基于bi-LWCA-ENN煤與瓦斯突出危險性預(yù)測*

付　華，司南楠，魯俊杰，王雨虹，徐耀松

（遼寧工程技術(shù)大學(xué)電氣工程與控制工程學(xué)院，遼寧葫蘆島125105）

基于bi-LWCA-ENN煤與瓦斯突出危險性預(yù)測*

付華*，司南楠，魯俊杰，王雨虹，徐耀松

（遼寧工程技術(shù)大學(xué)電氣工程與控制工程學(xué)院，遼寧葫蘆島125105）

為了提高煤與瓦斯突出的預(yù)測精度，以實(shí)現(xiàn)準(zhǔn)確、可靠的瓦斯突出危險性預(yù)測，提出一種雙層狼群算法（LWCA）優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模式分類與預(yù)測，建立煤與瓦斯突出的雙層LWCA-ENN預(yù)測模型。分析煤與瓦斯突出機(jī)理和影響因素，提取相關(guān)數(shù)據(jù)樣本，篩選穩(wěn)定的特征子集作為特征向量訓(xùn)練模型，算法通過對Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值尋優(yōu)，建立了基于bi-LWCA-ENN算法的預(yù)測模型并結(jié)合礦井監(jiān)測數(shù)據(jù)進(jìn)行實(shí)例分析。試驗(yàn)結(jié)果表明：煤與瓦斯突出的bi-LWCA-ENN模型穩(wěn)定性好，收斂速度快，有效地實(shí)現(xiàn)了瓦斯突出危險性預(yù)測。

煤與瓦斯突出危險性；雙層狼群算法；Elman神經(jīng)網(wǎng)絡(luò)；特征選擇

煤與瓦斯突出是含有瓦斯媒體突然破壞并釋放出其彈性潛能和瓦斯?jié)撃艿囊环N礦井瓦斯動力現(xiàn)象。分析并綜合基于各類假說的煤與瓦斯突出機(jī)理，煤與瓦斯突出過程的實(shí)質(zhì)是在卸壓區(qū)，煤層破裂體在地應(yīng)力與瓦斯壓力的耦合作用下發(fā)生失穩(wěn)，即煤與瓦斯突出受地應(yīng)力、瓦斯壓力作用、以及煤巖特性等多因素的影響，這些因素相互制約，與瓦斯突出存在著非線性映射關(guān)系。為了保障突出礦井安全生產(chǎn)，提高經(jīng)濟(jì)效益，必須對突出進(jìn)行有效的防治。

在對煤與瓦斯突出研究的進(jìn)程中，提出了多種突出預(yù)測方法，靜態(tài)法［1］是首先應(yīng)用在工作面煤與瓦斯的預(yù)測中，從現(xiàn)場工作面瓦斯煤體中提取某種量化指標(biāo)而確定危險性，如鉆屑量S，此類預(yù)測方法其結(jié)果不能完全代表整個預(yù)測步長范圍內(nèi)和煤體穩(wěn)定前整個時期內(nèi)的突出危險性，容易出現(xiàn)延期突出現(xiàn)象；因此靜態(tài)預(yù)測法逐漸被動態(tài)連續(xù)預(yù)測取代，聲發(fā)射技術(shù)［2］因煤巖裂隙的產(chǎn)生和擴(kuò)展以彈性波的形式產(chǎn)生能量輻射而發(fā)展運(yùn)用；文獻(xiàn)［3］對受載煤巖體及瓦斯解吸流動等情況下的電磁輻射進(jìn)行了深入的研究，提高了預(yù)測精準(zhǔn)率；聲發(fā)射和電磁輻射以及微震法［4］，由于在礦井惡劣環(huán)境下采集到的信號受干擾及噪聲影響大，加之智能算法的發(fā)展，決策樹、支持向量機(jī)（SVR）、人工神經(jīng)網(wǎng)絡(luò)（極端學(xué)習(xí)機(jī)、RBF神經(jīng)網(wǎng)絡(luò)）［5-9］等逐漸應(yīng)用于煤與瓦斯突出預(yù)測中。

