基于人工神经网络的煤与瓦斯突出预测
人工神经网络在煤与瓦斯突出强度预测中的应用
第３ ０巷 第 ２期 ２ Ｏ 年 ４月 Ｏ２
煤 田地 质与勘探
Ｃ Ｌ Ｏ Ｏ ＯＡ ＧＥ Ｌ Ｇｙ ＆ Ｅ ＰＬ Ａ １ Ｎ ｘ ０Ｒ １ Ｏ ・ ２ ３
文章编号 ： ０ ． ８ （０２０ ．０３０ １ １１ ６ ２０ ）２ ＂ ．３ ０ ９ ０２
一
的影响因素很多， 各因素之间的关系非常复杂 ， 其与 突出强度的关系也是复杂的非线性关系 ，Ｎ Ａ Ｎ技术 特别 适用 这种 关 系 的处 理 方 法 ， 以任 意精 度 逼 近 可
各种 复 杂 的非线 性 函数 ， 立 突 出强 度 与各 影 响 因 建 素之问 的 函数关 系 ， 而 实现对 突 出强 度 的预测 。 从 ２ 人工 神 经网络模 型 及算 法 目前 的人工 神 经网 络模 型有 ４ ０多种 ， 有 各 的 各 主要应 用领 域 。本文 在 突出强 度预测 中采 用基 于误
型 ， 过 实倒应 用结 果 表明 ， 工神 经 网络 用 于煤与 瓦斯 突 出强度预 ＿ 是 可行 的 ， 作较 为 简便 、 通 人 驯 操 准 确性 高。 关 键 词： ： 煤 瓦斯 ： 出强度 ； 测 ； 工神 经 网络 突 预 人
中圈分类号：Ｄ １ ５ Ｔ ７２
１ １． ＇ ８儿 ６
文献标识码 ： Ａ 在信息处理 、 专家知识获取 、 模式识别和预测等方面
所具有 的优 势 日益受 到人 们 的重视 ， 系统工 程 、 在 控 制 理论 等很 多领域 得 到 了广泛 的应用 。突 出强 度
１ 前言
煤与瓦斯 突出（ 以下简称突出） 是发生在煤矿井
下的一种 复杂 动 力 现象 ， 威胁 矿井 安 全 生 产 的 主 是 要 灾 害之一 。 国 内外 对突 出 预测预 报进行 了大量 的 研究工作 ， 形 成 了完 整 的配 套技术 ， 并 使突出灾 害 在
基于神经网络的煤矿瓦斯浓度预测技术研究
基于神经网络的煤矿瓦斯浓度预测技术研究近年来，煤矿事故频频发生，其中很大一部分是由于瓦斯爆炸引起的。
瓦斯是煤矿中常见的有害气体，而瓦斯浓度的变化也是煤矿安全的重要指标之一。
如何准确地预测瓦斯浓度变化，对于煤矿安全管理至关重要。
在此背景下，基于神经网络的煤矿瓦斯浓度预测技术应运而生。
一、神经网络介绍神经网络是一种借鉴生物学神经系统特点、进行信息处理的数学模型。
它由大量的节点（神经元）组成，这些节点之间相互连接，产生某种模式的输入输出映射关系。
神经网络具有学习能力，可以根据输入输出的数据不断调整之间的连接系数，以适应实际情况。
这种自适应的特点，使得神经网络在解决复杂问题时表现出色。
因此，神经网络被广泛应用于煤矿瓦斯浓度预测等领域。
二、瓦斯浓度预测模型瓦斯浓度预测模型是指通过一些变量来预测瓦斯浓度的变化。
这些变量可以是时间、气压、温度等因素，其中时间是最关键的因素之一。
因为瓦斯浓度的变化是动态的，只有通过时间序列来分析，才能得到更加准确的结果。
通过神经网络进行瓦斯浓度预测，需要训练神经网络模型，将历史数据输入模型中进行处理，使得模型能够对未来的瓦斯浓度进行预测。
具体的流程包括输入层、中间层和输出层。
输入层主要是将采集到的数据输入到神经网络中，中间层根据输入层的信号进行加工和处理，输出层则将处理后的结果输出。
三、模型评估和应用神经网络模型的评估主要是通过误差来进行。
误差表示预测值与真实值之间的差距，如果误差比较小，说明预测结果比较准确。
对于神经网络的训练，常采用的方法是“前向传播”和“反向传播”算法，前者用于计算输出值，后者用于修正权重。
将神经网络模型应用于煤矿瓦斯浓度预测，可以有效地预测瓦斯浓度变化的趋势，避免了煤矿事故的发生。
此外，瓦斯浓度预测模型还可以辅助煤矿安全管理，对于产生瓦斯的煤层开采，可以提前进行预测，避免事故发生。
四、存在的问题和未来展望目前煤矿瓦斯浓度预测技术还存在一些问题。
首先，数据的时效性和真实性尚有待提高，目前很多煤矿仍然采用传统的测量方式，只能够得到有限的瓦斯浓度数据。
基于人工神经网络的煤矿瓦斯浓度预测系统研究
本文对液压故 障诊断技术进行了综述 ， 并在分
（ 收稿 日 ： ０ ０ ０ ； 期 ２ ６— ６— ２ 责任编辑 ： 强） ０ 陈锡
维普资讯
Ａｂ ｔ ｃ ： Ｔ ｅｐ ｐ ｒａ ｏ ｔ ａｔ ｃａ ｅ ｒｌｎ ｔ ｒ ｅ ｈ ｉｕ 、 ＯＭ ｏ ｏ ｅ ｔ ｅ ｈ ｉｕ ｎ ａａ ａｅｔ ｅ ｕ ｓｒ ｔ ａ ｈ ａ ｅ ｄ ｐｓ ｒ ｆ ｉｌ ｕ ａ ｅｗｏｋ ｔｃ ｎｑ ｅ Ｃ ｉ ｉ ｎ ｃ ｍｐ ｎ ｎ ｃ ｎｑ ｅａ ｄ ｄ ｔｂ ｓ ｏｓｔ ｐ ｔ
［ ］ 杨雪 ， ４ 陈循． 液压 系统 故 障诊 断 方法 研 究 ［ ］ Ｊ ．机 械工 程 师，
２０ （ ） ０ １ ９
［ ］ 钟展青． ５ 液压设备故障智能诊断 系统 （ 述 ）Ｊ ． 综 ［］ 冶金 自动化 。
２０ （ ） ０ ２ ２
处在探索和发展阶段 ， 种智能方法互 相取长补短 各 结合运用 ， 是今后 液压 系 统故 障诊 断发 展的重 要
维普资讯
２０ 年第６ ０６ 期
煤
矿
机
电
・ １ ４・
基 于人工神 经 网络 的煤矿瓦斯浓度预测 系统研 究
付琳 燕 ， 华钢
（ 中国矿业大学 信息与电气工程学院， 江苏 徐州 ２１０ ） ２０８
摘 要 ： 本文采用人工神经网络技术 、Ｏ 组件技术、 ＣＭ 数据库等进行开发 ， 形成较为完善 的瓦斯 浓度预测系统， 实现 了 Ｖ Ｂ可视化界面与 Ｍ Ｔ Ａ Ａ Ｌ Ｂ的结合 ， 缩短编程周期， 提高软件性能。
ａ ｒ ｌｔ ｅ ｙ ｐ ｒ ｃ ｒ ｄ ｃ ｉｎ ｓ ｓｅ ｏ ａ ｏ ｃ ｎｒ ｔ ｎ ａ ｄ ｒ ａ ｉ ｓ ｔ ｅ ｃ ｍｂ ｎ ｔ ｎ ｏ ｉ ｅ ｎ ｅ ｆｅ ｎ ｅ ａｉ ｌ ｅ ｆ ｔｐ ｅ ｉ ｔ ｙ ｔ ｍ ｆｇ ｓ ｃ ｎ ｅ ｔ ｉ ｎ ｅ ｌ ｅ ｈ ｏ ｉ ａｉ ｆＶＢ ｖ ｄ ｏ ｉ ｔｒ ｅ ａ ｄ ｖ ｅ ｏ ａｏ ｚ ｏ ａ ＭＡ Ｌ Ｔ ＡＢ ， ｉｈ ｓ ｏ ｅ ｓ ｔ ｅ ｐ ｒｏ ｉ ｉ ｆｐ ｏ ｒ ｍｍｉ ｇ ａ ｄ ｉ ｒ ｖ ｓ ｔ ｅ ｐ ｒ ｒ ｎ ｅ ｏ ｏｔ ｒ ． ｗｈ ｃ ｈ ｒ ｎ ｈ ｅ ｉｄ ｃ ｔ ｏ ｒ ｇ ａ ｔ ｙ ｎ ｎ ｍｐ ｏ ｅ ｈ ｅｆ ｍａ ｃ ｆｓ ｆ ｏ ｗａ ｅ
基于人工神经网络的煤矿安全预警技术研究
基于人工神经网络的煤矿安全预警技术研究随着科技的不断进步和应用，人工智能作为一种全新的技术手段，正逐渐应用于各个领域。
而在煤矿安全领域中，人工智能的应用已经成为一种趋势。
其中，基于人工神经网络的煤矿安全预警技术，更是备受关注。
煤矿作为一种危险性极高的行业，每年都会发生很多重大安全事故，给人们的生命财产带来极大的威胁。
为了保障煤矿工人的安全，科学家们研究发现，通过构建人工神经网络，可以预测煤矿发生事故的概率和可能性，从而提前做好安全预防和应急处理。
