基于灰色熵权法与BP神经网络的煤与瓦斯突出预测.pdf

第 10 期 山 西 焦 煤 科 技 No.102023 年 10 月Shanxi Coking Coal Science&TechnologyOct.2023专题综述收稿日期:2023-07-27作者简介:李世民(1977),男,山西临汾人,2021 年毕业于中国矿业大学,工程师,主要从事煤矿安全生产及“一通三防”工作(E-mail)bzgtfk 基于灰色熵权法与 BP 神经网络的煤与瓦斯突出预测李世民(山西省临汾市蒲县黑龙关镇豹子沟煤业,山西临汾041000)摘要为正确判断煤与瓦斯突出预测结果,降低预测结果误差,基于灰色熵权法与 BP 神经网络,建立煤与瓦斯突出预测模型。通过采集某矿煤与瓦斯突出的主要影响因素原始数据,使用灰色熵权关联度对 8 个煤与瓦斯突出影响因素的原始数据进行处理,得到各指标的权重系数并进行排序;然后选择 3 个主要的影响因素作为 BP 神经网络输入层参数,隐含层为 10,输出层为 1,建立预测煤与瓦斯突出模型。分别任意选取突出 10 个与非突出 5 个作为训练样本,用检验样本检验训练好的网络。结果表明,该模型能更好地预测煤与瓦斯突出,预测结果符合实际情况。关键词煤与瓦斯突出;灰色熵权法;BP 神经网络;仿真预测中图分类号:TD713文献标识码:B文章编号:1672-0652(2023)09-0053-04煤与瓦斯突出是煤矿的主要灾害,煤与瓦斯突出的预测技术对保证煤矿安全生产具有重要的意义。多位学者针对煤与瓦斯突出的预测方法进行了研究,刘晓光等1提出运用 PCA-聚类分析预测煤与瓦斯突出;龚星宇等2开展了独立成分分析在瓦斯浓度预测中的应用研究;马晟翔等3将因子分析与 BP 神经网络结合,提出一种改进 BP 神经网络预测的方法作为煤与瓦斯突出结果的预测;温廷新等4开展了基于 PSOBP-AdaBoost 模型的瓦斯涌出量分源预测研究;董晓雷等5基于 SVM 耦合遗传算法,作为回采工作面瓦斯涌出量结果的预测;金洪伟等6运用主成分分析法对煤矿瓦斯涌出量进行了预测。以上方法在预测煤与瓦斯突出的结果方面误差偏大,主要是因为影响瓦斯突出的因素复杂多样,各因素之间存在非线性关系。且影响因素有主要因素和次要因素,需要运用数学方法处理这些影响结果权重的问题。熵权法和灰色关联度数学方法的结合能够简化预测指标间的相互联系,获得主要影响因素与突出结果的关联度。为此,提出将灰色熵权法和 BP 神经网络法相结合,通过对预测指标加权法处理得到影响因素与结果的关联度,将主要影响因素作为 BP 神经网络输入层参数的个数,简化 BP 神经网络结构,提高迭代与运算效率。以某矿典型的煤与瓦斯突出为数据样本,运用灰色熵权关联度与 BP 神经网络法的煤与瓦斯突出预测,验证所提预测方法的可行性和准确性。1灰色熵权关联度分析与 BP 神经网络原理1.1灰色关联度灰色关联分析法是对于一个目标系统进行定量的直观描述和比较各因素之间的关联性,基本理论方法为选出目标序列作为母序列,各影响目标因素作为子序列,运用数学的方法来定量和比较各影响因素对于结果的紧密程度。进行灰色关联度分析时,根据以往的数据处理方法,要进行数据的无量纲化处理,便于得到合理的、科学的结论7.1.2灰色熵权法考虑整个体系中各指标所占权重并非完全相等的特点,在使用客观的事实数据中,依靠数学理论分析的基础,在灰色关联度数学方法的基础上,再进行熵权计算,得到的权重关联度客观地分析了各属性对于结果的影响,有利于提高分析的计算精度。i=1nniji(k)(1)式中:i为关联度;n 为元素的个数;k 为目数据序列,取 1,2,3n;j为关联系数;i为关联函数。1.3BP 神经网络BP 具有包含多个隐含层的网络特点,具备处理线性不可分问题的能力。应用最广的是多层前馈网络及误差反向传播学习算法,网络采用误差反向传播算法进行学习。BP 神经网络中的内部计算,数据由输入层经过隐含层逐层逐步向后传播。网络权值由输出层逐渐向前修正网络的权值大小,网络层层相连,实现彼此的映射关系。BP 网络是前向神经网络的核心,在人工智能 等领域广泛 解 决 分 类 识 别 的问题。2灰色熵权法与 BP 神经网络煤与瓦斯突出预测中的应用2.1煤与瓦斯突出影响因素数据选用某矿现场实际煤与瓦斯突出的具体数据作为研究煤与瓦斯突出的影响因素数据,见表 1.