本文采用Elman神經(jīng)網(wǎng)絡(luò)［10-11］算法進(jìn)行輸入數(shù)據(jù)與瓦斯突出危險性之間的非映射關(guān)系研究，通過多組樣本訓(xùn)練模型以形成一定的規(guī)則而預(yù)測新數(shù)據(jù)，而對于其參數(shù)優(yōu)化，傳統(tǒng)的優(yōu)化算法如遺傳算法［12］、粒子群算法等在后期收斂速度慢，易陷入局部最優(yōu)或精度不高等缺陷，因此本文提出一種雙層狼群［13］優(yōu)化算法，其在迭代中不斷淘汰適應(yīng)度差的狼群，解決上述算法不足。各個礦井影響煤與瓦斯突出的因素不盡相同，對各項(xiàng)指標(biāo)的敏感性也存在差異，將特征選擇［14-15］FS（Feature Selection）應(yīng)用于敏感指標(biāo)的篩選中，既可以減小維數(shù)災(zāi)難，又防止出現(xiàn)高維小樣本的數(shù)據(jù)稀少造成的過擬合現(xiàn)象，提高泛化能力，加快Elman神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程。

1　煤與瓦斯突出指標(biāo)參數(shù)量化

依據(jù)現(xiàn)代采礦理論的危險性預(yù)測原理可表述為：基于對突出的理論認(rèn)識，在分析影響煤與瓦斯突出影響因素基礎(chǔ)上，對各影響因素進(jìn)行定量化分析，確定煤與瓦斯突出危險性的預(yù)測準(zhǔn)則［16］，應(yīng)用網(wǎng)絡(luò)模型確定預(yù)測區(qū)域的危險性，對煤與瓦斯突出的危險性進(jìn)行分類，劃分煤與瓦斯突出危險區(qū)、突出威脅區(qū)和無突出危險區(qū)。

在井下采掘過程中，根據(jù)引起煤與瓦斯突出危險性主要因素，選擇適當(dāng)?shù)奈ｋU性預(yù)測敏感指標(biāo)，依次選取綜合指標(biāo)、突出預(yù)兆指標(biāo)、瓦斯壓力：MPa、瓦斯含量：m3/t、頂板巖性：（滲透率）/%、開采深度：m、堅(jiān)固系數(shù)等十項(xiàng)指標(biāo)作為該礦井煤與瓦斯突出的基礎(chǔ)參數(shù)。

1.1綜合指標(biāo)

在煤層區(qū)域性突出危險性預(yù)測時，可按下列兩個綜合指標(biāo)判斷：

式中，K、D為煤層的突出危險性綜合指標(biāo)；H為開采深度，m；Δp為軟分層煤的瓦斯放散初速度；f為軟分層煤的平均堅(jiān)固性系數(shù)；p為煤層瓦斯壓力。

結(jié)合表1，如果實(shí)測的指標(biāo)D、K值均小于臨界值，并且未發(fā)現(xiàn)其它異常現(xiàn)象，則該工作面無突出危險性，否則有突出危險。

表1　突出危險性預(yù)測綜合指標(biāo)D、K參考值

1.2突出預(yù)兆指標(biāo)的定量化

突出預(yù)兆是工作面是否具有突出危險性最表象也是最直接的外在特征，不同突出預(yù)兆對應(yīng)的突出防線大小為突出風(fēng)險度R，則

式中，R為不同突出預(yù)兆對應(yīng)的突出風(fēng)險度；T為不同類型突出預(yù)兆對應(yīng)的突出風(fēng)險率，如表2所示；ξ為突出預(yù)兆嚴(yán)重程度系數(shù)。

表2　不同突出預(yù)兆的風(fēng)險率

嚴(yán)重程度等級對應(yīng)嚴(yán)重程度系數(shù)分別如下：等級為嚴(yán)重時，嚴(yán)重程度系數(shù)為2，等級為中等時，嚴(yán)重程度系數(shù)為1，等級為輕微時，嚴(yán)重程度系數(shù)為0.5。