那么，人工神经网络是什么？人工神经网络，也称为神经元网络或神经网络，是一种基于生物学中神经元学说建立的人工模型。
其模拟人脑学习的机制和过程，通过多个神经元之间的连接，完成信息的处理和传递。
在煤矿安全领域中，人工神经网络模型可以学习和分析煤矿各种参数与安全事故的关系，从而预测煤矿安全事故的风险和概率。
基于人工神经网络的煤矿安全预警技术，具有以下特点：一、高精度预测人工神经网络对许多煤矿安全参数都可以建立预警模型，比如瓦斯浓度、掘进速度、煤尘浓度、地应力等等，这些参数可以反映出一个煤矿的安全状态。
通过对这些参数进行监测和分析，可以建立一个基于人工神经网络的模型，用于预测煤矿安全事故的可能性和风险。
这样就可以做到高精度地预测煤矿发生事故的概率，并及时采取安全措施，提高煤矿的安全性。
二、快速响应基于人工神经网络的煤矿安全预警技术是一种即时响应的技术。
一旦预警系统发现煤矿中某些重要参数异常或危险，就能够即时发出预警信号和报警声音。
这种技术不仅能够及时提醒煤矿工人注意事故的可能性，而且能够迅速响应天灾或其他突发事件，为煤矿安全保障提供更加有力的手段。
三、数据处理能力强基于人工神经网络的煤矿安全预警技术，一般需要处理大量的数据，包括历史数据、实时数据等等。
在这些数据中，往往存在各种数据噪声和干扰，传统的统计模型容易出现抖动和漏检，无法准确地分析和识别数据。
而人工神经网络模型不仅可以取得较高的识别准确性，而且能够快速处理海量的数据，在煤矿安全预警领域具有很大的优势。
基于BP神经网络的煤与瓦斯突出强度预测模型
基于BP神经网络的煤与瓦斯突出强度预测模型游曦鸣，张学葵，高圣（中国地质大学（武汉）工程学院，湖北武汉430074）摘要：煤与瓦斯突出是煤矿开采过程中主要的危害因素之一，所以对煤与瓦斯突出强度的准确预测，能够有效的防止事故的发生，减少损失。
在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上，确定煤层瓦斯含量，瓦斯压力，煤的坚固系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素，利用MA TLAB软件，基于BP神经网络，建立了适合土朱矿的煤与瓦斯突出强度预测模型，并进行了实际检验，确定了模型的可行性。
关键词：煤与瓦斯突出强度；预测模型；BP神经网络Intensity of Coal and Gas Outburst Prediction ModelBased on BP Neural NetworkYOU Xi-ming,ZHANG Xue-kui,GAO Sheng(School of Engineering of China University of Geosciences（Wuhan) , Wuhan 430074,China) Abstract：The coal and gas outburst is one of the main factors that threaten coal mine safety,so the accurate prediction of the intensity of coal and gas outburst can prevent accidents and reduce the loss effectively.On the analysis of the No.5 coal seam in Hunan Tuzhu coal mining area,we could find the key factor of the coal and gas outburst intensity are gas content, gas pressure,coal firmness coefficient,gas initial speed of diffusion. Based on the BP neural network,we established an intensity of coal and gas outburst prediction model for Tuzhu coal mining area by MA TLAB software.The prediction results are identical with actual results.In conclusion,we could determine the feasibility of the model.Keywords：intensity of coal and gas outburst prediction model BP neural network0前言煤与瓦斯突出是煤矿生产中的主要灾害之一，对煤矿的正常开采和工作人员的生命安全构成重大威胁。
基于人工神经网络的煤矿瓦斯涌出量预测系统
第３４卷 ２００６年第１１期３０Mining & Processing Equipment３０采·掘论文编号：１００１－３９５４（２００６）１１－００３０－３２基于人工神经网络的煤矿瓦斯涌出量预测系统 付琳燕华刚中国矿业大学信息与电气工程学院江苏徐州２２１００８目前，煤矿安全形势十分严峻，重大事故时有发生，分析煤炭生产过程中大大小小的各种事故发现，如果使用的煤矿安全监测监控系统具备灾难预测预报能力，这些重大事故大多可以避免。
因此，开发一套具有对煤矿瓦斯等参数实时预测的系统，对于预防重大事故的发生是十分有意义的。
１系统设计方案１．１特点分析及开发工具选择煤矿监测系统需要存储的主要监测参数是瓦斯参数。
作为一种环境参数，它的变化速率与监控系统的采样速率相比是十分缓慢的，一般认为瓦斯参数的变化速度较慢，因此存储周期可以较长，瓦斯参数具有瓦斯含量变化慢和相邻数据间相关性大的特点。
储存煤矿环境参数的主要目的是为了分析瓦斯等参数的变化趋势及其中隐含的规律数据，所以要求在数据存储时，一定要将数据变化趋势记录下来。
矿井瓦斯是煤矿生产过程中的主要不安全因素，瓦斯涌出量对矿井设计、建设和开采都有重要影响。
正确预测瓦斯涌出量，发现瓦斯突出征兆，对于指导矿井设计和安全生产有重要的现实意义。
预测瓦斯涌出量的基本方法有统计法和计算法两大类，它们都是基于涌出量与其影响因素之间为线性关系进行预测的，其精度往往不高。
实际上，瓦斯涌出量与其影响因素之间存在着复杂的非线性关系。
神经网络 （Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ，简称 ＡＮＮ） 是由大量的、简单的处理单元 （称为神经元） 广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。
神经网络具有大规模并行、分布式存储和处理、自组织和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。
