基于SSA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)煤層底板突水預(yù)測模型與應(yīng)用

尹會永，周鑫龍，郎 寧，張歷峰，王明麗，吳 燾，李 鑫

基于SSA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)煤層底板突水預(yù)測模型與應(yīng)用

尹會永1，周鑫龍1，郎 寧1，張歷峰2，王明麗3，吳 燾2，李 鑫4

(1. 山東科技大學(xué) 地球科學(xué)與工程學(xué)院，山東 青島 266590；2. 棗莊礦業(yè)(集團)有限責(zé)任公司濱湖煤礦，山東 棗莊 277599；3. 山東省青島生態(tài)環(huán)境監(jiān)測中心，山東 青島 266003；4. 寧夏煤炭科學(xué)技術(shù)研究所有限公司，寧夏 銀川 750021)

隨煤層開采深度的不斷增加，煤礦生產(chǎn)過程中面臨著復(fù)雜的突水機理和多變的突水主控因素，且各因素間相互聯(lián)系的不確定性，使底板突水預(yù)測的難度不斷增加。為準(zhǔn)確預(yù)測底板突水危險性，針對底板突水的小樣本、非線性問題，首先利用遺傳算法(Genetic Algorithm，GA)將網(wǎng)絡(luò)隨機賦值的初始權(quán)值和閾值初次優(yōu)化，再選取搜索能力強、穩(wěn)定性較好的麻雀搜索算法(Sparrow Search Algorithm，SSA)對權(quán)值和閾值進行二次尋優(yōu)，從而建立SSA-GA-BP神經(jīng)網(wǎng)絡(luò)底板突水預(yù)測模型。分析整理山東省濱湖煤礦地質(zhì)及水文地質(zhì)資料，選取含水層水壓、含水層厚度、隔水層厚度、斷層密度、斷層分維值、滲透系數(shù)、單位涌水量、底板破壞深度共8個因素，作為預(yù)測底板突水的主控因素，繪制各主控因素3D映射投影曲面圖；利用Surfer軟件中的克里金插值法提取50個數(shù)據(jù)點作為模型的輸入樣本(分為訓(xùn)練集40個，測試集10個)，對模型進行訓(xùn)練學(xué)習(xí)，訓(xùn)練誤差精度達到要求后，對濱湖煤礦3個未開采工作面的12個數(shù)據(jù)點進行突水危險性預(yù)測。為了驗證所建模型的準(zhǔn)確性，利用BP、GA-BP、SSA-GA-BP這3種模型對測試集進行預(yù)測；為避免模型僅與BP網(wǎng)絡(luò)預(yù)測對比的片面性，同時選取以熵權(quán)法確定權(quán)重的模糊綜合評判法對測試集進行預(yù)測；將各網(wǎng)絡(luò)模型及方法的預(yù)測結(jié)果與實際值進行對比分析。結(jié)果表明：基于SSA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)模型突水預(yù)測誤差較小，預(yù)測結(jié)果準(zhǔn)確率更高，為礦井水害預(yù)測預(yù)報提供了科學(xué)的評價方法和理論依據(jù)。

底板突水預(yù)測；麻雀搜索算法；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；熵權(quán)法；模糊綜合評判

我國煤炭資源的開采強度及范圍不斷增大，煤田地質(zhì)及構(gòu)造條件類型多樣。隨著開采深度的不斷增加，加之礦井復(fù)雜的突水機理與隱蔽的致災(zāi)因素，導(dǎo)致煤層底板突水預(yù)測的難度不斷增加，礦井突水事故頻發(fā)，給社會經(jīng)濟和人民安全造成嚴(yán)重威脅[1-3]。因此，使用準(zhǔn)確有效的方法對底板突水危險性進行及時預(yù)測，有利于提出科學(xué)的風(fēng)險預(yù)防決策，煤礦生產(chǎn)安全性進一步提升[4]。