1.3瓦斯含量

在煤巖巷道打孔，測定煤屑的瓦斯解吸指標(biāo)值（用以測定煤樣裝入儀器前煤樣的瓦斯解吸量W），在接入鉆屑的同時保存一罐煤樣密封送入實(shí)驗(yàn)室測定煤樣中的殘余瓦斯含量X殘余，則煤層的原始瓦斯含量為

K1值和損失瓦斯含量W之間的關(guān)系式：

式中，K1為比例系數(shù)，煤樣自煤體脫落暴露在大氣1 min期間每克煤的瓦斯解吸量，；Q為每克煤的瓦斯解吸量，mL/g；W為煤樣自裝入儀器之前的解析瓦斯量，mL/g；t為煤樣在儀器內(nèi)的解析時間，min。

1.4瓦斯壓力

直接測定煤層瓦斯壓力時從圍巖巷道向煤層打直徑為50mm～75mm的鉆孔，孔中放測壓管，將鉆孔密封后用壓力表直接進(jìn)行測定，對于難以直接測量的條件下采用間接的測量方法，其測定瓦斯壓力的工作根據(jù)瓦斯含量測定，根據(jù)朗格繆爾曲線方程表達(dá)式（6）計算，a、b為吸附系數(shù)。

2　基于Bagging穩(wěn)定的瓦斯突出特征選擇

現(xiàn)有的特征選擇［14-15］方法更側(cè)重于特征選擇結(jié)果的高分類或聚類性能，而忽略了特征選擇結(jié)果的穩(wěn)定性，訓(xùn)練樣本集中的樣本數(shù)據(jù)變化或含有噪聲特征，加之Elman神經(jīng)網(wǎng)絡(luò)算法的不穩(wěn)定性，尤其在瓦斯突出預(yù)測中，新的數(shù)據(jù)在不斷收集并輸入到網(wǎng)絡(luò)模型中，若模型輸入的樣本特征隨著新數(shù)據(jù)的更新而差異大，模型的分類率下降，因此應(yīng)將特征選擇的穩(wěn)定性度量和分類的準(zhǔn)確率綜合考慮，得到一個穩(wěn)定性強(qiáng)分類準(zhǔn)確率高的模型。

圖1　特征選擇穩(wěn)定性圖解

設(shè)原始數(shù)據(jù)D=｛X，Y｝，X∈RN×s，原始特征集合F=｛f1，f2，…，fs｝，特征選擇的過程為：f（F:X，Y）→｛F′｝，f（·）為特征選擇算法，F(xiàn)′?F為所選擇的特征子集，為所選的特征個數(shù)；在原始數(shù)據(jù)D上新增樣本 D′=｛X′，Y′｝構(gòu)成新的樣本集 D1，X′∈RN′×s，D′與D同分布，在樣本集D1上使用特征選擇算法 f（·）進(jìn)行特征選擇，得到特征子集F1′，若使特征選擇的穩(wěn)定性好，即｛F′｝≈｛F1′｝，如圖1所示為特征選擇穩(wěn)定性圖解。

結(jié)合Bagging集成學(xué)習(xí)方法，特征選擇操作方案：用bootstrap從N個樣本中抽取m個候選特征子集（m=μN(yùn)，0＜μ＜1），特征選擇算法，通過誤差RMSE得到m個基特征選擇器，輸入新的樣本X，根據(jù)m個基特征選擇器，進(jìn)行分類并返回預(yù)測值，與真實(shí)值進(jìn)行比較，若劃分正確記第i個特征子集各特征一票，對于包含m個特征排序結(jié)果的集合，利用加權(quán)投票得到的集成特征選擇結(jié)果為：

式中，ω（·）表示加權(quán)函數(shù)，l=1，2，…，n，每個特征的最終排序值是在搜索排序結(jié)果中的排序值，再根據(jù)式（7）獲取集成特征排序的結(jié)果。

