基于BP神經網絡的煤層瓦斯含量預測

劉錦偉，謝雄剛,3，方 井，郭鵬飛

(1.貴州大學礦業學院，貴州 貴陽 550025；2.貴州大學復雜地質礦山開采安全技術工程中心，貴州 貴陽 550025；3.貴州大學貴州省優勢礦產資源高效利用實驗室，貴州 貴陽 550025)

基于BP神經網絡的煤層瓦斯含量預測

劉錦偉1,2，謝雄剛1,2,3，方 井1,2，郭鵬飛1,2

(1.貴州大學礦業學院，貴州 貴陽 550025；2.貴州大學復雜地質礦山開采安全技術工程中心，貴州 貴陽 550025；3.貴州大學貴州省優勢礦產資源高效利用實驗室，貴州 貴陽 550025)

為了更加方便快捷地掌握煤層瓦斯含量。利用BP神經網絡的優勢，引用了貴州某礦瓦斯等級鑒定報告中相關數據，建立了煤層瓦斯預測模型，運用MATLAB7.0進行編程，模擬仿真了貴州某礦地勘鉆孔1+3號煤層瓦斯帶不同采樣低界深度煤體的水分、灰分、以及地勘鉆孔瓦斯組分中CH4、CO2、N2百分含量與該采樣點煤層瓦斯含量之間的非線性關系，根據MATLAB模擬的結果：平均誤差為4.47%，穩定性較好，證明了運用地勘鉆孔的相關參數預測煤層瓦斯含量的可行性。

BP神經網絡;煤層瓦斯;非線性模擬;網絡參數;傳遞函數

我國普遍采用的煤層瓦斯含量測定方法有三類：地勘解析法，間接法和井下解析法[1]。而地勘解析法是煤田地質勘探和煤層瓦斯地面開發時最常用的煤層瓦斯含量測定方法，在我國煤田地質勘探部門得到了廣泛的推廣應用[2]；間接法測定煤層瓦斯含量需要測定煤層瓦斯壓力，進而計算出瓦斯含量，測定煤層瓦斯壓力比較復雜，工作量較大；井下解析法是在地勘解析法原理基礎上改進、發展形成的，測量的結果相對前兩種方法的精確度高。這些方法工作量大，過程比較復雜，測量周期較長。

BP神經網絡具有很強的非線性函數逼近能力、自適應學習能力、容錯能力和并行信息處理能力，在解決未知不確定非線性系統的建模、預測、控制方面有很大的優勢[3-4]，利用地勘鉆孔中與煤層瓦斯含量相關的數據預測煤層瓦斯含量，不僅克服了常用測量方法的不足，而且方便快捷，經濟性高，也為礦井進行瓦斯涌出量預測、煤與瓦斯突出預測提供了新的途徑。

1 BP神經網絡原理及其算法

BP算法也稱誤差反向傳播算法 （error back propagation algorithm)，是一種多層網絡的訓練算法，用來估計網絡的連接權重值W和偏差值θ。當神經網絡的拓撲結構確定后，就可以從輸入層經隱含層到輸出層得到各層神經元的傳導，在此之后，按減小希望輸出與實際輸出誤差的方向，從輸出層經各中間層逐層修正各連接權重，最后到輸入層。隨著這種誤差的反向傳播修正的不斷進行，網絡對輸入模式相應的正確率也不斷上升，最后達到預期的預測目標。

1.1 BP神經網絡模型的構建

本文選取貴州某礦瓦斯等級鑒定報告中1+3號煤層瓦斯帶中的部分數據（見表1），通過該煤層地勘鉆孔中不同采樣低界深度、該取樣深度煤體中的水分、灰分以及地勘鉆孔煤層中CH4、CO2、N2百分含量來預測該深度煤層的瓦斯含量。