目前，傳統(tǒng)預(yù)測煤層底板突水危險性的方法主要有突水系數(shù)法、“下三帶”法、模糊證據(jù)理論法[5]、層次分析法[6]、多元信息復(fù)合法[7]等，為礦井的安全生產(chǎn)、水害防治提供了大量有效經(jīng)驗和參考。近年來，對于煤層底板突水預(yù)測出現(xiàn)了一些新方法，如集對分析法[8]、多決策樹法[9]、熵權(quán)耦合法[10]、Logistic回歸分析法[11]、突水概念場地模型法[12]、支持向量機法[13]、梯形模糊數(shù)法[14]、多模型融合評價法[15]等。上述方法各有特點，針對不同類型煤礦的突水預(yù)測也取得了較好的效果。但這些方法對現(xiàn)場地質(zhì)資料和參數(shù)的要求較高，且部分指標(biāo)權(quán)重主觀性較強，因此，在應(yīng)用時具有一定的局限性。面對上述問題，人工神經(jīng)網(wǎng)絡(luò)作為一種非線性動力系統(tǒng)具有實時適應(yīng)性、自學(xué)習(xí)、并行性等功能，對復(fù)雜突水因素的處理能力較強，給底板突水預(yù)測提供了一種新思路，于小鴿等[16]提出了BP神經(jīng)網(wǎng)絡(luò)模型，該類方法所需樣本較少，對參數(shù)要求較低，但數(shù)據(jù)間聯(lián)系較弱，預(yù)測值與實際值有一定差距；陳建平等[17]建立了基于卷積神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對數(shù)據(jù)的特征規(guī)律進行了有效提取，預(yù)測精度進一步提高，但由于隨機化的初始權(quán)值和閾值，使網(wǎng)絡(luò)容易陷入局部最優(yōu)解；施龍青等[18]利用灰狼算法改進網(wǎng)絡(luò)隨機賦值的初始權(quán)值、閾值，建立GWO-Elman預(yù)測模型，網(wǎng)絡(luò)搜索精度提升較大，但迭代收斂較慢。因此，可考慮用其他算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。薛建凱[19]于2020年提出一種新型群體智能優(yōu)化算法——麻雀搜索算法(Sparrow Search Algorithm，SSA)，具有收斂速度快，搜索精度高，穩(wěn)定性好，魯棒性強等特點。針對煤層底板突水復(fù)雜非線性、多因素疊加問題，該算法有較好的適應(yīng)性，對底板突水預(yù)測來說是一種新嘗試。

筆者以山東棗莊市濱湖煤礦為研究背景，利用遺傳算法(Genetic Algorithm，GA)將網(wǎng)絡(luò)隨機化的初始權(quán)值、閾值初次優(yōu)化，再利用麻雀搜索算法對權(quán)值、閾值二次尋優(yōu)，從而建立SSA-GA-BP網(wǎng)絡(luò)底板突水預(yù)測模型，進一步提高GA-BP網(wǎng)絡(luò)的非線性動態(tài)映射能力和突水預(yù)測的準(zhǔn)確性，以期為礦井底板水害防治提供理論依據(jù)。

1 研究區(qū)概況

濱湖煤礦位于山東省棗莊市滕北礦區(qū)的中西部，區(qū)內(nèi)主要可采煤層有太原組12下、16煤層。其中，12下煤層全區(qū)分布，平均厚度1.27 m；研究區(qū)為162采區(qū)，面積約6.37 km2，16煤為該采區(qū)主要開采煤層，平均厚度1.23 m。162采區(qū)位于藤縣背斜的北翼，屬單斜構(gòu)造向西北傾斜，區(qū)內(nèi)揭露1 m以上斷層25條，構(gòu)造復(fù)雜程度為中等。

2 底板突水主控因素

煤層底板突水是一種多因素復(fù)合疊加的非線性動態(tài)過程，各影響因素間有著密切的聯(lián)系[20]。本文以井田地質(zhì)、水文地質(zhì)、構(gòu)造等資料為基礎(chǔ)，分析得到濱湖煤礦162采區(qū)煤層底板的主要充水水源為奧陶紀(jì)灰?guī)r(簡稱奧灰)含水層，充水通道主要有采動裂隙、斷層、裂隙帶，并根據(jù)以往煤層底板突水特征，選取含水層水壓(1)、含水層厚度(2)、隔水層厚度(3)、斷層密度(4)、斷層分維值(5)、滲透系數(shù)(6)、單位涌水量(7)、底板破壞深度(8)共8個因素作為研究煤層底板突水的具體依據(jù)。根據(jù)其具體資料，利用Origin軟件繪制各因素的3D映射投影曲面圖(圖1)。

2.1 含水層水壓(A1)

研究區(qū)16煤底板埋深為490～570 m。目前，奧灰水位高程為–168.53 m(2020年10月28日)，煤層底板所承受水壓力較大，可以達到3.29～4.39 MPa，具有奧灰突水的危險性。含水層水壓3D映射投影曲面如圖1a所示。

2.2 含水層厚度(A2)

根據(jù)礦井實際突水情況及鉆孔揭露資料，引起研究區(qū)煤層底板突水的主要含水層為奧灰頂部上馬家溝組含水層，該段含水層淺部48～90 m富水性較強，與煤層底板具有直接水力聯(lián)系，因此，將該段作為奧灰含水層的等效厚度(圖1b)。

