论文部分内容阅读
摘 要：为了提高综采工作面瓦斯涌出量的预测精度，根据综采工作面瓦斯来源的分析，在瓦斯分源预测方法的基础上，融合神经网络预测技术，建立BP神经网络分源预测模型。结合某矿1242（1）工作面地质条件和开采技术条件，利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测，结果表明，BP神经网络分源预测模型预测精度能满足现场需求，与分源法相比较，在综采工作面瓦斯涌出量预测中方便简洁而且具有很高可信度，其应用前景更广泛。
关键词：瓦斯涌出量；保护层开采；BP神经网络；分源预测
中图分类号：TD712.5文献标识码：A
文章编号：1672-1098(2011)04-0051-05
收稿日期：2011-08-26
作者简介：肖家平(1973-)，男，安徽寿县人，讲师，硕士，从事煤矿安全教学科研工作。
Study on Different-source Prediction of Gas Emission in Fully Mechanized Coal Face Based on BP Neural Network
XIAO Jia-ping1 ，DAI Guang-long2
(1. Huainan Vocational Technical College, Ventilation and Safefy Department，Huainan Anhui 232001, China；2. School of Energy and Safety, Anhui University of Science and Technology, Huainan Anhui 232001, China)
Abstract:According to analysis of methods and characteristics of gas emission source in fully mechanized coal faces (FMCF), BP neural network and prediction technique were integrated in building a different-source prediction model. Based on geological and mining conditions of No. 1242(1) FMCF, the main source of face gas emission was predicted by different-source prediction model based on BP neural network. The results showed that the model is suitable and reliable in gas emission predicting. Comparing with other prediction methods, different-source prediction is easy to be used to predict gas emission during FMCF mining procedure. The method can be applied in wide range.
Key words:gas emission; protective seam mining；BP neural network；different-source prediction
我国瓦斯涌出量预测方法有很多，大体为统计分析法、瓦斯含量法和分源预测法。统计分析法必须要有大量相似地质条件的矿井作为比较对象，新建矿井就很难应用该预测方法；瓦斯含量法工程量大，需要在实验室进行，同时需要容器密封条件好、仪器精度高、操作精确熟练等条件；分源预测法从瓦斯源头考虑准确性较高，应用较多，但由于考虑影响因子较多，计算量大而复杂。如果在各瓦斯源头考虑影响因子并适当加以权重，用BP神经网络预测，这样可以避免大量复杂的运算，提高预测精度。
1 采煤工作面瓦斯来源分析
1.1 影响煤层瓦斯含量的因素
煤层瓦斯含量的大小，除了与瓦斯生成量的多少有关外，主要取决于煤生成后瓦斯的逸散和运移条件，以及煤保存瓦斯的能力。主要影响因素包括煤层的埋藏深度、煤层和围岩的透气性、煤层倾角、煤层露头、地质构造(如褶曲构造、断裂构造、煤化程度、煤系地层的地质史、水文地质条件)等。
1.2 综采面瓦斯涌出来源划分
根据瓦斯分源预测理论，把综采面的瓦斯涌出按涌出源可分为开采煤层、邻近煤层和采空区3种瓦斯来源。
2 BP神经网络分源预测模型
2.1 模型构建
