基于BP神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測研究

夏金周 吳向陽

摘?要：煤層瓦斯一直以來都是煤礦開采過程中必須面臨的一個嚴(yán)峻問題，一旦發(fā)生礦井瓦斯事故，后果不堪設(shè)想，因此準(zhǔn)確測定煤層瓦斯含量，做好提前防治工作十分重要。本文以淮北市鄒莊煤礦的若干鉆孔瓦斯含量實測數(shù)據(jù)為研究對象，通過建立BP神經(jīng)網(wǎng)絡(luò)模型，學(xué)習(xí)并檢驗煤層瓦斯含量。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能夠較好的預(yù)測煤層瓦斯含量，為預(yù)測煤層瓦斯含量提供了一種可行性研究思路。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);煤層瓦斯;瓦斯含量預(yù)測

1 研究背景及意義

1.1 研究背景

一直以來，無論是出口還是進(jìn)口，我國都是煤炭大國，盡管面臨新能源轉(zhuǎn)型的沖擊，但對煤炭的需求和依賴短時間內(nèi)難以減小。煤層瓦斯含量是井下煤層的主要參數(shù)之一，對煤層瓦斯含量的測定是預(yù)測井下瓦斯突出的重要依據(jù)，是防治瓦斯災(zāi)害的基本前提。

在實際開采過程中，由于井下地質(zhì)條件復(fù)雜，使得煤層瓦斯含量具有許多不確定性，傳統(tǒng)方法是通過采掘工作面打鉆抽采瓦斯，以測定瓦斯含量，但此方法需要消耗大量人力和資金。

1.2 研究意義

由于煤層瓦斯含量對煤礦生產(chǎn)至關(guān)重要，因此突破傳統(tǒng)方法，準(zhǔn)確預(yù)測煤層瓦斯含量將是科研人員研究的熱門領(lǐng)域。準(zhǔn)確預(yù)測煤層瓦斯含量最直接的意義就是可以提前防治，減少由于瓦斯突出而造成的礦難，保障井下工人的生命財產(chǎn)安全。傳統(tǒng)方法測量瓦斯含量成本較高，需要研究一種新的方法，既能準(zhǔn)確預(yù)測煤層瓦斯含量，又能控制成本。神經(jīng)網(wǎng)絡(luò)為我們提供了可能性。

2 數(shù)據(jù)收集與分析處理

2.1 數(shù)據(jù)收集

本次研究的數(shù)據(jù)來源于淮北鄒莊煤礦某煤層的鉆孔瓦斯含量實測數(shù)據(jù)，數(shù)據(jù)共有27組，每個鉆孔數(shù)據(jù)包括鉆孔編號、煤層傾角、地質(zhì)構(gòu)造、煤層厚度、煤層埋深以及煤層瓦斯含量。

2.2 煤層瓦斯含量影響因素分析

研究表明，影響煤層瓦斯賦存的地質(zhì)因素比較復(fù)雜，主要影響因素包括煤層埋深、煤層傾角、煤層厚度、地質(zhì)構(gòu)造和水文地質(zhì)條件等。

煤層的埋深越深，其上覆壓力值就越大，透氣性越差，瓦斯散逸越困難，這有利于煤層中瓦斯的保存。煤層自身的性質(zhì)對瓦斯的賦存起到關(guān)鍵性作用，在其他初始條件相似的情況下，對同一煤層，煤層厚度越厚，傾角越小，瓦斯散逸速度越慢，有利于瓦斯的保存;反之則不利于瓦斯的保存。

此外，地質(zhì)構(gòu)造對煤層瓦斯含量有一定的影響，在一定程度上控制著煤層瓦斯的賦存與分布。一般情況下，張性斷層利于瓦斯的散逸，壓性斷層利于瓦斯的保存，向斜構(gòu)造相對于背斜構(gòu)造更利于瓦斯保存。研究區(qū)域內(nèi)共有大小斷層200多條，其中以正斷層為主。為了便于研究地質(zhì)構(gòu)造對煤層瓦斯含量的影響，現(xiàn)對研究區(qū)的地質(zhì)構(gòu)造進(jìn)行量化處理：1表示背斜，2表示正斷層，3表示沒有斷層或褶皺，4表示向斜，5表示逆斷層。