3　基于bi-LWCA-ENN的煤與瓦斯突出模型建立

3.1基于狼群算法的ENN參數(shù)編碼

狼群神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，每個狼群個體Xi代表神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值和閾值，編碼采用實(shí)數(shù)矢量形式，以圖2（a）的三層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為例，狼群個體Xi的編碼形式如圖2（b）所示，編碼長度L 由Elman神經(jīng)網(wǎng)絡(luò)各層的節(jié)點(diǎn)數(shù)r、s1、s2決定。

圖2　狼群算法編碼形式

Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，模型的訓(xùn)練精度通過訓(xùn)練誤差RMSE來衡量

訓(xùn)練誤差越小，代表網(wǎng)絡(luò)對瓦斯突出訓(xùn)練樣本的擬合過程更為充分，得到的神經(jīng)網(wǎng)絡(luò)模型精度越高。

狼群神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過程中，狼群個體的適應(yīng)度與該個體對應(yīng)的模型下的訓(xùn)練誤差有關(guān)，適應(yīng)度與訓(xùn)練誤差值構(gòu)成線性關(guān)系：

根據(jù)式（10）知，訓(xùn)練誤差越小，則個體的適應(yīng)度值越大，在狼群算法中，適應(yīng)度值越大，則表明狼群個體在尋優(yōu)問題上表現(xiàn)越優(yōu)。

3.2bi-LWCA-ENN算法方法論

領(lǐng)導(dǎo)狼狼群算法LWCA（Leader Wolves Colony Algorithm）的基本思想：在瓦斯突出預(yù)測模型中，網(wǎng)絡(luò)參數(shù)問題的解是狼群搜索空間內(nèi)的最佳個體位置，所有狼群個體都對應(yīng)著Elman網(wǎng)絡(luò)的訓(xùn)練誤差函數(shù)決定的適應(yīng)值，適應(yīng)值越大，狼群的位置越好。

隨機(jī)初始化網(wǎng)絡(luò)參數(shù)｛ω，β，b，?，b′｝，根據(jù)適應(yīng)度函數(shù)計算狼群適應(yīng)值，并以此選取q個適應(yīng)度值最佳的個體競選首狼，競選狼附近h個位置中的第l個點(diǎn)第d維的位置xld（1≤l≤h）：

領(lǐng)導(dǎo)狼搜索獵物，當(dāng)狼發(fā)現(xiàn)獵物且獵物不在領(lǐng)導(dǎo)狼位置，狼群就會偏離領(lǐng)導(dǎo)者，更新個體位置zid：

領(lǐng)導(dǎo)狼找到食物，向?qū)Ю前鼑C物，在［0，1］內(nèi)產(chǎn)生隨機(jī)數(shù)rm，θ為預(yù)先設(shè)定的閾值，并對狼群個體位置進(jìn)行越界處理，參數(shù)更新為：

在優(yōu)化搜索初期運(yùn)行階段個體在大范圍內(nèi)以較大的包圍步長快速搜索到全局最優(yōu)鄰域，而在最優(yōu)鄰域附近的個體以較小的包圍步長變?yōu)榫植克阉鳎看蔚Y(jié)束都移除最差的m匹狼，再隨機(jī)生成m匹狼，可以精確、快速的搜索到全局最優(yōu)解。

其中，rand是［0，1］內(nèi)均勻分布的一個隨機(jī)數(shù)，stepa和stepb分別是搜索步長和移動步長，ra為包圍步長，maxt為最大迭代次數(shù)，ramax和ramin分別為最大最小的包圍步長。

上述的LWCA算法中涉及參數(shù)較多，對模型起主要影響的是搜索步長stepa和包圍步長stepb，其取值缺乏依據(jù)或經(jīng)驗(yàn)公式，選取不當(dāng)模型的訓(xùn)練誤差無法有效收斂，種群個體之間協(xié)同尋優(yōu)功能易失效，因此將雙層狼群神經(jīng)網(wǎng)絡(luò)用于瓦斯突出預(yù)測模型中。

