基于PCA-BP 神經網絡的煤與瓦斯突出預測研究

朱志潔，張宏偉，韓軍，等

摘要：目的：隨著煤礦采掘強度和深度的加大，煤與瓦斯突出日益嚴重。煤與瓦斯突出受多種因素共同影響，各因素之間具有一定的相關性和非線性，相關學者提出了遺傳算法—神經網絡、灰色理論—神經網絡、模糊神經網絡等多種預測方法，這些預測方法中都存在較多相互關聯的指標，降低了預測的準確性與效率。主成分分析（PCA，principal component analysis）使研究問題得到簡化，避免信息的大量重疊。將PCA 方法與反向傳播（BP，back propagation）神經網絡相結合，消除BP 網絡輸入間的相關性，簡化網絡結構，提高學習速率，可更準確地對煤與瓦斯突出進行預測。方法：應用地質動力區(qū)劃方法和趨勢面方法，結合地表考查、地震分析、航衛(wèi)片分析等手段，確定了礦區(qū)不同級別的活動斷裂。采用“巖體應力狀態(tài)分析系統”，對平頂山八礦戊9～10 煤層進行應力計算。選取距活動斷裂的距離、最大主 應力、瓦斯壓力、瓦斯含量、頂板巖性（滲透率）、煤厚、采深、絕對瓦斯涌出量和相對瓦斯涌出量做為預測參數。應用Matlab 數學計算軟件，對煤與瓦斯突出的影響因素按以下步驟提取主成分。1）原始數據標準化。2）求相關系數矩陣。3）求該矩陣的特征值和相應的特征向量及貢獻率，并提取主要成分。由結果可知，前3個主成分的方差占總方差的83.18%，根據主成分的選則標準，原來的9 項指標可由這3 個主成分代替。4）根據主成分因子荷載矩陣，給出因子Y1，Y2和Y3與原始變量之間的關系，根據該矩陣可以寫出因子表達式。將主成分1，2，3 作為輸入參數；根據煤與瓦斯突出的強度大小將輸出參數分為4 類：[1,0,0,0]表示無突出，[0,1,0,0]表示小型突出（50 t 以下），[0,0,1,0]表示中型突出（50～100 t），[0,0,0,1]表示大型突出（100 t 以上）。經過多次訓練試驗，隱含層包含10 個神經元的效果較好。即模型的拓撲結構為3-10-4。結果：將PCA 計算后的樣本前16 組數據作為訓練樣本，組后3 組數據作為檢驗樣本。采用Matlab 軟件創(chuàng)建BP 神經網絡，以3 個主成分作為輸出向量，以煤與瓦斯突出強度作為目標向量，選用函數tansig 和logsig 作為隱含層和輸入層神經元的轉移函數，選用函數trainlm 作為訓練函數。設置最大訓練次數為5000 次，訓練誤差為0.0001，學習率為0.1，其余訓練參數為默認值。經網絡計算當計算達到1515 步時，誤差達到了計算要求。最后3 組數據作為預測樣本檢驗訓練好的網絡。預測結果表明，預測的誤差很小，與實際情況相吻合。結論：采用PCA 方法對煤與瓦斯突出的影響因素相關數據進行處理，經過處理后，降低了數據的維數，簡化了預測模型，提高了預測的效率和準確率。將PCA 與神經網絡相結合，建立了不同強度的煤與瓦斯突出PCA-BP 預測模型。用實例進行驗證，結果表明，該模型具有較好的預測功能，適用于煤與瓦斯突出預測。

來源出版物：中國安全科學學報, 2013, 24(4): 45-50

入選年份：2017