鉴于瓦斯涌出量与其影响因素之间复杂的非线性关系，本文利用人工神经网络建立瓦斯涌出量预测模型。
基于人工神经网络的煤与瓦斯突出预测
基于人工神经网络的煤与瓦斯突出预测1. 煤与瓦斯突出1.1 定义煤与瓦斯突出指的是在煤矿井下工作时，突然出现的煤与瓦斯的喷发现象。
煤矿工人因此会面临高空洞顶崩落、瓦斯燃爆等危险。
1.2 产生原因煤与瓦斯突出的产生原因主要有三个：地质构造、煤体本身和采矿活动。
在地质构造方面，煤层下面的地质构造会影响煤层处于哪种应力状态。
煤体本身则会因不同地质条件、构造变化等因素而发生变化。
采矿活动则会使得煤层产生不同程度的应力状态变化。
2. 煤与瓦斯突出预测的意义预测煤与瓦斯突出发生的时间、地点和规模，有助于采取防范措施和救援方案。
这可以减少事故数量和伤亡人数，同时提高煤矿生产效率和安全性。
3. 人工神经网络3.1 定义人工神经网络（Artificial Neural Network，ANN）是一种模拟人类神经系统结构和功能的计算模型，可以进行自动学习和适应。
3.2 神经元和神经结构人工神经网络由多个神经元组成。
神经元接收输入信息，对其进行处理后输出结果。
多个神经元可以组成不同的神经结构，如：•前馈神经网络：信息流从输入到输出，中间没有反馈•反馈神经网络：信息可以从输出反馈到输入进行处理•端到端神经网络：将输入和输出对应起来，没有中间处理过程3.3 学习方法人工神经网络的学习方法主要有两个：监督学习和无监督学习。
在监督学习中，神经网络通过输入输出之间的关系进行学习。
训练数据包括输入和所对应的输出，神经网络通过不断调整参数来拟合输入输出之间的函数关系。
无监督学习则不需要输入输出之间的关系，而是根据输入数据的自身特点进行学习，用于发现数据本身的规律和特点。
4. 基于人工神经网络的煤与瓦斯突出预测4.1 数据收集和处理煤与瓦斯突出预测的数据包括多个维度，如地质结构、煤层厚度、瓦斯含量等。
这些数据可以通过各种手段进行收集，如矿井地质勘探、地学勘测等。
得到数据后，需要对其进行处理和转化，以便于神经网络的输入。
常用的处理方法有最小-最大归一化和标准化。
4基于BP_神经网络的煤与瓦斯突出预测方法的研究
2005年12月()系统工程理论与实践第12期文章编号:100026788 2005 1220102205基于BP神经网络的煤与瓦斯突出预测方法的研究(田云丽,周利华)湖南科技大学能源与安全工程学院,湖南湘潭411201摘要:为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.关键词:BP方法;神经网络;煤与瓦斯突出;MATLAB;预测中图分类号:TD752文献标识码:AThe Study on the Methods for Predicting Coal or Gas OutburstBased on BP Neural NetworkTIAN Yun2li,ZHOU Li2hua(College of Energy and Safety Engineering,Hunan University of Science and Technology,Xiangtan411201,China)Abstract:For the purpose of predicting the danger of coal and gas outburst in mine coal layer correctly,a kind ofmodified BP neural network based on the VLBP and LMBP algorithm in MATLAB neural network toolbox was put forthto speed up the network convergence speed in this paper.According to the characteristics of coal and gas outburst,five key influencing factors such as excavation depth,pressure of gas,and geologic destroy degree are selected as thejudging indexes of coal and gas outburst.Then the model for predicting coal and gas outburst is built.Practicalapplication demonstrates that the modified BP prediction model based on the MATLAB neural network toolbox canovercome the disadvantages of constringency and has fast convergence speed and good prediction accuracy.Theanalysis and computing show that the computing speed by LMBP algorithm is faster than by VLBP algorithm but needsmore memory.And the results show that the model is a very efficient prediction method for mine coal and gasoutburst,compared with the popular predicting methods,and has an important practical meaning for the mine production safety.Key words:BP method;neural network;coal and gas outburst;MATLAB;prediction1引言煤与瓦斯突出等煤岩动力灾害现象以及由此引发的煤与瓦斯爆炸等事故均严重制约了矿山生产和经济效益的提高,给矿井工作者造成了极大精神和心理压力.近年来,随着矿井开采深度和强度的增加,煤与瓦斯突出等煤岩动力灾害有增加的趋势.我国是世界上煤岩动力灾害最严重的国家之一,据2000年统计,全国煤炭生产共发生死亡3人以上事故442起,其中10人以上瓦斯事故占10人以上事故起数的92100%.2004年连续发生的几起特大煤矿事故,如10月河南大平煤矿瓦斯爆炸(148人死亡)以及11月28日发生在陕西铜川陈家山煤矿的瓦斯爆炸(166人死亡)等,均造成了人民重大生命和财产损失.因此开展有效的预测方法研究和提高预测的准确度是有效防治煤岩动力灾害的关键.