表 1影响因素数据表样本编号瓦斯压力Y1/MPa顶底板岩性Y2/%煤层厚度Y3/m煤层地应力Y4/N瓦斯放散初速度 Y5/(mL s-1)煤层与断裂的距离 Y6/m开采深度Y7/m瓦斯含量Y8/(m3t-1)124.90.7812.2133474.353012.8225.50.9415.27604.858314.5328.10.8613.67794.157314.1426.60.8714.5765.355614.1529.10.7412.871605.554013.5620.51.7519.7131454.864017.97260.8612.272064.852212.58260.8612.27394.563012.59191.115.87394.563015.31023.81.7819.571184.169717.61125.11.2516.771174.562915.81225.90.67771784.34321013250.6411434.43367.21424.30.67211944.920041527.20.65.212235.338391627.90.5713.18934.7540131729.40.712.471905.453513.21829.50.712.471934.153313.21926.30.64.115154.43455.52.2煤与瓦斯突出因素灰色熵权法分析2.2.1熵权法应用 Matlab2018a 数学计算软件,重点分析数据主要影响因素的权重大小。由于煤与瓦斯突出各影响因素之间的数量级和纲量不同,数据之间具有比较大的差异性,建立了 198 原始数据,运用灰色熵权法分析之前,需对原始数据进行归一化处理,见表 2.对归一化后的数据运用公式得到各指标的权重,其中煤层最大地应力 0.38 N、瓦斯压力 0.18 MPa、瓦斯含量 0.06 m3/t、顶底板岩性 0.41%、与断裂距离0.11 m、煤层厚度 0.12 m、开采深度 0.04 m、绝对瓦斯涌出量 0.05 m3/d.在影响煤与瓦斯突出因素中,顶底板岩性 0.41%在整个体系中所占权重值最大,这也说明它对于煤与瓦斯突出危险性预测起到的作用最大。2.2.2灰色关联熵法应用 Matlab2018a 数学计算软件,对影响因素的数据进行预处理,重点分析各影响因素对结果的影响程度。1)原始数据均值化。由于煤与瓦斯突出各影响因素之间的数量级和纲量不同,数据之间具有比较大的差异性。建立了45山 西 焦 煤 科 技2023 年第 10 期199 原始数据,运用灰色熵权法分析之前,有必要进行原始数据均值化。表 2归一化后数据表样本编号瓦斯压力Y1/MPa顶底板岩性Y2/%煤层厚度Y3/m煤层地应力Y4/N瓦斯放散初速度 Y5/(mL s-1)煤层与断裂的距离 Y6/m开采深度Y7/m瓦斯含量Y8/(m3t-1)10.560.170.580.2910.140.660.6320.620.310.7500.190.500.780.7630.870.240.6600.2100.750.7340.720.250.71000.860.720.7350.960.140.6100.4510.680.6860.140.9810.290.410.500.89170.670.240.5800.590.500.650.6180.670.240.5800.100.290.870.61900.440.7800.100.290.870.81100.4610.9900.33010.98110.580.560.8300.330.290.860.85120.660.080.2800.500.140.470.43130.570.020.110.380.110.210.270.23140.500.0800.380.260.5700150.780.020.1810.050.860.370.36160.8500.6310.260.430.680.65170.100.110.5900.540.930.670.661810.110.5900.5500.670.66190.700.020.120.380.030.210.290.11 2)灰色关联熵指标系数。应用均值化后的数据进行灰色关联熵分析,确定反应瓦斯突出特征的参考数列与影响结果的比较数列,计算灰色关联熵指标系数,如表 3.表 3指标系数表指标瓦斯压力Y1/MPa顶底板岩性Y2/%煤层厚度Y3/m煤层地应力Y4/N瓦斯放散初速度 Y5/(mL s-1)煤层与断裂的距离 Y6/m开采深度Y7/m瓦斯含量Y8/(m3t-1)灰色关联度值0.686 80.714 4 0.779 50.589 40.702 90.689 00.757 90.803 7灰色关联熵值0.240 60.126 70.048 20.026 10.079 10.083 20.027 90.036 0由表 3 可知,各影响因素对煤与瓦斯突出危险性影响的关联度,其中瓦斯压力和顶底板岩性的加权灰色关联熵值分别为 0.126 7 和 0.240 6,说明两者对煤与瓦斯突出的程度影响最大。而灰色关联度值中,瓦斯含量为 0.803 7 m3/t,表明它对煤与瓦斯突出的程度影响大。因此,在进行煤与瓦斯突出的预测时,可重点对顶底板岩性、瓦斯压力、瓦斯含量作为 BP 神经网络的输入层,这样能够使预测效果更加准确。2.3基于灰色熵权法 BP 神经网络预测模型选取煤与瓦斯突出的 3 个主要影响因素(瓦斯压力、瓦斯含量、顶底板岩性)作为 BP 神经网络输入层参数。将发生煤与瓦斯突出设置成 1,将不发生煤与瓦斯突出设置成 0,作为 BP 神经网络输出层。