2.3 隔水層厚度(A3)

研究區(qū)16煤至奧灰間主要由泥巖、煤層、砂質(zhì)泥巖、細砂巖、粉砂巖及灰?guī)r組成，間距44.2～ 55.7 m，平均50.9 m，依據(jù)鉆孔資料利用Origin軟件繪制隔水層厚度3D映射投影曲面圖(圖1c)。

2.4 斷層密度(A4)

斷層密度指單位面積內(nèi)斷層跡線的條數(shù)。一般在構(gòu)造復(fù)雜、密度較大的地方發(fā)育較多的儲水空間和導(dǎo)水通道，更容易發(fā)生突水[21]。斷層密度的計算公式為：

式中：為網(wǎng)格中斷層(或褶皺軸部)跡線的條數(shù)；為網(wǎng)格面積，km2。

2.5 斷層分行維數(shù)值(A5)

斷層分行維數(shù)值是描述斷裂構(gòu)造復(fù)雜程度的合理參數(shù)。某區(qū)段的分行維數(shù)值越大，則表示該區(qū)斷層分支較多、密度及長度較大，對周邊巖體的剪切破壞也越嚴(yán)重，底板突水的危險性越大。定義集合()的相似維為：

2.6 滲透系數(shù)(A6)

滲透系數(shù)表明巖層的透水性強弱，是底板突水預(yù)測的重要因素。根據(jù)濱湖煤礦的放水試驗資料，利用Aquifer Test軟件中Theis配線法求取研究區(qū)不同范圍內(nèi)的滲透系數(shù)為0.10～0.29 m/d (圖1f)。

2.7 單位涌水量(A7)

單位涌水量是體現(xiàn)含水層排水能力的有效指標(biāo)。根據(jù)濱湖煤礦奧灰水文鉆孔資料，研究區(qū)單位涌水量為0.05～0.27 L/(s?m)，其3D映射投影曲面如圖1g所示。

2.8 底板破壞深度(A8)

底板破壞深度是受人工影響的充水通道，根據(jù)《建筑物、水體、鐵路及主要井巷煤柱留設(shè)與壓煤開采規(guī)范》計算公式：

3 模型的建立與應(yīng)用

3.1 麻雀搜索算法原理

麻雀搜索算法(Sparrow Search Algorithm, SSA)是通過模擬自然界中麻雀生存機制進而提出的一種群體優(yōu)化算法[22]。麻雀群體可以分為發(fā)現(xiàn)者和跟隨者，發(fā)現(xiàn)者負(fù)責(zé)搜尋種群的食物，搜索能力強，屬于優(yōu)勢個體，跟隨者則跟隨發(fā)現(xiàn)者來搜尋食物。同時，為了提高自身的適應(yīng)度，部分跟隨者會對發(fā)現(xiàn)者進行監(jiān)視，以便進行搜索和爭奪食物。此外，當(dāng)天敵臨近時，種群會及時進行反捕食行為。發(fā)現(xiàn)者的位置更新公式如下：

圖1 底板突水主控因素等值線及投影曲面

跟隨者的位置更新公式如下：

當(dāng)受到天敵威脅時，偵查麻雀發(fā)出預(yù)警信號，種群迅速做出反捕食行為。偵查麻雀數(shù)量一般為種群的10%～20%，位置更新公式如下：

3.2 神經(jīng)網(wǎng)絡(luò)模型優(yōu)化流程

為避免出現(xiàn)網(wǎng)絡(luò)對初始權(quán)值和閾值隨機賦值而造成局部最優(yōu)解等缺陷，引入遺傳算法對其進行優(yōu)化，降低局部最優(yōu)概率，預(yù)測精度有一定的提高，但網(wǎng)絡(luò)全局尋優(yōu)能力尚且不足。針對上述問題，對已初次優(yōu)化的權(quán)值、閾值編碼后代入麻雀搜索算法中進行二次尋優(yōu)，提高GA-BP網(wǎng)絡(luò)的尋優(yōu)能力和迭代收斂速度，優(yōu)化網(wǎng)絡(luò)的非線性動態(tài)映射能力，判別精度進一步提高。SSA優(yōu)化GA-BP神經(jīng)網(wǎng)絡(luò)算法流程如圖2所示。