基于雙層狼群優(yōu)化ENN模型具體步驟如下，其操作流程圖如圖3所示。

①對bi-LWCA-ENN預(yù)測模型進(jìn)行初始化，包括生成外層狼群初始種群，編碼長度為2，編碼元素依次對應(yīng)內(nèi)層狼群算法的搜索步長stepa和移動步長stepb；生成內(nèi)層狼群種群，用于bi-LWCA-ENN模型參數(shù)的優(yōu)化。

②輸入經(jīng)過特征篩選后的突出訓(xùn)練樣本，計算bi-LWCA-ENN模型的實(shí)際輸出與期望輸出，根據(jù)式（10）計算內(nèi)層狼群個體適應(yīng)度值。

圖3　bi-LWCA-ENN預(yù)測模型示意圖

③進(jìn)行雙層狼群算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)。內(nèi)層狼群移動公式的搜索步長stepa和移動步長stepb由外層個體決定，內(nèi)層個體依據(jù)式（11）～式（15）進(jìn)行模型參數(shù)的更新，當(dāng)達(dá)到內(nèi)層迭代次數(shù)停止，并將最優(yōu)的內(nèi)層狼群個體適應(yīng)度值賦予對應(yīng)的外層個體，作為該外層個體的適應(yīng)度值，考慮到模型的復(fù)雜度，外層其余個體依據(jù)式（10）計算適應(yīng)度值，搜索使模型誤差最小的搜索步長stepa和移動步長stepb的取值，外層所有個體通過式（10）更新一次種群后而進(jìn)行內(nèi)層種群尋優(yōu)，直到達(dá)到外層最大迭代次數(shù)停止，內(nèi)外層迭代次數(shù)分別設(shè)為800、20（參考經(jīng)驗(yàn)選取值及重復(fù)試驗(yàn)，800、20次既能在迭代完成時滿足訓(xùn)練誤差要求，又避免造成訓(xùn)練時間過長）。即外層種群每更新一次，內(nèi)層種群就更新800次。

④Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束，得到適應(yīng)度最好的狼群位置即獲得bi-LWCA-ENN最優(yōu)參數(shù)矢量｛ω，β，b，?，b'｝作為預(yù)測模型的權(quán)值、閾值。

⑤輸入測試樣本，特征選擇后作為bi-LWCAENN模型的輸入向量，判斷模型的預(yù)測能力。

4　煤與瓦斯突出預(yù)測試驗(yàn)及分析

①實(shí)驗(yàn)數(shù)據(jù)來自開灤礦業(yè)集團(tuán)錢營礦2074綜采工作面的KJ90N煤礦安全綜合監(jiān)測系統(tǒng)，截取2015年6月份中的400個實(shí)測數(shù)據(jù)作為研究對象。在進(jìn)行模型訓(xùn)練之前進(jìn)行特征篩選，其涉及的相關(guān)設(shè)置如下：選用浮動廣義向后搜索策略，將預(yù)測模型的誤差RMSE作為評價指標(biāo)，特征選擇結(jié)果體現(xiàn)在圖4中。

圖4　特征選擇與未經(jīng)篩選特征模型誤差曲線

特征選擇結(jié)果的穩(wěn)定性是通過評價不同特征選擇結(jié)果的相似性來度量的，采用特征排序向量作為特征選擇算法輸出，為第i個特征子集中特征的排序，m個特征子集中共篩選出n個特征，Spearman相關(guān)系數(shù)為 fi和 fj的相似性如式（16），通過式（17）得到整體特征的穩(wěn)定性，如圖5所示。