在BP 网络中,如果预测值0.5,输出值为 1,预测值0.5 时,输出结果为 0.使用 feedforward 网络作为输入和输出的映射函数,其中 trainafcn 属于训练网络性能的函数,运用训练函数 trainbfg-BFGS 算法(拟牛顿反向传播算法)作为训练函数。编辑划分数据程序设计,分别任意选取突出 10 个与非突出 5 个作为训练样本,建立 BP 神经网络,最后用检验样本检验训练好的网络作为预测。经过多次训练,隐含层包括10 个隐含层效果最好。即模型结构为 3-10-1.用最后 4 个样本检验改进后的 BP 神经网络,结果见表 4.由表 4 可见,采用改进后的 BP 神经网络预测瓦552023 年第 10 期李世民:基于灰色熵权法与 BP 神经网络的煤与瓦斯突出预测斯发生突出的情况下,预测相对误差最大为 5.11%,最小为 0.36%.预测瓦斯不突出相对误差为 2.33%.预测结果的相对误差均小于 6%,表明该设计的灰色熵权 BP 网络模型预测煤与瓦斯突出是可行的,并且结果符合现场实际情况。表 4煤与瓦斯突出预测表样本编号预测结果期望结果误差/%11.051 115.1121.003 610.3631.046 414.644-0.023 302.333结论1)设计瓦斯突出预测的新模型,引入了灰色熵权法来分析各影响因素的大小,并对各影响因素客观赋予权重进行了排序,避免了主观性判断的影响。建立的灰色关联熵分析模型能很好对煤与瓦斯突出起到降维的作用,且具有较高的分辨率,并提高了 BP神经网络的运算速度和准确率。2)在得到影响因素与突出的关联度大小的基础上,选取主要的影响因素数据作为 BP 模型的输入层。由训练及测试结果可知,基于灰色关联熵的 BP神经网络模型适用于煤与瓦斯突出预测,且有强的预测能力及更高的运算效率。3)采用改进后的 BP 神经网络预测方法对某矿进行煤与瓦斯突出预测,4 个预测样本的相对误差分别为 5.11%,0.36%,4.64%,2.33%,预测结果的相对误差均小于 6%,表明该设计的灰色熵权 BP 网络模型预测煤与瓦斯突出是可行的,并且结果符合现场实际情况。参考文献1刘晓光,刘爽,李柯.PCA-聚类分析在煤与瓦斯突出预测中的应用研究J.煤炭技术,2017,36(6):166-168.2龚星宇,常心坦,贾澎涛.独立成分分析在瓦斯浓度预测中的应用研究J.工矿自动化,2015,41(4):82-86.3马晟翔,李希建.基于因子分析与 BP 神经网络的煤与瓦斯突出预测J.矿业安全与环保,2019,46(2):70-74.4温廷新,孙雪,孔祥博,等.基于 PSOBP-AdaBoost 模型的瓦斯涌出量分源预测研究J.中国安全科学学报,2016,26(5):94-98.5董晓雷,贾进章,白洋,等.基于 SVM 耦合遗传算法的回采工作面瓦斯涌出量预测J.安全与环境学报,2016,16(2):114-118.6金洪伟,周捷,杨守国,等.基于主成分分析法的煤矿瓦斯涌出量预测J.煤炭技术,2019,38(4):125-128.7Gao M,Zhang S,Li J,et al.The dynamic failure mechanism of coal and gas outbursts and response mechanism of support structureJ.Thermal Sci-ence,2019,23(Suppl.3):867-875.(上接第 31 页)参考文献1权春阳.综放工作面采空区浮煤升温氧化产气规律试验研究J.山西焦煤科技,2021,45(9):26-30.2张晓明,耿占芳,张河猛,等.水分对堆积状态褐煤自燃特性影响研究J.中国安全生产科学技术,2022,18(1):120-125.3乔玲,邓存宝,张勋,等.浸水对煤氧化活化能和热效应的影响J.煤炭学报,2018,43(9):2518-2524.4刘晓源,张玉龙,张晓昱,等.原始赋存水分对煤自燃过程的影响及作用机制研究J.太原理工大学学报,2021,52(3):350-359.5Zhang Hemeng,Wang Yongjun,Zhang Xiaoming,et al.Experimental study of moisture effects on spontaneous combustion of Baiyinhua lignite from individual particles to stockpileJ.Fuel,2023,334(2).(上接第 52 页)参考文献1马彩雯.长平选煤厂末煤系统降低介耗的措施J.洁净煤技术,2015,21(3):48-50.2夏庆宇,李毅红,张军.重介选煤厂降低介耗思路J.露天采矿技术,2020,35(6):109-111.3苏健,何创库,王芳侠,等.磁选机回收率对选煤厂介耗的影响J.洁净煤技术,2018,24(S2):142-145.65山 西 焦 煤 科 技2023 年第 10 期