圖2 SSA優(yōu)化GA-BP神經(jīng)網(wǎng)絡(luò)算法流程

3.3 實例分析

3.3.1 數(shù)據(jù)來源及預(yù)處理

整理分析棗莊市濱湖煤礦162采區(qū)的地質(zhì)勘探報告和鉆孔資料，根據(jù)突水系數(shù)法及高密度電法勘探結(jié)果對采區(qū)底板突水危險性的評價結(jié)果，將煤層底板的突水危險性劃分為3個不同等級，分別為安全區(qū)—0區(qū)、低風(fēng)險區(qū)—1區(qū)和高風(fēng)險區(qū)—2區(qū)，利用Surfer軟件中的克里金插值法獲得采區(qū)50個數(shù)據(jù)點的突水危險性實際評價等級值(表1)。選取上述8種底板突水主控因素作為突水預(yù)測的指標(biāo)依據(jù)，利用Surfer軟件中的克里金插值法獲得各個數(shù)據(jù)點的主控因素數(shù)據(jù)值作為樣本數(shù)據(jù)集。由于樣本數(shù)據(jù)各指標(biāo)值的大小差別較大，為避免低值數(shù)據(jù)被高值數(shù)據(jù)覆蓋，且防止節(jié)點輸出進入飽和區(qū)，采用Matlab中的mapminmax函數(shù)將輸入數(shù)據(jù)進行歸一化處理，使其取值范圍為[0,1]。

表1 突水危險性評價樣本數(shù)據(jù)集

3.3.2 模型建立與驗證

利用遺傳算法將網(wǎng)絡(luò)隨機化的權(quán)值、閾值初次優(yōu)化，具體的參數(shù)設(shè)定為：種群數(shù)目為50，最大迭代次數(shù)為80，變異、交叉率分別為0.1、0.2。繼而使用麻雀搜索算法對已優(yōu)化的網(wǎng)絡(luò)權(quán)值和閾值進行二次尋優(yōu)，麻雀搜索算法參數(shù)設(shè)定為：種群數(shù)目為30，最大迭代次數(shù)為80，發(fā)現(xiàn)者和偵察者個數(shù)各取種群數(shù)目的20%，預(yù)警值2=0.8。

為驗證模型是否準(zhǔn)確有效，選用前40個樣本點數(shù)據(jù)作為SSA-GA-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集，剩余10個樣本點數(shù)據(jù)作為模型測試數(shù)據(jù)，網(wǎng)絡(luò)訓(xùn)練次數(shù)達25次時，模型預(yù)測誤差可以達到7.938 1í10–9(圖3)，低于目標(biāo)誤差值1í10–8，模型對訓(xùn)練集的預(yù)測結(jié)果準(zhǔn)確率為100%，符合要求，因此，模型可用于濱湖煤礦162采區(qū)的底板突水預(yù)測。

3.3.3 模型應(yīng)用

濱湖煤礦計劃在2021年開采162采區(qū)的3個工作面16205、16207和16208工作面，工作面位置如圖4所示。根據(jù)各工作面掘進期間所獲得的地質(zhì)數(shù)據(jù)資料，預(yù)測數(shù)據(jù)集由每個工作面各4個數(shù)據(jù)點組成，各點數(shù)據(jù)見表2，其中K1—K4屬于16205工作面，K5—K8屬于16207工作面，K9—K12屬于16208工作面。采用已訓(xùn)練好且誤差精度達到要求的SSA-GA-BP預(yù)測模型對上述3個工作面的突水危險性進行預(yù)測，預(yù)測結(jié)果見表2。

圖3 誤差收斂曲線

圖4 濱湖煤礦162采區(qū)工作面分布

3.4 其他方法對比

3.4.1 BP神經(jīng)網(wǎng)絡(luò)方法對比

為說明本文所建立的SSA-GA-BP網(wǎng)絡(luò)突水預(yù)測模型與以往神經(jīng)網(wǎng)絡(luò)突水預(yù)測模型的不同之處，用訓(xùn)練集對BP網(wǎng)絡(luò)、GA-BP網(wǎng)絡(luò)進行訓(xùn)練后，分別用于對測試集底板進行突水預(yù)測，網(wǎng)絡(luò)及算法參數(shù)設(shè)置與上文相同。測試集實際值與各方法預(yù)測值的對比如圖5所示，各方法的預(yù)測誤差如圖6所示。

