瓦斯涌出初速度 (q)反映煤體的滲透性能、力學性質、煤層瓦斯壓力和含量以及地應力的變化情況。

2 自組織競爭神經網絡與PSO算法

2.1 自組織競爭神經網絡

自組織競爭神經網絡是一類無教師監(jiān)督學習方式的神經網絡模型，也就是說它無需期望輸出，只需根據(jù)數(shù)據(jù)樣本進行學習，并且通過調整自身權值來達到學習的目的。自組織神經網絡的學習是采用競爭型的學習規(guī)則。基本思想是網絡競爭層的各個神經元通過相互競爭來獲取對輸入模式的相應的機會，最后只有一個神經元成為競爭的勝利者，將與獲勝神經元有關的各個連接權值往更有利于競爭的方向調整。

自組織競爭網絡可以分為輸入層和輸出層。假設輸入層由N個神經元組成，競爭層由M個神經元組成，網絡連接權值為wij(i＝1，2，…，N；j＝1，2，…，M)。在競爭層中，神經元之間相互競爭，最終只有一個神經元獲勝，以適應當前的輸入樣本。勝利的神經元就表示當前輸入樣本的分類模式。自組織競爭神經網絡的模型見圖1。

圖1 自組織競爭神經網絡

2.2 PSO算法

PSO是計算智能領域的一種基于群體智能的算法，采用進化、群體的概念，根據(jù)個體的適應度進行調整。PSO算法是將個體看作是n維空間中無質量和體積的微粒，并在該空間中以一定的速度飛行。其飛行速度根據(jù)個體飛行經驗和群體飛行經驗進行調整。

自組織競爭神經網絡雖然具有無教師監(jiān)督、自行學習和適應性強等特點，但是由于網絡的初始權值是隨機產生的，對于每次分類的結果也會有所不同，因此得出一個穩(wěn)定的分類結果需要很長的時間。而PSO算法具有較強的全局收斂能力和較強的魯棒性，且不需要借助問題的特征信息。因此，將兩者結合，使原來無教師監(jiān)督的學習變?yōu)橛薪處煴O(jiān)督的學習，這樣不僅能發(fā)揮自組織競爭神經網絡的泛化適應能力，而且能夠提高網絡的學習效率和準確率。

3 煤與瓦斯突出預測模型的建立

將訓練數(shù)據(jù)，即4個預測指標作為輸入層來建立預測模型。訓練過程一般定義學習次數(shù)為200次，學習速度設為0.01。同時運用PSO算法對網絡的權值進行優(yōu)化，以求盡快找到最穩(wěn)定的結果。輸出層可以有2個，代表結果分為有突出危險和無突出危險。

其網絡訓練過程為:

(1)對網絡首次運行后的權值進行適當?shù)淖儺?，并將其作為初始種群。

(2)運用進化公式對種群進行進化，并根據(jù)適應度函數(shù)計算其適應度。

(3)當進化結束后，擁有最佳適應度的分類結果即為最后的結果。如果網絡分類結果與已知結果的誤差在可以允許的范圍內，說明此時網絡已經達到預測所要求精度。

之后，將預測數(shù)據(jù)輸入到網絡中，便可得出預測結果。由于自組織競爭神經網絡具有很高的精度，并且綜合考慮了各個預測指標與突出危險結果之間的相互關系，因此預測結果很準確，要優(yōu)于其他常規(guī)預測方法。此外自組織競爭網絡收斂性較好，因此在實用性方面要優(yōu)于BP網絡。

表1 煤與瓦斯突出預測模型的訓練與測試

4 實例分析

本文采用的數(shù)據(jù)來源于沙曲礦24207工作面2011年的瓦斯監(jiān)控資料。沙曲礦位于山西省西部河東煤田中段的離柳礦區(qū)，隸屬華晉焦煤有限責任公司，設計生產能力3.0Mt／a。目前該礦主要開采4＃煤層，該煤層被鑒定為突出煤層，24207工作面就布置在該突出煤層中。

按照該工作面作業(yè)規(guī)程規(guī)定，每推進2m進行一次采樣測定，即每2m作為一個預測單元。從監(jiān)控數(shù)據(jù)中選取具有代表性的突出和不突出各15組數(shù)據(jù)作為訓練數(shù)據(jù)，選取5組作為預測數(shù)據(jù)，并將這35個預測單元標上序號，方便識別。將訓練數(shù)據(jù)輸入到自組織競爭神經網絡中，對該預測模型進行訓練。同時還可以查看該模型訓練的準確率。煤與瓦斯突出預測模型的訓練與測試見表1。當輸出結果為1時，代表無突出危險；輸出結果為2時，代表有突出危險。由表1可見，經PSO優(yōu)化的自組織競爭網絡對訓練樣本分類結果的準確率高達100%，說明了PSO是可以用來優(yōu)化自組織競爭網絡的，同時也說明運用該模型進行煤與瓦斯突出預測結果準確率是很高的。

將測試數(shù)據(jù)輸入到已經訓練好的神經網絡中。結果顯示，這些數(shù)據(jù)分成有突出危險和無突出危險兩類。測試數(shù)據(jù)及分類的結果見表1中31?！?5＃數(shù)據(jù)。

根據(jù)自組織競爭神經網絡分類的結果，34＃、35＃測試地點為第二類，代表有突出危險；其他測試地點為第一類，代表無突出危險。與常規(guī)預測方法的結果相比，減少了一個突出地點，并且與實際情況相同。分析以上數(shù)據(jù)可知，運用PSO優(yōu)化的自組織神經網絡和最大鉆屑量、煤屑解析指標、鉆孔瓦斯涌出初速度和煤的堅固性系數(shù)4個重要指標建立煤與瓦斯突出預測模型，其預測結果是準確的。因此，根據(jù)該預測結果采取防突措施來消除突出危險，可以降低防突成本，提高防突效果，使礦井的防突工作更有針對性，從而提高煤礦的經濟效益。

4 結論

由于煤與瓦斯突出機理的復雜性以及各個礦井的地質構造、瓦斯賦存和開采方式等情況的不同，各個因素與是否發(fā)生煤與瓦斯突出呈現(xiàn)一種復雜的非線性關系。因此采用固定的臨界值或者單一指標的傳統(tǒng)方法來預測煤與瓦斯突出是不合理的。而本文所采用經PSO算法優(yōu)化的自組織競爭神經網絡模型，通過對多種指標的綜合分析和計算，對煤與瓦斯突出進行預測，克服了以往傳統(tǒng)預測方法的不足，避開了尋找指標臨界值的階段，使預測的結果更加準確；同時解決了分類結果不穩(wěn)定的缺陷。根據(jù)預測結果說明，用該模型預測煤與瓦斯突出是可行的。這種預測模型為煤與瓦斯突出的理論研究提供了一種新思路，同時也為礦井實際生產中治理煤與瓦斯突出提供了可以借鑒的方法。

[1]魏風清，史廣山等.基于瓦斯膨脹能的煤與瓦斯突出預測指標研究[J].煤炭學報，2010(8)

[2]胡勝利，錢旭.基于遺傳算法和人工神經網絡的煤層厚度預測[J].中國煤炭，2008(11)

[3]王顯政.煤礦安全新技術[M].北京:煤炭工業(yè)出版社，2010

[4]陸美寧，楊汶泉.基于Bayes判別分析法的煤與瓦斯突出研究[J].煤炭技術，2011(5)

[5]葛哲學，孫志強.神經網絡理論與MATLAB R2007實現(xiàn)[M].北京:電子工業(yè)出版社，2008

[6]曾建潮.粒子群算法[M].北京:科學出版社，2004