收稿日期:2004212223资助项目:湖南省自然科学基金(05JJ30081);国家安全生产科技计划(042232);湖南科技大学博士启动资金(E50335)作者简介:田云丽(1971-),女,讲师,湖南永州人,湖南科技大学在读硕士研究生,主要从事安全技术及安全评价等教[1]第 12期基于 BP 神经网络的煤与瓦斯突出预测方法的研究103国内外许多学者在广泛研究的基础上提出了多种预测的方法:单项指标法、瓦斯地质统计法、综合指 标D与 K 法、钻屑指标法、钻孔瓦斯涌出初速度法、R 值综合指标法以及灰色预测法、球壳失稳法和电磁辐射法等.其中电磁辐射预测法能实现非接触预测,且无需打钻,省时省力,对生产影响小,费用较低,准确率较高.研究及应用情况表明 ,电磁辐射法预测冲击地压和煤与瓦斯突出等煤岩动力灾害危险性是可行 的 .但是影响煤层开采时煤与瓦斯突出的因素很多 ,且突出是一个复杂的动力学过程,它受到瓦斯、地 应力和煤物理力学性质三个因素的综合作用,可能还有其他至今未被人们认识到的参量的影响,并且我国各地煤层赋存条件各异且非常复杂,用上述方法对其众多影响因素综合考虑后加以预测是比较困难的且准确性也不够.实际上,煤与瓦斯突出与其影响因素之间存在着复杂的非线性关系 ,采用人工神经网络进行煤与瓦斯突出预测,能减少人为的干扰 ,从而更具有客观性,并且具有极强的非线性逼近能力,能真实刻画出输入变量与输出变量之间的非线性关系.因此,本文提出利用MATLAB615 的BP神经网络工具箱对煤与瓦斯突出危险性的预测问题进行研究 , 探讨建立改进的BP神经网络预测模型.2基于 MATLAB 的改进 BP网络模型神经网络的研究已成为当代人工智能领域最富挑战性的研究热点 ,其主要应用领域有模式识别、预 测、分类、非线性回归以及过程控制等,并均取得了很好的应用效果 .MATLAB软件是一种具有强大数据处理功能的应用软件 ,是MathWorks 公司于1982 年推出的一套高性能的数值计算和可视化软件.其中的神经网络工具箱几乎集成了所有的神经网络模型.神经网络模型中使用最广泛的是BP 模型,其中包 括VLBP算法与LMBP 算法如图 1 所示为三层BP 网络模型.基本BP 算法是一种简单的最速下降法,即ijij ij 图1三层BP网络模型ij ij ijij值为019 左右;t ———网络迭代步数; E———定义在权空间{W(t )}上的误差超曲面.其学习过程由正向传播和反向传播两部分组成,误差函数的求取是一个由输出层向输入层反向传播的递归过程;通过反复学习训练样本来修正权值,采用最速下降法使得权值沿着误差函数的负梯度方向变化,最后稳定于最小值.BP 网络模型虽然应用较广,但也存在算法收敛速度较慢且常滞留于局部极小值点等缺点.为了克服上述缺陷,本文提出一种基于MATLAB软件的改进BP模型,采用MATLAB 神经网络工具箱BP算法中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对煤与瓦斯突出危险性进行预测,以加快收敛速度和预测的准确度.3基于 MATLAB 的改进 BP 网络预测模型在煤与瓦斯突出中的应用311 输入层神经元的确定人们提出了很多假说探讨煤与瓦斯突出的机理,一致认为煤与瓦斯突出是地应力、瓦斯和煤的物理力 学性质三者综合作用的结果 .在BP 神经网络模型中 ,输入节点和输出节点的多少根据问题的性质来确定,主要是隐层层数与隐层节点的选取.学者Lippmann 与 Cyberko 通过理论分析认为 ,两个隐层足以解决任何形式的分类问题;Robert等认为,只要隐层节点数足够 ,只含一个隐层的神经网络模型,就可以以任意精度逼近一个非线性函数.因此本文选取的BP网络为三层结构.输入参数是指影响突出的主要因素,由于突出本身是一个复杂的动力[2～5][6～9]( ) ( ) Δ( ) ( )Δ ( )η ( ) α Δ ( ) ( )η ( ) α[1]104系统工程理论与实践2005年12月学过程,影响因素多且因地区而异,但对于神经网络预测来说参数的多少对其影响不是很大,只是增加了输入神经元的个数,预测速度有所下降而已;同时参数太多会导致实际应用中参数的测定困难.因此本文选取对煤与瓦斯突出预测有重要影响的以下五个参数作为输入层神经元:开采深度H,瓦斯压力P,瓦斯放散初速度ΔP,煤的坚固性系数F,地质破坏程度D.312输出层神经元的确定按照煤与瓦斯突出强度(实际为抛出煤重量)的大小将其分为四类:无突出(简称“无”)、小型突出(50吨以下, 小)、中型突出(50～100吨, 中”、大型突出) (100吨以上, 大”;本文以此作为评价集,定为输)出层神经元.由于神经元不可能输出1或0,因此设置四类的期望输出值为[019,011,011,011](无)、[011,019,011,011](小)、[011,011,019,011](中)、[011,011,011,019](大).经过试算,隐含层神经元一般取9～15个比较合适,因此笔者选定的MATLAB神经工具箱的改进BP网络模型由5个输入层神经元、12个隐层神经元和4个输出层神经元组成,从输入层到隐含层和隐含层到输出层的传递函数分别采用对数S型函数和线性函数.313应用举例选取国内16个典型突出矿井五个参数的实测数据为神经网络模型学习的样本集进行训练,神经网络学习训练经过迭代后收敛,并且网络完全准确地识别了学习样本,建立了影响因素与突出强度等级之间复杂的非线性映射关系,训练结果如表1所示;选取湖南涟邵矿务局金竹山煤矿6个采煤工作面作为预测样本以验证模型,结果如表2所示.由表2可知用LMBP算法(迭代56次收敛)和VLBP算法(迭代8854次后收敛)预测的结果基本上相同,与实际情况也完全吻合,说明用此方法进行开采煤层煤与瓦斯突出危险性预测是可行的,在实际中具有较好的推广价值.为考察分别用LMBP算法和VLBP算法进行预测时在收敛速度上的区别,本文还对两种算法在训练过程中的误差曲线进行了分析,结果如图2,图3所示.由图中可明显看出,运用LMBP算法比VLBP算法快得多,但是需要计算机的内存较大.