根據(jù)所得出的測試結(jié)果，預(yù)測精度最高的為SSA-GA-BP網(wǎng)絡(luò)，除對41號樣本預(yù)測誤差(–0.29)較大外，其余樣本誤差均較小，預(yù)測結(jié)果準(zhǔn)確率為90%；GA-BP網(wǎng)絡(luò)對41號、47號、48號樣本的預(yù)測誤差較大，預(yù)測精度明顯較低，誤差精度較前者平均相差2個數(shù)量級，預(yù)測結(jié)果準(zhǔn)確率為70%；而BP網(wǎng)絡(luò)的預(yù)測結(jié)果最差，對41號、42號、46號、47號和49號樣本的預(yù)測誤差均較大，預(yù)測結(jié)果準(zhǔn)確率為50%。3種方法對測試集的預(yù)測結(jié)果及預(yù)測誤差詳見表3。從整體效果來看，上述方法的預(yù)測精度從高到低依次為：SSA-GA-BP、GA-BP、BP。

圖7反映了隨迭代次數(shù)增加種群適應(yīng)度的進化曲線，與GA算法相比，SSA算法在第5次迭代后種群適應(yīng)度值的進化程度較為明顯，相同迭代次數(shù)下適應(yīng)度遞減趨勢較快，經(jīng)過36次的迭代便達到了適應(yīng)度的全局最優(yōu)值，且最終適應(yīng)度值也得到了明顯的優(yōu)化，因此，本文所提出的SSA-GA優(yōu)化算法對BP神經(jīng)網(wǎng)絡(luò)的收斂速度及預(yù)測精度提升較大。

表2 突水危險性評價預(yù)測數(shù)據(jù)集

圖5 測試集預(yù)測值與實際值對比

圖6 測試集預(yù)測誤差對比

表3 各突水危險性方法預(yù)測評價等級值及預(yù)測誤差

圖7 適應(yīng)度進化曲線

3.4.2 模糊綜合評判方法對比

引入模糊綜合評判方法進行測試集的突水危險性評價，由于各因素對突水危險性影響的重要程度不同，因此，各因素權(quán)重的確定采用熵權(quán)法。

熵權(quán)法依據(jù)不同因素間變異程度強弱從而對權(quán)重進行客觀賦值，因素的熵值越小，則該因素所包含的信息越重要，對應(yīng)的權(quán)重就越大[24]。根據(jù)前文所述的8種底板突水主控因素，利用熵權(quán)法計算各因素的權(quán)重，公式如下。

表4 模糊綜合評價等級分布

結(jié)合樣本數(shù)據(jù)，利用公式(11)計算得出各樣本所對應(yīng)的突水危險等級模糊評價值表(表5)，建立模糊綜合評判模型。經(jīng)過與實際值的對比，模糊綜合評價法對測試樣本中41號和47號的預(yù)測值分別為0和1，與實際值不符，模型預(yù)測準(zhǔn)確率為80%；對預(yù)測樣本中K7、K10和K11的預(yù)測值分別為2、1和0，預(yù)測結(jié)果與SSA-GA-BP神經(jīng)網(wǎng)絡(luò)模型對應(yīng)樣本預(yù)測值1、0和1不同。因后者模型對測試樣本的預(yù)測準(zhǔn)確率更高，3個未開采工作面突水危險性最終預(yù)測結(jié)果以SSA-GA-BP網(wǎng)絡(luò)模型為準(zhǔn)。

4 結(jié)論

a. 分析了影響煤層底板突水的8種主控因素，選取穩(wěn)定性好、全局搜索能力強的麻雀搜索算法(SSA)對GA-BP網(wǎng)絡(luò)權(quán)值與閾值進行二次尋優(yōu)，建立SSA-GA-BP神經(jīng)網(wǎng)絡(luò)底板突水預(yù)測模型，經(jīng)測試集數(shù)據(jù)驗證，模型預(yù)測值與實際值較符合，預(yù)測準(zhǔn)確率為90%。

b. 利用SSA-GA-BP模型對山東棗莊濱湖煤礦162采區(qū)未開采的3個工作面底板突水危險性進行預(yù)測，結(jié)果顯示：16205工作面處于安全區(qū)無突水風(fēng)險；16207工作面的K7樣本點處于突水低風(fēng)險區(qū)，有突水風(fēng)險的可能；16208工作面的K9和K11樣本點分別處于危險區(qū)和低風(fēng)險區(qū)，其底板突水危險性較大，開采過程中需進行重點防治。

表5 突水危險性評價等級綜合對比

c. 建立GA-BP、BP預(yù)測模型，并對測試集進行預(yù)測，將預(yù)測結(jié)果與實際值進行對比，其預(yù)測準(zhǔn)確率分別為70%、50%，預(yù)測精度較低。以熵權(quán)法確定主控因素權(quán)重的模糊綜合評判模型用于測試集數(shù)據(jù)驗證，結(jié)果顯示該模型預(yù)測準(zhǔn)確率為80%。

[1] 武強. 我國礦井水防控與資源化利用的研究進展、問題和展望[J]. 煤炭學(xué)報，2014，39(5)：795–805.