由于研究區(qū)域水文地質(zhì)條件簡單，對瓦斯賦存影響不大，故本次研究中不做考慮。

3 煤層瓦斯含量預(yù)測

3.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

BP神經(jīng)網(wǎng)絡(luò)是近些年來新興的一門交叉學(xué)科，是一種典型的誤差反向傳播，層與層之間單向傳播的多層網(wǎng)絡(luò)結(jié)構(gòu)模型，是處理非線性優(yōu)化問題的有效方法。本次研究所采用的BP神經(jīng)網(wǎng)絡(luò)模型采用三層，即輸入層、隱含層、輸出層三層網(wǎng)絡(luò)結(jié)構(gòu)模型。如下圖1所示。

其中，輸入層節(jié)點數(shù)選取4，分別為影響煤層瓦斯含量的煤層埋深、煤層厚度、煤層傾角和地質(zhì)構(gòu)造四個要素;隱含層節(jié)點數(shù)待定，將通過試算方法，確定相對較優(yōu)的隱含層節(jié)點數(shù);輸出層元素為一個，即煤層瓦斯含量。

3.2 模型學(xué)習(xí)與檢驗分析

選取27個樣本數(shù)據(jù)中20個為學(xué)習(xí)集樣本，剩下的7個為檢驗集樣本，采用HU-BP軟件進(jìn)行樣本學(xué)習(xí)與檢驗。

利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本，預(yù)測煤層瓦斯含量，其軟件的網(wǎng)絡(luò)參數(shù)選取十分重要，本次研究采用試算方法，找到一組相對較優(yōu)的BP網(wǎng)絡(luò)參數(shù)。其中，輸入層元素為4，隱含層元素為30，輸出層元素為1，學(xué)習(xí)速率參數(shù)取1.5，平滑因子參數(shù)取0.7，訓(xùn)練學(xué)習(xí)誤差取0.025，分級迭代級數(shù)選15。最終以這樣一組相對較優(yōu)的網(wǎng)絡(luò)參數(shù)對樣本進(jìn)行學(xué)習(xí)和檢驗。

學(xué)習(xí)和檢驗效果相對較理想，基本符合實際測量的煤層瓦斯含量的數(shù)值，其中，學(xué)習(xí)集中誤差為±0.76，檢驗集中誤差為±0.46，總的中誤差為±0.69。結(jié)果如下表所示。

同時，我們將利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)得到的預(yù)測值與實際值進(jìn)行對比，繪制出煤層瓦斯含量的散點圖，如圖2所示。從圖中可以看出BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果尚存在誤差，但已基本符合煤層瓦斯含量實測值。

4 結(jié)論與展望

本次神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中，并非學(xué)習(xí)誤差越小越好，有時候會產(chǎn)生過擬合現(xiàn)象，而且增加學(xué)習(xí)時間。神經(jīng)網(wǎng)絡(luò)參數(shù)的選取十分重要，首先，輸入層元素的確定至關(guān)重要，這將關(guān)系到整個學(xué)習(xí)過程的學(xué)習(xí)效果，其次各個網(wǎng)絡(luò)參數(shù)很難達(dá)到最優(yōu)組合，本文中所采用的參數(shù)選取方法可能無法做到最優(yōu)組合，但基本應(yīng)該接近。

從學(xué)習(xí)得到的一系列參數(shù)來看，本次基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測煤層瓦斯含量的研究效果較好，預(yù)測值基本與實測值接近，但測值與實測值之間還是存在一定的誤差，這可能是由以下幾個原因造成的：1）輸入層選擇存在問題，復(fù)雜的地質(zhì)條件都會對瓦斯賦存產(chǎn)生一定的影響，選擇輸入層時可能忽略了某些必要的因素;2）網(wǎng)絡(luò)參數(shù)的選取方法可能還有待改進(jìn)，這些組合起來的參數(shù)未必是最優(yōu)組合。因此，接下來的研究工作將圍繞BP神經(jīng)網(wǎng)絡(luò)輸入層要素的確定和網(wǎng)絡(luò)參數(shù)最優(yōu)化選擇進(jìn)一步展開。

參考文獻(xiàn)：

[1]胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M].北京：測繪出版社，2006：1-137.

[2]劉錦偉，謝雄剛，方井，郭鵬飛.基于BP神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測[J].甘肅科技，2016，32（21）：22-24.

[3]閆廣祥，高一婷，王華.煤層瓦斯賦存影響因素的分析[J].煤炭技術(shù)，2018，37（11）：170-172.