表1神经网络模型学习样本训练结果样本号12345678910111213141516瓦斯压力(MPa)2.750.953.951.201.171.252.802.003.952.901.401.402.160.951.052.39放散速度ΔP19.06.014.018.05.008.008.007.0014.04.006.004.0014.06.004.8011.0地质构造D3533133135334323坚固系数F0.310.240.240.160.610.360.590.480.220.510.420.580.340.240.600.28垂深H(m)620445552462395745425460543442426428510455477515突出规模大小小小无中小无大大大无小中无小0.08570.08990.09840.09570.93140.09710.09370.90700.10350.09380.09740.90240.17510.08770.95680.1435学习结果0.1116008990.90820.14040.98730.11420.92270.14480.08810.17300.18620.88780.94010.10260.10950.09730.10780.09950.09880.09660.09140.09770.09750.10530.91980.09770.08980.92710.10540.08970.90750.07810.92400.08850.09680.10890.09760.09650.09840.08870.92240.93580.94440.09950.09730.08880.09600.0989第 12期基于 BP 神经网络的煤与瓦斯突出预测方法的研究表2 预测模型验证结果105号 1 2 3 4 5 6瓦斯 压力 P (MPa) 1.402.162.400.753.951.65放散 速度 ΔP 3.014 8.07.46.04.0地质 构造 D 3 4 1 4 5 2坚固 系数F0.510.580.420.370.540.53垂深 H (m) 400 485 519 740 543 438 0.9245 0.0947 0.0997 0.0944 0.0956 0.9443 LMBP0.0887 0.1065 0.9319 0.1087 0.9704 0.1092 0.1027 0.9108 0.1080 0.0936 0.0971 0.0997 预测结果0.0923 0.8970 0.0975 0.0892 0.0942 0.0903 0.0921 0.0953 0.9148 0.0977 0.0928 0.9048 VLBP0.0874 0.1817 0.9563 0.1245 0.9107 0.1146 0.1443 0.9511 0.0975 0.0981 0.0901 0.0967 0.0985 0.08910.08730.09660.89950.0919预测 类别 无 小 小 中 大 无实际类别 无 小 小 中 大 无图 2 LMBP 算法训练的误差曲线图 3 VLBP 算法训练的误差曲线下面将通过其他的预测方法如单项指标法、综合指标 D 与 K 法来对上述突出煤层危险性进行预测,并与本文提出的BP 神经网络预测方法进行比较.其中预测煤层突出危险性单项临界指标值为:瓦斯放散 初速度ΔP ≥10 ;煤的坚固性系数 F ≤015 ;煤层瓦斯压力 P≥0174MPa .综合指标的临界值则为: D ≥0125;K ≥15 . 将上述方法的预测结果与利用本文提出的 BP 方法预测结果进行比较 ,如表 3 所示. 从表中可以看出:常规预测方法的预测结果只有两种可能性 ,那就是有突出危险性( 有”)或无突出危险性(无”) ,不能反映突出危险性的程度;常规预测方法的预测结果与实际结果不是完全吻合,其原因是不管是单项指标法还是综合指标法都不能完全反映煤层煤与瓦斯突出的诸多复杂的影响因素 ,而本文提出的BP神经网络预测方法预测结果更加准确.表3其他预测方法预测结果号 瓦斯压力 放散速度 地质构造 坚固系数 P (MPa) ΔP D F垂深H (m)D常规预测方法预测结果KP ΔP FDKBP 预测结果 实际 类别 1 2 3 4 5 61.402.16 2.40 0.753.95 1.653.014. 8.07.46.04.03 4 1 4 5 20.510.580.420.370.540.53400 485 519 740 543 4381.90 4.65 10.4 0.12 14.62.915.88 24.119.120.011.17.55有 有 有 有 有 有无 有 无 无 无 无无 无 有 有 无 无有 有 有 无 有 有无 有 有 有 无 无无 小 小 中 大 无无 小 小 中 大 无4结论样 本 [1]样本106)系统工程理论与实践2005年12月2实际结果表明采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;3) 利用MATLAB神经网络工具箱的改进BP网络模型既能有效地预测煤与瓦斯突出危险性,又能使广大科技工作者免于繁琐的计算机编程,从而达到提高工作效率的目的;4) 与常规预测方法相比较,基于MATLAB神经网络工具箱的BP网络模型具有很强的自学习性、自适应性且准确性也较高,因此对开采煤层煤与瓦斯突出危险性的预测是可行的,对有效防治煤层煤与瓦斯突出具有重要的现实意义.参考文献:[1]林柏泉,崔恒信.矿井瓦斯防治理论与技术[M].徐州:中国矿业大学出版社,1998.Lin Baiquan,Cui Hengxin.The Theory and Technique of Methane Prevention in Coal Mine[M].Mining and Technology Press,1998.[2]何学秋,王恩元,聂百胜,等.煤岩流变电磁动力学[M].北京:科学出版社,2003.10.Xuzhou:China University ofHe Xueqiu,Wang Enyuan,Nie Baisheng,et al.Press.2003.10.Electromagnetic Dynamics of Coal or Rock Rheology[M].Beijing:Science[3]窦林名,何学秋.冲击地压防治理论及技术[M].徐州:中国矿业大学出版社,2001.05.Dou Linming,He Xueqiu.Theory and Technology of Rock Burst Prevention[M].Xuzhou:China University ofTechnology Press,2001.Mining and[4]Xiao Hongfei,He Xueqiu,Wang Enyuan,et al.Research on coupling law between electromagnetic emission and stress duringdeformation and fracture of coal or rock[J].Progress in Safety Science and Technology,Science Press,BeijingΠNew York,2004:431-435.[5]肖红飞,何学秋,王恩元,等.煤与瓦斯突出电磁辐射指标临界值的确定及应用[J],煤炭学报,2003,28(5):465-469.Xiao Hongfei,He Xueqiu,Wang Enyuan,et al.Determination and application of critical value in coal and gasoutburst prediction byelectromagnetic emission method[J].Journal of China Coal Society,2003,285():465-469.