WU Qiang. Progress，problems and prospects of prevention and control technology of mine water and reutilization in China[J]. Journal of China Coal Society，2014，39(5)：795–805.

[2] 王皓，董書寧，喬偉，等. 礦井水害防控遠程服務(wù)云平臺構(gòu)建與應(yīng)用[J]. 煤田地質(zhì)與勘探，2021，49(1)：208–216.

WANG Hao，DONG Shuning，QIAO Wei，et al. Construction and application of remote service cloud platform for mine water hazard prevention and control[J]. Coal Geology & Exploration，2021，49(1)：208–216.

[3] 靳德武. 我國煤礦水害防治技術(shù)新進展及其方法論思考[J]. 煤炭科學(xué)技術(shù)，2017，45(5)：141–147.

JIN Dewu. New development of water disaster prevention and control technology in China coal mine and consideration on methodology[J]. Coal Science and Technology，2017，45(5)：141–147.

[4] 虎維岳，田干. 我國煤礦水害類型及其防治對策[J]. 煤炭科學(xué)技術(shù)，2010，38(1)：92–96.

HU Weiyue，TIAN Gan. Mine water disaster type and prevention and control counter measures in China[J]. Coal Science and Technology，2010，38(1)：92–96.

[5] 肖建于，童敏明，姜春露. 基于模糊證據(jù)理論的煤層底板突水量預(yù)測[J]. 煤炭學(xué)報，2012，37(增刊1)：131–137.

XIAO Jianyu，TONG Minming，JIANG Chunlu. Prediction of water inrush quantity from coal floor based on fuzzy evidence theory[J]. Journal of China Coal Society，2012，37(Sup.1)：131–137.

[6] 劉景，馮光俊，吳曉軍，等.基于層次分析法的富水區(qū)預(yù)測及其在頂板突水危險性評價中的作用[J]. 煤礦安全，2019，50(5)：204–208.

LIU Jing，F(xiàn)ENG Guangjun，WU Xiaojun，et al. Prediction of water rich area based on AHP and its role in risk assessment of roof water inrush[J]. Safety in Coal Mines，2019，50(5)：204–208.

[7] 尹會永，魏久傳，劉同彬，等. 基于多源信息復(fù)合的煤層底板突水評價[J]. 山東科技大學(xué)學(xué)報(自然科學(xué)版)，2008，27(2)：6–9.

YIN Huiyong，WEI Jiuchuan，LIU Tongbin，et al. Evaluation of water inrush in seam floor based on multi-originated information complex[J]. Journal of Shandong University of Science and Technology(Natural Science)，2008，27(2)：6–9.

[8] 韓承豪，魏久傳，謝道雷，等. 基于集對分析–可變模糊集耦合法的砂巖含水層富水性評價：以寧東礦區(qū)金家渠井田侏羅系直羅組含水層為例[J]. 煤炭學(xué)報，2020，45(7)：2432–2443.

HAN Chenghao，WEI Jiuchuan，XIE Daolei，et al. Water-richness evaluation of sandstone aquifer based on set pair analysis-variable fuzzy set coupling method：A case from Jurassic Zhiluo Formation of Jinjiaqu coal mine in Ningdong mining area[J]. Journal of China Coal Society，2020，45(7)：2432–2443.

[9] 李彥民，周晨陽，李鳳蓮. 基于代價敏感理論的多決策樹煤層底板突水預(yù)測模型[J]. 工礦自動化，2020，46(12)：76–83.

LI Yanmin，ZHOU Chenyang，LI Fenglian. Multi-decision tree prediction model for coal seam floor water inrush based on cost-sensitive theory[J]. Industry and Mine Automation，2020， 46(12)：76–83.

[10] 張曉亮. 熵權(quán)耦合層次分析賦權(quán)在煤層底板突水評價中的應(yīng)用[J]. 煤田地質(zhì)與勘探，2017，45(3)：91–95.

ZHANG Xiaoliang. Application of entropy weight method and analytic hierarchy process in evaluation of water inrush from coal seam floor[J]. Coal Geology & Exploration，2017，45(3)：91–95.

[11] 劉偉韜，廖尚輝，劉士亮，等. 主成分logistic回歸分析在底板突水預(yù)測中的應(yīng)用[J]. 遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版)，2015，34(8)：905–909.

LIU Weitao，LIAO Shanghui，LIU Shiliang，et al. Principal component logistic regression analysis in application of water outbursts from coal seam floor[J]. Journal of Liaoning Technical University(Natural Science)，2015，34(8)：905–909.