1.2 確定BP神經網絡拓撲結構

根據BP神經網絡的理論，一般情況下使用一個單隱含層就可以得到比較理想的結果[5],本預測數據相對比較簡單，因此該煤層瓦斯含量預測模型選用單隱層的三層神經網絡。煤層地勘鉆孔中的采樣低界深度、水分、灰分以及煤體中CH4、CO2、N2百分含量6個參數作為神經網絡模型的輸入參數，煤層瓦斯含量為輸出參數，隱含層節點數為13個，使用軟件MATLAB7.0中的神經網絡工具箱newff函數創建BP訓練網絡，輸入層到隱含層的傳遞函數和隱含層到輸出層的傳遞函數分別為S型的正切函數（tansig）和線性傳遞函數（purelin）。網絡結構如圖1所示。

表1 訓練用實測樣本數據

圖1 BP神經網絡結構

1.3 輸入輸出數據預處理及參數設置

為了加快網絡的訓練速度、減小模擬過程中的誤差，需對神經網絡的輸入輸出數據進行一定的預處理。對輸入向量P和目標向量T采用premnmx函數進行歸一化處理，其歸一化編程語句為：[Pn,minp, maxp,Tn,mint,maxt]=(P,T)，它將每組數據都量化到范圍[-1,1]內，網絡訓練也是采用歸一化的數據。訓練結束后可以使用函數postmnmx函數將模擬結果還原成最初目標所用的單位[6]。

訓練的網絡模型參數設定為：學習率0.02，最大訓練次數80000，訓練要求精度0.0001。訓練過程中當滿足目標精度要求或達到最大迭代次數時,自動停止訓練。

1.4 煤層瓦斯含量預測模擬

將建立的煤層瓦斯含量預測模型運用軟件MATLAB7.0、通過編程的形式進行訓練模擬，訓練誤差變化曲線圖如圖2所示，模擬訓練結束后，另外選取3組數據作為測試樣本，預測煤層瓦斯含量，并與原始測得的數據進行了對比分析（見表2）。

圖2 網絡訓練誤差曲線

表2 訓練用實測樣本數據

從圖2可以看出，當網絡學習迭代到75537次時, 就達到了學習精度0.0000999991,網絡趨于穩定。從表2可以看出，BP網絡的預測值與實測值吻合較好,相對平均誤差為4.47%，誤差小于7%，模型預測誤差精度能滿足實際的需要[7]，也驗證了BP神經網絡預測模型的正確性，即可以作為煤層瓦斯含量的一個有效預測手段。

2 結論

1)利用BP神經網絡的優勢建立的煤層瓦斯含量預測模型，能很好地實現煤層地勘資料中不同采樣低界深度煤體的水分、灰分、以及瓦斯組分中的CH4、CO2、N2百分含量與該采樣點煤層瓦斯含量之間的非線性映射逼近關系，驗證了利用BP神經網絡預測煤層瓦斯含量的正確性和可行性。

2)利用煤層瓦斯地勘資料中不同采樣點煤樣的水分、灰分以及煤樣瓦斯組分中CH4、CO2、N2的百分含量預測煤層瓦斯含量，其方法簡單，工作量少，很容易得出預測結果，對于掌握采煤工作面瓦斯涌出量具有指導意義。

[1]陳大力,陳洋.對我國煤層瓦斯含量測定方法的評述[J].煤礦安全,2008(12):79-82.

[2]俞啟香編著，礦井瓦斯防治[M].徐州：中國礦業大學出版社.1992:20-41.

[3]張德豐.MATLAB神將網絡應用設計[M].北京：機械工業出版社.2009：1-9.

[4]張瑞林.現代信息技術在煤與瓦斯突出區域預測中的應用[D],重慶大學.2004：54-57.

[5]寧齊元,劉祖德,游曦鳴等.基于BP神經網絡煤與瓦斯突出強度預測模型[J].煤礦開采,2011,16(6):19-20.

[6]劉錦偉,謝雄剛,方井.基于遺傳算法的煤層注水效果分析[J].工礦自動化：2016,30(8):47-51.

[7]楊智懿,熊亞選,張乾林等.工作面瓦斯涌出量的神經網絡模型預測研究[J].煤炭工程，2004（10）：74.

TD712.5