由圖4知，未經(jīng)特征提取的樣本數(shù)據(jù)在預(yù)測過程的后半段預(yù)測精度產(chǎn)生了明顯的偏差，相對誤差達(dá)到了7.65%，說明未經(jīng)特征提取的樣本的模型時效性有限。圖5為當(dāng)樣本集發(fā)生微小擾動時，兩種不同特征選擇方法穩(wěn)定性的比較，圖中曲線1為本文所用的Bagging特征篩選方法，其篩選穩(wěn)定性為0.8～0.9之間，篩選結(jié)果保持一致或比較接近，相比曲線2，曲線2的穩(wěn)定性會隨樣本集中的擾動而波動，且穩(wěn)定值較低。

②結(jié)合煤與瓦斯突出的數(shù)據(jù)進(jìn)行分類與預(yù)測，分析所提出的bi-LWCA-ENN的訓(xùn)練、測試能力。瓦斯突出輸入樣本經(jīng)篩選后特征維數(shù)為6，選擇K折交叉驗(yàn)證的測試方法，并確定Elman神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)：輸入層、輸出層節(jié)點(diǎn)數(shù)分別為6+1=7、1，人為選定隱含層節(jié)點(diǎn)數(shù)8個，狼群外層個體編碼長度為L=2，編碼元素為內(nèi)層狼群算法參數(shù)搜索步長stepa和移動步長stepb，初始化外層狼群規(guī)模N=100，候選領(lǐng)導(dǎo)狼q=5，候選領(lǐng)導(dǎo)狼h個方向大小為h=4，最大競選次數(shù) maxdh=10，搜索步長 stepa=1.5，移動步長stepb=0.9，被淘汰狼個數(shù)m=5，閾值θ=0.2；初始化內(nèi)層狼群規(guī)模N=200，最大競選次數(shù)maxdh=15，搜索步長和移動步長隨機(jī)賦予初值，其它參數(shù)同上。在上述參數(shù)的設(shè)置下進(jìn)行bi-LWCA-ENN模型對瓦斯突出輸入樣本數(shù)據(jù)的訓(xùn)練。

利用訓(xùn)練集重復(fù)進(jìn)行試驗(yàn)，得到狼群神經(jīng)網(wǎng)絡(luò)搜索步長和移動步長的平均值和標(biāo)準(zhǔn)差如表3所示。

表3　內(nèi)層狼群移動步長和搜索步長選取結(jié)果

內(nèi)層狼群選取上述參數(shù)的平均值重復(fù)訓(xùn)練，并與固定參數(shù)取值stepa=1.5，stepb=0.9的狼群算法進(jìn)行對比，訓(xùn)練誤差RMSE的臨近值設(shè)為0.1%，訓(xùn)練、測試的平均結(jié)果如表4所示。

表4　瓦斯突出數(shù)據(jù)的訓(xùn)練測試結(jié)果對比　單位：%

從表3可知，Elman神經(jīng)網(wǎng)絡(luò)模型在雙層狼群算法優(yōu)化下選取的參數(shù)的訓(xùn)練誤差都位于誤差臨界值0.1%以下，在規(guī)定的迭代次數(shù)內(nèi)，均達(dá)到了設(shè)定的訓(xùn)練精度要求，而在固定取值 stepa=1.5，stepb=0.9下，網(wǎng)絡(luò)訓(xùn)練誤差收斂值為0.386 7%，遠(yuǎn)大于臨界值，可見在一般參數(shù)取值下，狼群神經(jīng)網(wǎng)絡(luò)訓(xùn)練不足，因而無法有效識別測試樣本，測試的正確率為49.3%，遠(yuǎn)小于雙層狼群算法選取參數(shù)下神經(jīng)網(wǎng)絡(luò)的測試正確率。圖6為bi-LWCA-ENN模型訓(xùn)練收斂誤差曲線，在起初訓(xùn)練階段，該模型能以較快的下降速度收斂，在后期bi-LWCA-ENN能穩(wěn)定的收斂在低誤差段，誤差精度高。根據(jù)突出危險性概率劃分（危險區(qū)概率預(yù)測指標(biāo)＞0.6，、威脅區(qū)概率預(yù)測指標(biāo)為0.6～0.3、安全區(qū)概率預(yù)測指標(biāo)＜0.3），分別取不同區(qū)域的03#（威脅區(qū)）、07#（危險區(qū)）、12#（安全區(qū)）、21#（危險區(qū)）、29#（安全區(qū)）、36#（威脅區(qū)）共6組數(shù)據(jù)進(jìn)行預(yù)測，其結(jié)果參照圖7，可知本預(yù)測方法可有效地實(shí)現(xiàn)煤與瓦斯突出的危險性預(yù)測。因此，該方法可作為一種有效的突出危險性預(yù)測方法。