[12] YIN Huiyong，ZHOU Wanfang，LAMOREAUX J W，et al. Water inrush conceptual site models for coal mines of China[J]. Environmental Earth Sciences，2018，77(22)：746.

[13] 趙琳琳，溫國鋒，邵良杉. 煤層底板突水危險性GSPCA-LSSVM評價模型[J]. 中國安全科學(xué)學(xué)報，2018，28(2)：128–133.

ZHAO Linlin，WEN Guofeng，SHAO Liangshan. GSPCA-LSSVM model for evaluating risk of coal floor groundwater bursting[J]. China Safety Science Journal，2018，28(2)：128–133.

[14] 劉晨雨，魏久傳，王杰，等. 基于AHP-TFN模型的底板突水危險性預(yù)測[J]. 中國礦業(yè)，2019，28(8)：124–129.

LIU Chenyu，WEI Jiuchuan，WANG Jie，et al. Prediction of floor water inrush risk based on AHP-TFN model[J]. China Mining Magazine，2019，28(8)：124–129.

[15] 施龍青，曲興玥，韓進，等. 多模型融合評價煤層底板灰?guī)r巖溶突水危險性[J]. 煤炭學(xué)報，2019，44(8)：2484–2493.

SHI Longqing，QU Xingyue，HAN Jin，et al. Multi-model fusion for assessing the risk of inrush of limestone karst water through mine floor[J]. Journal of China Coal Society，2019，44(8)：2484–2493.

[16] 于小鴿，韓進，施龍青，等. 基于BP神經(jīng)網(wǎng)絡(luò)的底板破壞深度預(yù)測[J]. 煤炭學(xué)報，2009，34(6)：731–736.

YU Xiaoge，HAN Jin，SHI Longqing，et al. Forecast of destroyed floor depth based on BP neural networks[J]. Journal of China Coal Society，2009，34(6)：731–736.

[17] 陳建平，王春雷，王雪冬. 基于CNN神經(jīng)網(wǎng)絡(luò)的煤層底板突水預(yù)測[J]. 中國地質(zhì)災(zāi)害與防治學(xué)報，2021，32(1)：50–57.

CHEN Jianping，WANG Chunlei，WANG Xuedong. Coal mine floor water inrush prediction based on CNN neural network[J]. The Chinese Journal of Geological Hazard and Control，2021，32(1)：50–57.

[18] 施龍青，張榮遨，徐東晶，等. 基于GWO-Elman神經(jīng)網(wǎng)絡(luò)的底板突水預(yù)測[J]. 煤炭學(xué)報，2020，45(7)：2455–2463.

SHI Longqing，ZHANG Rongao，XU Dongjing，et al. Prediction of water inrush from floor based on GWO-Elman neural network[J]. Journal of China Coal Society，2020，45(7)：2455–2463.

[19] 薛建凱. 一種新型的群智能優(yōu)化技術(shù)的研究與應(yīng)用：麻雀搜索算法[D]. 上海：東華大學(xué)，2020.

XUE Jiankai. Research and application of a novel swarm intelligence optimization technique：Sparrow search algorithm[D]. Shanghai：Donghua University，2020.

[20] 祁春燕，邱國慶，張海榮. 底板突水預(yù)測模型的影響因素分析[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版)，2013，38(2)：153–156.

QI Chunyan，QIU Guoqing，ZHANG Hairong. Influencing factors analysis of floor water invasion prediction model[J]. Geomatics and Information Science of Wuhan University，2013，38(2)：153–156.

[21] YIN Huiyong，SHI Yongli，NIU Huigong，et al. A GIS-based model of potential groundwater yield zonation for a sandstone aquifer in the Juye coalfield，Shangdong，China[J]. Journal of Hydrology，2018，557：434–447.

[22] 呂鑫，慕曉冬，張鈞，等. 混沌麻雀搜索優(yōu)化算法[J/OL]. 北京航空航天大學(xué)學(xué)報，2020：1–10. [2020-08-31]. https: //doi.org/10.137001j.bh.1001-5965.2020.0298

LYU Xin，MU Xiaodong，ZHANG Jun，et al. Chaos sparrow search optimization algorithm[J/OL]. Journal of Beijing University of Aeronautics and Astronautics，2020：1–10. [2020-08-31]. https: //doi.org/10.137001j.bh.1001-5965.2020.0298

[23] 王嶸冰，徐紅艷，李波，等. BP神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點數(shù)確定方法研究[J]. 計算機技術(shù)與發(fā)展，2018，28(4)：31–35.