[6]李晓峰.基于AHP的人工神经网络模型的建立[J].四川大学学报(工程科学版),2000,32(2):18-112.Li Xiaofeng.Establishment of artificial neural network model based on AHP[J].Journal of Sichuan University(Engineering Science Edition),2000,322():18-112.[7]田红波,韦荫康.应用加权模糊自适应共振人工神经网络进行模式识别[J].模式识别与人工智能,1999,124():450-454.Tian Hongbo,Wei Yinkang.Pattern recognition based on weighted FART1[J].Pattern Recognition and Artificial Intelligence,1999,124():450-454.[8]陈念贻,陈瑞亮,钦佩,等.模式识别方法在化学化工中的应用[M].北京:科学出版社,2000.Chen Nianyi,Chen Ruiliang,Qin Pei,et al.Application of Mode Recognition Method in Chemistry and Chemical Engineering[M].Beijing:Science Press,2000.[9]焦李成.神经网络系统理论[M].西安:西安电子科技大学出版社,1990.Jiao Licheng.Systematic Theory of Neural Network[M].Xi′an:XiDian University Press,1990.[10]楼顺天,施阳.基于MATLAB的系统分析与设计———神经网络[M].西安:西安电子科技大学出版社,2000.Lou Shuntian,Shi Yang.Systematic Analysis and Design Based on MATLAB2neural Network[M].Xi′an:XiDian University Press, 2000.。
基于智能信息处理的煤与瓦斯突出的预警预测研究
基于智能信息处理的煤与瓦斯突出的预警预测研究近年来,煤与瓦斯突出事故频发,尤其是在一些自动化程度相当高的矿井甚至是低瓦斯矿井也开始出现突出事故,突出事故已然成为煤炭行业可持续发展的制约因素。
如何更加精确地对煤与瓦斯突出进行预测预警成为亟需解决的重要问题。
论文以国家自然科学基金为依托,以煤矿具体项目为实际研究背景,对煤与瓦斯突出的预测预警进行了深入研究。
本文的研究工作主要包括以下四个方面:(1)综合了煤与瓦斯突出事故的预警预测理论模型。
对比分析了国内外煤与瓦斯突出机理的各类假说和煤与瓦斯突出预测技术的研究现状,基于智能信息处理对煤与瓦斯突出预测预警进行了深入研究。
(2)建立了粒子群优化神经网络的煤与瓦斯突出危险性区域预测模型。
针对基于BP 神经网络的煤与瓦斯突出危险性区域预测模型存在收敛速度慢、极易陷入局部极值等问题,结合了粒子群优化算法极强的全局搜索能力和BP算法快速的局部搜索能力,提出了结合粒子群优化算法与BP神经网络算法的煤与瓦斯突出危险性区域预测模型。
实验表明,该预测模型与基于BP神经网络的预测相比,在收敛速度和泛化能力上均有很大提高。
(3)建立了基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测模型,对瓦斯浓度时间序列进行了e -SVR回归预测研究,基于PSO对SVM瓦斯浓度模型进行了优化,利用软阈值小波去噪法对煤矿监测监控系统中的工作面瓦斯浓度时间序列进行了去噪分析。
通过调整支持向量机不敏感损失参数e对瓦斯浓度时间序列进行预测建模,分析比较了SVM参数变化对预测精度的影响,最后对预测误差进行了分析。
(4)建立了瓦斯浓度突出的DFNN预警模型,通过模糊RBF神经网络对模糊控制器的隶属度函数值进行训练,DFNN模型即可表达定性知识,又能表达定量知识,具有强大的自学习能力,实现了对瓦斯突出的提前预警目的,灵活性好,综合性强,准确性高,具有较好的应用前景。
最后通过Matlab仿真实验验证了模型的可行性。
基于神经网络的煤与瓦斯突出预测系统的开发的开题报告
基于神经网络的煤与瓦斯突出预测系统的开发的开
题报告
一、研究背景
煤与瓦斯突出是煤矿开采过程中产生的一种危险事故，其发生往往
带来严重的伤亡和财产损失。
目前，煤炭行业正积极推进安全生产，加
强对煤与瓦斯突出预防的研究和控制。
传统的煤与瓦斯突出预测方法主
要依赖于经验判断和统计分析，其局限性较大，且精度难以提高。
随着
深度学习技术的不断进步，基于神经网络的煤与瓦斯突出预测系统逐渐
引起了人们的关注。
通过建立神经网络模型，可以更准确地识别煤与瓦
斯突出的危险信号，并提高预测精度，从而有效降低煤矿事故风险。
二、研究目的
本研究旨在开发一种基于神经网络的煤与瓦斯突出预测系统，探索
其可靠性和精度，为煤炭行业的安全生产提供技术支持。
三、研究内容
（1）煤与瓦斯突出预测系统的需求分析：确定煤与瓦斯突出预测系统的基本功能和性能需求。
（2）神经网络算法的选择与建模：选择合适的神经网络算法，并通过数据预处理、特征提取等方法构建神经网络模型。
（3）煤与瓦斯突出预测系统的实现与测试：开发煤与瓦斯突出预测系统，并进行实际测试，同时对预测结果进行分析和优化。
四、研究方法
本研究主要采用实证分析方法，通过数据采集、预处理、模型建立、实验测试等方法，对基于神经网络的煤与瓦斯突出预测系统进行研究和
开发。
五、预期成果
本研究预期实现一种基于神经网络的煤与瓦斯突出预测系统，并通过实验测试评估该系统的性能和可靠性。
同时，本研究将为煤炭行业提供一种新型的煤与瓦斯突出预测方法，可为煤炭行业的安全生产提供技术支持。
基于神经网络的煤与瓦斯突出强度预测专家系统
பைடு நூலகம்
２ ０ ｍ 煤 巷 掘 进 发 生 第 一 次 有 记 载 突 出 以 来 ， 国 ８ 我 已经 发 生 突 出 １ ０ ５０ ０多 次 。 目前 ， 国 突 出 预 测 基 我
中 图 分 类 号 ： Ｐ ８ Ｔ １３ 文 献 标 识 码 ： Ａ 文 章 编 号 ：０ ３—０ ０ ２ １ ０ｌ一０ ０一Ｏ １０ ５ ６（ ０ ０） ０ｌ ２
Ｅｘ ｅ ｔ Ｓ ｓｅ ｏ ａ ｎｄ Ｇ ａ ｕｔ ｕｒ ｔＩ ｔ ｎｓｔ ｅ ｃ ｉ ｎ Ｂａ ｅ ｎ Ｎｅ ａ ｅ ｗｏ ｋ ｐ ｒ ｙ ｔ ｍ ｆ ｒ Ｃｏ ｌａ ｓ Ｏ ｂ ｓ ｎ ｅ ｉｙ Ｐｒ ｄｉｔｏ ｓ ｄ ｏ ｕｒ ｌＮ ｔ ｒ