圖6　瓦斯突出雙層LWCA-ENN收斂曲線

圖7　測試樣本的預(yù)測結(jié)果

5　結(jié)論

（1）基于數(shù)據(jù)擾動的Bagging集成方法，結(jié)合單特征選擇器對樣本進(jìn)行特征選擇，與未經(jīng)特征篩選的訓(xùn)練樣本比較表明，通過特征篩選，原始特征集合中的不相關(guān)特征和冗余特征被刪除，且有效提高特征選擇算法的穩(wěn)定性，提高算法精度。

（2）將雙層狼群優(yōu)化算法引入到瓦斯突出危險性預(yù)測模型中，在整個訓(xùn)練進(jìn)程中模型能以較快的速度搜索全局最優(yōu)解，充分改善了ENN模型的學(xué)習(xí)速度慢、陷入局部極值等缺點(diǎn)，且bi-LWCA-ENN模型能夠提高系統(tǒng)的跟蹤能力，結(jié)合煤礦歷史數(shù)據(jù)并經(jīng)MATLAB仿真試驗(yàn)驗(yàn)證了模型的預(yù)測性能，相比于傳統(tǒng)的狼群、粒子群優(yōu)化算法能在收斂后期平穩(wěn)、快速的收斂到誤差精度范圍內(nèi)，適用于煤與瓦斯突出危險性預(yù)測中，此方法對煤礦防突具有重大意義。

［1］Dingqi Li，Yuanping Cheng，Lei Wang，et al.Prediction Method for Risks of coal and Gas Outbursts Based on Spatial Chaos Theory Using Gas Desorption Index of Drill Cuttings［J］.Mining Science and Technology（China），2011，21（3）：439-443

［2］單亞鋒，孫朋，徐耀松，等.基于PSO-SVM的煤巖聲發(fā)射源定位預(yù)測［J］.傳感技術(shù)學(xué)報，2013，26（03）：402-406.

［3］王恩元，李忠輝，何學(xué)秋，等.煤與瓦斯突出電磁輻射預(yù)警技術(shù)及應(yīng)用［J］.煤炭科學(xué)技術(shù)，2014，42（06）：53-57+91.

［4］朱權(quán)潔，李青松，李紹泉，等.煤與瓦斯突出試驗(yàn)的微震動態(tài)響應(yīng)與特征分析［J］.巖石力學(xué)與工程學(xué)報，2015，34（S2）：3813-3821.

［5］李定啟，程遠(yuǎn)平，王海峰，等.基于決策樹ID3改進(jìn)算法的煤與瓦斯突出預(yù)測［J］.煤炭學(xué)報，2011，36（04）：619-622.

［6］Qiao Meiying，Ma Xiaoping，Lan Jianyi，et Al.Time-Series Gas Prediction Model Using LS-SVR Within a Bayesian Framework［J］. Mining Science and Technology（China），2011，21（1）：153-157.

［7］Xin Yuanfang，Jiang Yuanyuan，Zhang Xuemei.Gas Outburst Prediction Model Based on Empirical Mode Decomposition and Extreme Learning Machine［J］.Recent Advances in Electrical& Electronic Engineer ing，2015，8（1）：50-56.

［8］付華，李文娟，孟祥云，等.IGA-DFNN在瓦斯?jié)舛阮A(yù)測中的應(yīng)用［J］.傳感技術(shù)學(xué)報，2014，27（02）：262-266.

