遺傳算法與BP神經網絡的結合在瓦斯突出風險預測中的應用

王志雪+栗志偉+許明龍+紀楠

摘要：本文針對煤與瓦斯突出風險預測問題，利用BP神經網絡建立預測模型，通過遺傳算法對神經網絡的權值和閾值優化，提高網絡預測的精度。利用采集的前10組數據對網絡進行訓練，利用11～20組數據對預測模型進行檢驗，并且將檢驗結果與自適應 BP 神經網絡的預測結果進行比較。結果表明：遺傳算法與網絡預測模型結合后的的預測值跟實測值的絕對誤差由原來的-0.0119～0.2000縮小到-0.0013～0.0611，提高了預測精度。

關鍵詞：遺傳算法 神經網絡 瓦斯突出 預測

中圖分類號：TD712 文獻標識碼：A 文章編號：1672-3791（2017）01（a）-0000-00

預測煤層中的瓦斯含量是進行煤與瓦斯突出風險研究的重要一環，由于影響瓦斯含量的地質因素復雜多樣，以及各因素間存在著復雜的非線性關系，迄今為止，對瓦斯突出的預測主要使用回歸分析方法，預測的結果往往跟實際的情況差別較大，因此需要使用新的方法建立預測模型來實現對瓦斯突出高精度的預測。

1 利用遺傳算法改進的神經網絡建立瓦斯突出預測模型

（1）網絡輸入參數的確定：經查閱相關文獻和咨詢得知瓦斯突出的主要影響因素有：煤層底板標高、煤層到斷層距離、煤層到最近剝蝕面距離、頂板砂巖比、統計單元中有無斷層、基巖厚度、煤厚。

（2）網絡輸出參數的確定：選擇二進制數0和1分別表征瓦斯不突出和突出。

（3）網絡的構造： 一般地可以用一個三層神經網絡實現預測功能，此神經網絡的輸入層有n個神經元，根據經驗公式選取隱含層有（2n+1）個神經元，輸出層有m個神經元，因此本模型中的神經網絡可以采用3層神經網絡。

（4）網絡的訓練：訓練樣本取自唐山開灤多個礦井具有代表性的10個突出點，利用突出點的數據訓練神經網絡，得到預測模型。

（5）網絡的精確度驗證： 利用已完成的人工神經網絡對實際問題進行試驗研究。把在開灤礦井采取的11～20組數據的瓦斯突出指標輸入已經訓練的網絡中，驗證人工神經網絡的預測結果與實際突出情況的吻合度，如果吻合度低，就需要對網絡進行改動，直至達到滿意的吻合度。

（6）利用遺傳算法對神經網絡的權值和閾值進行優化

個體的編碼：將神經網絡各層之間可能存在的連接權值和閾值編碼成實數碼串或者進行二進制碼串，每條碼串中包含著網絡中的所有權值、閾值其排列順序可以隨意定義，不受限制，組成一個染色體。

產生初始種群：隨機生成一定數量的碼串個體作為一個初始種群。

計算適應度：設網絡有K個訓練樣本，讓所有的訓練樣本依次通過解碼后生成的神經網絡，計算所有訓練樣本一次通過的平均總誤差作為每條染色體的適應度， 其中， 為瓦斯含量的實測值， 為網絡的輸出值。

④將網絡的所有連接權值和閾值進行實數編碼，構成一個染色體，每條染色體代表一個神經網絡模型的權值和閾值。設定初始種群規模為20，進化代數為220，交叉概率0.2 ，變異概率為0.1，為了防止遺傳算法的早熟現象，變異概率先定義為0.1，然后在逐漸遞增。算法運行到158代時獲得最佳的連接權值，網絡平均總誤差為0.001。

2 實例分析及算例求解

選取唐山開灤煤礦為例，對該地進行瓦斯含量預測研究。對影響瓦斯含量的主要因素進行分析，歸納確定了神經網絡的輸入層神經元個數為7，對應為7個輸入變量即7個影響瓦斯含量的因素。其中對輸入變量中的頂板砂巖比、統計單元中有無斷層、頂板基巖厚度、煤層厚度四個影響因素采用二變量比值法將其定量化。處理方法的劃分條件如表1所示，輸出層神經元個數是1。在開灤集團獲得的相關數據如表2所示，其中1～10作為網絡訓練樣本，11～20作為網絡檢驗樣本，用來檢驗模型的預測精度。

利用前10組數據分別訓練自適應的BP神經網絡和與遺傳算法結合改進的網絡得到瓦斯突出預測模型，如圖1和2所示。然后利用11～20組的樣本對網絡性能進行檢驗，并將檢驗結果和實測值的數據進行對比，對比后的結果如表3所示。 由圖1、2可知用遺傳算法改進的神經網絡收斂速度更快，由表3可知用遺傳算法改進后的神經網絡預測的值跟實際的值更加的逼近即預測精度高。

3 結論

本文采用遺傳算法與神經網絡相結合的方法，通過優化神經網絡的權值和閾值，使得預測的絕對誤差從-0.0119～0.2000縮小到-0.0013～0.0611，提高了預測的精度，加快了收斂速度。對煤礦安全發展具有一定的意義。

參考文獻

[1]曾文飛，張英杰，顏玲.遺傳算法的基本原理及其應用研究[J]，軟件導刊，2009

[2]梁芳.遺傳算法的改進及其應用[D].武漢理工大學，2008.

[3]彭海雁.影響煤與瓦斯突出的主控因素研究[D].東北大學，2013.

[4]王剛，武猛猛，王海洋，黃啟銘，鐘陽. 基于能量平衡模型的煤與瓦斯突出影響因素的靈敏度分析[J]. 巖石力學與工程學報，2015，02：238-248.

[5]崔珊珊. 遺傳算法的一些改進及其應用[D].中國科學技術大學，2010.