WANG Rongbing，XU Hongyan，LI Bo，et al. Research on method of determining hidden layer nodes in BP neural network[J]. Computer Technology and Development，2018，28(4)：31–35.

[24] 尹會永，趙涵，徐琳，等. 巖體質(zhì)量分級的改進模糊綜合評價法[J]. 金屬礦山，2020(7)：53–58.

YIN Huiyong，ZHAO Han，XU Lin，et al. Classification of rock mass in mine based on improved fuzzy comprehensive evaluation method[J]. Metal Mine，2020(7)：53–58.

[25] 李競贏，劉啟蒙，劉瑜，等. 基于GIS與熵值法的煤層頂板突水危險性評價[J]. 煤炭工程，2019，51(8)：115–119.

LI Jingying，LIU Qimeng，LIU Yu，et al. Risk assessment of water inrush from coal seam roof based on GIS and entropy method[J]. Coal Engineering，2019，51(8)：115–119.

Prediction model of water inrush from coal floor based on GA-BP neural network optimized by SSA and its application

YIN Huiyong1, ZHOU Xinlong1, LANG Ning1, ZHANG Lifeng2, WANG Mingli3, WU Tao2, LI Xin4

(1. College of Earth Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China; 2. Binhu Coal Mine, Zaozhuang Mining(Group) Co., LTD., Zaozhuang 277599, China; 3. Qingdao Eco-Environment Monitoring Center of Shandong Province, Qingdao 266003, China; 4. Ningxia Coal Science and Technology Research Institute Co., Ltd., Yinchuan 750021, China)

With the increase of coal mining depth, coal production process is faced with complex water inrush mechanism and variable water inrush main control factors, and the uncertainties among the factors make the prediction of floor water inrush more difficult. In order to accurately predict the risk of floor water inrush, aiming at the small sample and non-linear problem of floor water inrush, firstly, genetic Algorithm is used to optimize the initial weights and thresholds of network random assignment, and then Sparrow Search Algorithm with strong search ability and good stability is selected to optimize the weights and thresholds for the second time, so as to establish the SSA-GA-BP neural network floor water inrush prediction model. Based on the analysis of geological and hydrological data of Binhu Coal Mine in Shandong Province, 8 factors including water pressure of aquifer, aquifer thickness, aquiclude thickness, fault density, fractal dimension value of fault, permeability coefficient, unit water inflow and floor failure depth are selected as the main control factors to predict floor water inrush, mapping the main controlling factors of 3D surface map projection. The Kriging interpolation method in surfer software is used to extract 50 data points as the input samples of the model(including 40 training sets and 10 test sets). The model is trained and studied. After the training error accuracy meets the requirements, the water inrush risk of 12 data points of 3 unmined working faces in Binhu Coal Mine is predicted. To verify the accuracy of the model, BP, GA-BP and SSA-GA-BP models are used to predict the test set; to avoid the one-sideness of comparing the model only with the prediction of BP network, the Fuzzy Comprehensive Evaluation Method, which determines the weight by Entropy Weight Method, is selected to predict the test set. The prediction results of each network model and method are compared with the actual values for analysis. The results show that the water inrush prediction error of GA-BP neural network model optimized by sparrow search algorithm is smaller, and the prediction accuracy is higher, which provides a scientific theoretical basis for mine water disaster prediction.

prediction of water inrush from floor; Sparrow Search Algorithm; Genetic Algorithm; BP neural network; Entropy Weight Method; Fuzzy Comprehensive Evaluation

語音講解

TD745

A

1001-1986(2021)06-0175-11

2021-04-20；

2021-08-18

國家重點研發(fā)計劃課題(2017YFC0804101)；山東省自然科學(xué)基金項目(ZR2019MD013)

尹會永，1979年生，男，河北故城人，博士，教授，碩士生導(dǎo)師，從事礦井水害防治方面的研究. E-mail：huiyongy@sdust.edu.cn

尹會永，周鑫龍，郎寧，等. 基于SSA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)煤層底板突水預(yù)測模型與應(yīng)用[J]. 煤田地質(zhì)與勘探，2021，49(6)：175–185. doi: 10.3969/j.issn.1001-1986.2021.06.021

YIN Huiyong，ZHOU Xinlong，LANG Ning，et al. Prediction model of water inrush from coal floor based on GA-BP neural network optimized by SSA and its application[J]. Coal Geology & Exploration，2021，49(6)：175–185. doi: 10.3969/j.issn.1001-1986.2021.06.021

移動閱讀

(責(zé)任編輯 周建軍)