［9］Zhang Ruilin，Ian S.Lowndes.The Application of a Coupled Artificial Neural Network and Fault Tree Analysis Model to Predict Coal and Gas Outbursts［J］.International Journal of Coal Geology，2010，84（2）：141-152.

［10］付華，謝森，徐耀松，等.基于ACC-ENN算法的煤礦瓦斯涌出量動態(tài)預(yù)測模型研究［J］.煤炭學(xué)報，2014，39（7）：1296-1301.

［11］付華，劉雨竹，李海霞，等.煤礦瓦斯?jié)舛鹊腃APSO-ENN短期預(yù)測模型［J］.傳感技術(shù)學(xué)報，2015，28（5）：717-722.

［12］郭金棟，王恩元.基于量子免疫遺傳算法的煤與瓦斯突出神經(jīng)網(wǎng)絡(luò)預(yù)測［J］.山東科技大學(xué)學(xué)報（自然科學(xué)版），2014，33（6）：69-75.

［13］吳虎勝，張鳳鳴，吳廬山，等.一種新的群體智能算法——狼群算法［J］.系統(tǒng)工程與電子技術(shù)，2013，35（11）：2430-2438.

［14］Li Hui，Zhang Shu，Wang Xia.The Technique of Gas Disaster Information Feature Extraction based on Rough Set Theory［J］.Journal of Computers，2013，8（4）：983-989.

［15］Wu Shiyue，Guo Yongyi，Li Yuanxing，et al.Research on the Mechanism of Coal and Gas Outburst and the Screening of Prediction Indices［J］.Procedia Earth and Planetary Science，2009，1 （1）：173-179.

［16］Song Weihua，Zhang Hongwei.Regional Prediction of Coal and Gas Outburst Hazard Based on Multi-Factor Pattern Recognition ［J］.Procedia Earth and Planetary Science，2009，1（1）：347-3.

付華（1962-），女，遼寧阜新人，教授，博士生導(dǎo)師，博士（后），主要研究方向?yàn)槊旱V瓦斯檢測、智能檢測和數(shù)據(jù)融合技術(shù)。支持國家自然科學(xué)基金2項(xiàng)、支持及參與國家863和省部級項(xiàng)目30余項(xiàng)，發(fā)表學(xué)術(shù)論文40余篇，申請專利24項(xiàng)，fxfuhua@163.com；

司南楠（1990-），女，山東淄博人，遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院碩士研究生，主要研究方向?yàn)闄z測技術(shù)及其自動化裝置，1546538885@qq.com。

Prediction of Coal and Gas Outburst Risk Based on bi-LWCA-ENN*

FU Hua*，SI Nannan，LU Junjie，WANG Yuhong，XU Yaosong
（College of Electrical and Control Engineering，Liaoning Technical University，Huludao Liaoning 125105，China）

In order to improve the prediction accuracy of coal and gas outburst，realize the accurate and reliable gas outburst danger prediction，this paper put forward a method that use bi-Leader Wolves Colony Algorithm（LWCA）to optimize Elman neural network for pattern classification and prediction，and model of coal and gas outburst was established by bi-LWCA-ENN algorithm.On the analysis of the mechanism and influencing factors of coal and gas outburst based on the data samples that extracted by application of feature selection as the characteristic vector，a bi-Leader Wolves Colony Algorithm（LWCA）was merged with Elman neural network to optimize weight and threshold，with the data of mine actual monitoring to experiment and analysis.The results show that the bi-LWCA-ENN model of coal and gas has good stability and fast convergence rate，realized the gas outburst prediction effectively.

coal and gas outburst；bi-wolves colony algorithm；Elman neural network；feature selection

TP391；TP212

A

1004-1699（2016）08-1222-07

EEACC：723010.3969/j.issn.1004-1699.2016.08.017

項(xiàng)目來源：國家自然科學(xué)基金項(xiàng)目（51274118）；遼寧省教育廳基金項(xiàng)目（L2012119）；遼寧省科技攻關(guān)項(xiàng)目（2011229011）

2016-01-13修改日期：2016-03-15