以采 集 到 的 实 时 数 据 作 为预 测样 本进 行 预 测 验 证 。 结 果 表 明 ： 系统有 较 好 的预 测 能力 ， 高 了煤 与 瓦 斯 突 该 提
出强 度 预 测 的 准 确 性 和及 时 性 。
关键 词 ： 经 网络 ； 出 强度 ； 家 系 统 ； 响 因 素 ； 线性 神 突 专 影 非
ｐ ｏ ｌｍ ， ｎ ｉ ｔｎ ｉｙｏ ｏ ｌａ ｄ ｇ ｓｏ ｂ ｓ ｒ ｄｉｔｏ ｘｐ ｒ ｓ ｓｅ ｗａ ｓａ ｌｓ ｅ ｔ ｙ ｔ ｍ ｅｅ ｔｄ ｔ ｅ ｃ ａ ｎｄ ｇ ｓｏ ｔ ｒｔｃ — ｒ ｂｅ ａ ｎｅ ｓｔ ｆｃ ａ ｎ ａ ｕｔｕｒｔｐ ｅ ｃｉ ｎ ｅ ｅ ｔ ｙ ｔ ｍ ｓｅ ｔ ｂｉｈ ｄ，ｈｅ ｓ ｓｅ ｓ ｌｃｅ ｈ ｏ ｌａ ａ ｕｂｕ ｓ ａ ｓ ｓｏ ｉ ｇ ｎ ｓ ｎ Ｃｏ ｌＧｒ ｕ ｓｔ ｅ ｓｕ ａ ｅ ｆＰ ｎ ｄｉｇ ｈａ ａ ｏ ｐ ａ ｈ ｔｄｙ ｓ ｍｐｌｓ， ｎ ｓ ｄ ｔ ｅ ｓｒ ｎ ｅｆｌａ ｎ ｎ ｂ ｌｔ ｏ ｅｕ ａ ｎ ｔ ｒ ｏ ｂ ｌ ｏ ｅ ｅ ｅ ａ ｄ ｕ ｅ ｈ ｔｏ ｇ ｓ ｌ－ｅ ｒ ｉ ｇ ａ ｉｉ ｙ ｆｎ ｒ ｌ ｅｗｏ ｋ ｔ ｕｉ ａ ｋｎ ｗｌｄｇ ｄ
基于人工神经网络的煤矿安全预警系统研究
基于人工神经网络的煤矿安全预警系统研究随着经济的发展和社会进步，煤矿安全问题越来越受到人们的关注。
在煤矿生产中，井下的作业环境复杂，预警机制不完善，容易发生安全事故。
因此，研究基于人工神经网络的煤矿安全预警系统已经成为当前煤矿安全领域的研究热点。
人工神经网络是一种模拟人类神经系统的计算机算法，可以模拟大脑神经元之间的相互作用，从而处理信息和解决问题。
在煤矿安全预警系统中，人工神经网络可以用于识别和分类具有潜在危险的信号，进而实现对煤矿安全的预警。
一、煤矿安全预警系统的发展随着煤矿生产的不断发展，煤矿安全问题也愈加突出。
煤矿发生的一系列安全事故，如瓦斯爆炸、煤与瓦斯突出等，给煤矿生产和矿工的生命安全带来了威胁。
为了提高煤矿生产的安全性，煤炭工业开始建立煤矿安全监测系统，将传感器技术引入到煤矿监测中，以便实现对煤矿生产环境的实时监控和掌握。
为了进一步提高煤矿安全性，煤炭工业开始着重研究煤矿安全预警系统。
经过多年的研究和发展，煤矿安全预警系统已经从简单的报警系统发展到具有智能化、自动化和高效性的复杂系统。
随着技术的迅速发展，人工神经网络作为智能化手段，被广泛地应用于煤矿安全预警系统中。
二、人工神经网络在煤矿安全预警系统中的应用人工神经网络是一种结构简单、灵活性强、并行性高的处理信息的模型，通过网络中神经元之间的相互作用来完成模式识别、信息分类等任务。
在煤矿安全预警系统中，通过人工神经网络对采集到的实时数据进行分析处理，可以识别和分类信号，实现对煤矿的安全预警。
1. 数据采集煤矿安全预警系统中，一般采用传感器来对煤矿环境进行实时监测，采集相关的气体、温度、湿度、压力、震动等信息，将采集到的数据传输到监控中心进行处理。
通过采集到的数据，可以对煤矿运行状况进行实时监测，发现煤矿生产过程中的潜在隐患并及时进行预警。
2. 数据处理与模型构建采集到的数据需要经过处理和分析，才能得到有用的信息。
通常，人工神经网络要从这些已经经过处理和标注的数据中学习，然后将学习到的知识应用到新的数据中，进而实现对煤矿的预警。
煤与瓦斯突出预测指标建立与分析
的根 据用 户 的需求 ， 实 现相 关 的功 能 ｊ 。本 文 对 模 型 的构建 包括 以下 内容 。 目标 阀值 确 定 ： 训 练 误 差 ｅ和 迭 代 次数 ｄ是 影 响 目标 阀值 的重要 指标 。通 过 对 测试 不 同 ｅ 值和 ｄ 值 的训练误差 曲线分析 ， 本训练集在 ｅ ＝ ０ ． ０ ０ １ ， ｄ ＝ ２ ０ ０ ０ ０时精度 和训 练速 度都 比较 好 。 学 习速 率 ｓ 和 动 量 因子 Ｐ选 择 ： 学 习速 率 是循 环训 练权值 变化 量 的决定 性 因素 。通过 不 同学 习速
声发 射大 事件 频数 预测 相对误 差 曲线 图所示 。 由上 面所 述分 析可 知 ， 该 网络 的结构 合理 ， 预测 结果 和实 际情 况 比较 吻 合 ， 所 预 测 的结 果 与 真 实值
果如声发射小事件频数预测 ， 声发射小事件频数预 测绝 对误 差 ， 声 发射 小事 件频数 预 测相对 误差 曲线 ， 声发射能率预测曲线 ， 声发射能率预测绝对误差曲 线， 声发射能率预测相对误差曲线 ， 声发射大事件频 数预 测 曲线 ， 声 发射 大事 件频 数预 测绝对 误差 曲线 ，
因此建立声发射 、 瓦斯指标预测煤与瓦斯突 出是可 行 的 。对 于 处理 由多 因素 而 引起 的一个 复杂 的非 线 性突出问题 ， 传统的方法是有局 限性 的， 而以非线性
并行 计算 为基 础 的人 工神 经 网络在 处理 此类 复杂 非 线性 问题 时具 有 较 高 的 建 模 能 力 和 良好 的拟 合 能 力， 可成 为煤 与瓦 斯 突 出 危 险性 的判 定 和 识 别 提 供
的一 种新 方法 。
神经网络在煤与瓦斯突出预测敏感指标确定中的应用
第 ２ ７卷 第 ４期
２０ ０ ８年 ８月
河南理工大学学报 （ 自然科 学 版 ）
Ｊ ＯＵＲＮ ＡＬ ＯＦ ＨＥＮＡ ０Ｌ Ｅ ＨＮ Ｃ ＵＮ ＶＥＲ ＩＹ （ Ｎ Ｐ ＹＴ Ｃ Ｉ Ｉ ＳＴ ＮＡＴ ＡＬ Ｓ Ｉ ＮＣ ＵＲ Ｃ Ｅ Ｅ）
Ｖ０ ． Ｎｏ． １ ２７ ４ Ａｕｇ ２ ８ ． ００
神 经 网络 在 煤 与 瓦斯 突 出预测 敏感 指标 确 定 中 的应 用
翟 华 李 占五
（ ．郑煤 集 团公 司 通 风 处 ，河 南 郑 州 １ ４ ０ ０ ；２ ５ ０ ６ ．郑 煤 集 团公 司 超 化 煤 矿 ，河 南 新 密 ４２８ ） ５ ３ ５
ｄｉａｅ ｔ ｔｔ ｅ ｍ ｅｈ ｄ ｏ ｅ ｒ ｌｎ ｔ ｒ ａ ｅ ｎ ｔ ｒ ｄ ｃ ｉｎ ｏ ｏ ｌａ ｄ ｇ ｓ ｏ ｔ ｕ ｓ ， ａ ｄ ｄ ｔｒ ｃ ｔ ｈａ ｈ ｔ ｏ ｆｎ ｕ ａ ｅｗｏ ｋ ｃ ｎ ｂｅ ｕｓ ｄ ｉ ｈｅ ｐ ｅ ｉ ｔ ｎ ｃ ａ ｎ ａ ｕ ｂ ｒ ｔ ｎ ｅ ｅ － ｏ
ｐ ｅ ｉ ｔｏ ｅ ｓｔ ｅ ｉ ｄ ｃ ｔｒ ｒ ｄ ｃ ｉ ｎ ｓ ｎ ｉ ｖ ｎ ｉ ａｏ ｓ ｉ
ＺＨＡＩＨｕ ． Ｌ ｈ ｎ — ｗｕ ａ ＩＺ ａ
（ ． Ｄ ｐ ｒ ｎ ｏ ｅ ｔａｉｎ １ ｅ ａｔ ｔ ｆ Ｖ ｎｉ ｔ ，Ｚ ｅｇ ｈ ｕ Ｃ ａ ｎｎ ｒｕ ｏ ｏａｉｎ ｈ ｎ ｚｏ ４ ０ ０ ， Ｃ ｉａ ． Ｃ ａ ｈ ａ Ｃ ａ ｎ ，Ｚ ｅ ｇｈ ｕ ｍｅ ｌ ｏ ｈｎ ｚ ｏ ｏ ｌ Ｍｉｉ Ｇ ｏｐ Ｃ ｒ ｒｔ ，Ｚ ｅ ｇｈ ｕ ５ ０ ６ ｇ ｐ ｏ ｈｎ ；２ ｈ ｏｕ ｏ ｌ Ｍｉｅ ｈ ｎ ｚ ｏ Ｃ ａ Ｍｉｉ ｒｕ ｏ ｏａｉｎ ｏ ｌ ｎｎ Ｇ ｏｐ Ｃ ｒ ｒｔ ，Ｘｉｍ ４ ２ ８ ｇ ｐ ｏ ｎ ｉ ５ ３ ５，Ｃ ｉａ ｈｎ ）
基于BP人工神经网络的矿井瓦斯涌出量预测
设 含 有 层 一个 节 点 的任 一 个 网络 ， 节 点 其
非 线 性 激 活 函 数 为 Ｓｇ ｉ ． ｆ（ ） １ （ 一 ｉｍｏｄ 即 ｒ ＝ ／１
ｅ 。 了简便 ， …） 为 假定 网络 只有一 个输 出 ， 于给定 对
＂个 样 本 （ Ｙ ） ＾ １ ２ … ， 任 一 个 节 点 的 Ｘ ， （ ＝ ． ． ）
维普资讯
第１ 期
Ｗ ｏ （ ）
一
刘 新喜等 ： 基于 Ｂ Ｐ＾工神经 网碧 的矿井瓦斯诵出量预测
一 Ｗ 一 ＋ａ ， ＡＯ ＋吐 ＋Ⅱ （） ８ （） ９
・ ５・ ３
层 节 点 数 为 ２ ＋ １其 中 Ⅳ 为 输 入 节 点 ， 此 矿 井 Ⅳ ， 因
程 如 下 ：
Ｏ ｔｔ ￣ｅ ＃
则
ａ ａ ＂０＝ 】… ａ 薷， （ ，Ｈ ＝ ａ ５ ）
若 为输 出节 点 ． ｏ ： 则 掰 一一 （ ） ） １ ） ｙ一 ＿ 厂 （ 一， ） （） ６
若 Ｊ不是输 出节点 ， 第 Ｌ＋１ 在 层第 ｍ 个单 元时 靠 一 ２， ５ 站 ｆ ｘ）１ （ ） （ （一， ｚ ） （） ７
摘 要 应用Ｂ Ｐ＾工神经网络模型和算法， 建立了煤层群开采矿井瓦斯涌出量预测模型。实际应用表明・ 模 型精度能满足要求， 并对臆舍层神经元数 目 对步长影响作了讨论。
关 键 词 煤层群 瓦斯浠 出量 神经 网络 预测
中图分 类 号 ： ９６ｘ １ ７ Ｘ ３ ，ｎ７ ２ ．
基于 Ｂ Ｐ人 工神 经 网络 的矿 井 瓦斯 涌 出量 预 测
刘新喜 木合塔尔扎 日 王鹏飞。 黄晓峰
（．中 国地 质 大 学 ， 汉 ４ ０ ７ ２ 新 疆 大 学 ， 鲁 木 齐 ，３０ ０ ３ １ 武 ３ ０４： 乌 ８ ０ ０ ；．朝 潭 工学 院 ， 潭 ．１ ２ ０ ￣ 朝 ４ ０ ） ３
基于人工神经网络的煤与瓦斯突出预测
基于人工神经网络的煤与瓦斯突出预测随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，例如，基于声发射和电磁辐射的煤体破裂过程非接触预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。
但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化。
因此，预测结果常常不很准确。
人工神经网络技术（ANN）的飞速发展，基于人工神经网络的煤与瓦斯突出预测取得了较高的预测精度，优于其它预测方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。
1 影响煤与瓦斯突出事故的因素（1）煤层瓦斯压力。
原始瓦斯压力越高，煤体内的瓦斯含量越大，当煤体破裂时，单位面积内从裂缝中排放的气体越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。
（2）围岩的透气性系数。
围岩的透气性系数越大，更有利于煤层瓦斯泄漏，在同样瓦斯压力下，煤层中赋存的瓦斯越小。
（3）构造煤的类型。
构造煤是煤与瓦斯突出的必要条件，不同类型的构造煤具有不同的突出风险。
（4）瓦斯放散初速度。
煤样放散瓦斯快慢的程度用△P值表示，其大小与煤的微孔隙结构，孔表面性质与孔径有关，随构造煤破坏类型的增高，△P值也增高。
（5）软弱煤层厚度。
由下式可以看出，煤体撕裂后形成的球形煤壳曲率半径Ri及煤壳中心角Φi越大，下式就容易满足，煤壳就容易失稳抛出。
当突出阵面沿软分层发展时，在垂直煤层方向上有如下关系：H=2Risin (Φi）式中 H——软弱煤层厚度Ri——煤壳曲率半径Φi——煤壳中心角软煤厚度越小，沿垂直于煤层的方向形成的煤壳的曲率半径和中心角越小，煤壳就越不容易失稳抛出，煤与瓦斯突出灾害也就越不容易发生。
2 基于人工神经网络的预测模型2.1 反向传播算法（BP）的拓扑结构BP（Back Propagation）算法 1985年由Rumel-hart等提出，该方法系统地解决了多层神经网络中隐单元层连接权重的学习问题，并在数学上给出了完整的推导。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于人工神经网络的煤与瓦斯突出预测
随着我国煤炭科学技术的迅速发展，在煤与瓦斯突出预测方面取得了突出进展，提出了许多预测煤与瓦斯突出的方法和指标，如基于煤体破裂过程中的声发射和电磁辐射现象的非接触式预测方法；根据工作面打钻时的钻屑量、瓦斯涌出量及解吸量进行的接触式预测方法；以及其它预测指标等。
但是这些方法和指标主要是使用回归分析的方法得出的，它考虑的是影响煤与瓦斯突出的个别是或重要因素，没有全面考虑影响煤与瓦斯突出的因素，致使突出敏感指标因地而异，突出临界值随矿井不同而变化。
因此，预测结果常常不很准确。
人工神经网络技术（ANN）的飞速发展，基于人工神经网络的预测煤与瓦斯突出预测已经能够达到很高的预测精度，优于其它预测方法，完全可以满足煤矿煤与瓦斯突出预测精度的要求。
1 影响煤与瓦斯突出事故的因素
（1）煤层瓦斯压力。
原始瓦斯压力越高，煤体内的瓦斯含量越大，煤体破裂时单位面积裂隙上涌出的瓦斯量就越多，裂隙中就越可能积聚起较高的瓦斯压力，从而越可能撕裂煤体，并将撕裂形成的球盖状煤壳抛向巷道。
（2）围岩的透气性系数。
围岩的透气性系数越大，越有利于煤层中瓦斯泄漏，在同样瓦斯压力下，煤层中赋存的瓦斯越小。
（3）构造煤的类型。
构造煤是煤与瓦斯突出的必要条件，不同类型构造煤具有不同的突出危险性。
（4）瓦斯放散初速度。
煤样放散瓦斯快慢的程度用△P值表示，其大小与煤的微孔隙结构，孔隙表面性质和孔隙大小有关，随构造煤破坏类型的增高，△P值也增高。
（5）软分层煤厚。
由下式可以看出，煤体撕裂后形成的球盖状煤壳曲率半径Ri及煤壳所对的中心角Φi越大，下式就容易满足，煤壳就容易失稳抛出。
当突出阵面沿软分层发展时，在垂直煤层方向上有如下关系：
H=2Risin (Φi）</SUB)
式中H——软分层煤厚
Ri——煤壳曲率半径
Φi——煤壳所对的中心角
软煤厚度越小，形成的煤壳在沿垂直煤层方向上的曲率半径及所对中心角就越小，煤壳就越不容易失稳抛出，煤与瓦斯突出灾害也就越不容易发生。
2 基于人工神经网络预测模型
2.1 反向传播算法（BP）的拓扑结构
BP（Back Propagation）算法1985年由Rumel-hart等提出，该方法的提出系统地解决了多层神经元网络中隐单元层连接权的学习问题，并在数学上给出了完整的推导。
采用BP算法的多层神经网络模型一般称为BP网络。
多层神经网络模型的一般拓扑结构如图1所示。
它由输入层、隐层和输出层组成。
中间层也就是隐含层可以是一层或多层。