根据瓦斯分源预测理论，3种来源的瓦斯涌出影响因素是不同的，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层和采空区瓦斯涌出量预测神经网络模型组成。
瓦斯涌出量BP神经网络预测是否达到理想精度，主要考虑两个方面的因素:① 输入向量维数设计；② 样本数量和精度。
根据对工作面开采层、邻近层和采空区瓦斯分源涌出的影响因素的分析，确定3个分源瓦斯涌出预测模型的输入向量及相应神经网络的基本结构如图1所示。
图1 BP神经网络分源瓦斯涌出预测模型基本结构
在图1所示的输入向量中，大多是定量数据，可直接利用样本数值作为输入向量，但有2个向量属于定性指标，不能直接作为输入向量，必须进行数量化处理。
1) 顶板管理方法。综采顶板管理方式主要有全部垮落法、充填法、煤柱支撑法(含条带开采法)，为在神经网络中能够反映出其对采空区瓦斯涌出量的影响，因顶板管理方式对采空区瓦斯涌出量影响甚微，为了区别 3 种顶板管理方法，分别用1、2、3量化值表示。
2) 层间岩性。根据顶板岩性和矿压显现分5类顶板，因煤层围岩中影响瓦斯涌出卸压范围的重要特性是围岩硬度，因此采用围岩硬度加权平均值作为层间岩性输入值即可。
2.2 模型训练
选用QwikNet V2.23 的人工神经网络模拟器进行网络模拟，它有如下特色:
1) 最多支持5个隐含层，每层无限个神经元节点；
2) 自动归一化，支持无限训练样本数；
3) 支持多种训练算法，训练工程监控可视化；
4) 支持交叉验证训练，样本输入自动降噪。
根据输入层向量的组成，选择合作矿井的现场实测数据，建立综采面瓦斯涌出量神经网络预测模型训练样本，分别针对开采层、临近层、采空区的瓦斯涌出量进行训练和预测，其神经网络参数取值如表1所示。
表1 神经网络训练参数
学习率／％动量因子误差容限／％最大时步／步平均均方根差最大均方根差成功率／％
0.10.050.05200 0000.010.01100
3 工程应用
3.1 地质条件
某矿1242(1)工作面风巷煤层底板标高为-579～-607 m，运输巷底板标高为-640～-670 m(见图2)， 为该矿11-2煤层首采工作面。 该工作面平均煤厚2.80 m， 平均煤层倾角为13°，走向长3 000 m，倾斜长240 m，煤的灰分为32％，水份为2.2％。1242(1)工作面煤层老顶为浅灰色粉细砂岩，厚度为8.0 m；直接顶为浅灰—灰白色砂质泥岩，厚度为3.4 m；直接底为灰色砂质泥岩，厚为10.3 m。
图2 下保护层开采工作面及底抽巷布置平面图
13-1煤厚为1.9～8.3 m，平均煤厚为5.0 m。11-2煤层位于13-1煤层下方，平均间距为66 m左右，煤层赋存情况如图3所示。
3.4 预测结果与误差数值分析
对于开采层瓦斯涌出量预测，考虑开采层埋深、开采层倾角、综采面采高、综采面面长、综采面推进速度、开采层瓦斯含量、开采层厚度、采出率等因素，其神经网络训练过程误差曲线如图4所示。
运行步数
图4 开采层瓦斯涌出量样本训练误差曲线
对于邻近层瓦斯涌出量预测，考虑开采层倾角、综采面采高、综采面面长、综采面推进速度、邻近层瓦斯含量、邻近层厚度、层间距、顶板管理方法、层间岩性等因素，其神经网络训练过程误差曲线如图5所示。
运行步数
图5 邻近层瓦斯涌出量样本训练误差曲线
对于采空区瓦斯涌出量预测，考虑开采层瓦斯含量、 开采层厚度、 采出率、 开采强度等因素， 其神经网络训练过程误差曲线如图6所示。
运行步数
图6 采空区瓦斯涌出量样本训练误差曲线
根据开采层、邻近层、采空区瓦斯预测之和与实测结果相比较，如果相对误差控制在5%以内则预测模型可信（见表5）。
根据表5比较可见:预测结果与实测数据之间最大相对误差为4.80％，最小相对误差为0.12％，预测模型可信，精度满足现场需求，进一步证明了人工神经网络分源预测模型在矿井瓦斯涌出量预测中的适应性和优越性。
4 结论
通过比较可知，神经网络分源预测模型其预测精度能满足现场需求，随着样本数据的增加，其预测误差更小，精度更高；与分源法相比较，在综采工作面瓦斯涌出量预测中，计算量小、操作方便并具有很高的可信度，其应用前景更广泛。
参考文献：
［1］ 朱红青，常文杰，张彬.回采工作面瓦斯涌出BP神经网络分源预测模型及应用［J］. 煤炭学报，2007(5):504-508.
［2］ 戴广龙，汪有清，张纯如，等.保护层开采工作面瓦斯涌出量预测［J］.煤炭学报，2007(4):382-385.
［3］ 王建国，王光辉，王海凤.基于灰色理论与神经网络的煤与瓦斯突出预测［J］.中国煤层气，2009，6(2):27-30.
［4］ 刘垒， 杨胜强， 赵磊， 等.BP神经网络在煤与瓦斯突出预测中的应用［J］.煤炭科技， 2011 (2):58-60.
［5］ 马玉姣，程根银，赵东云. 神经网络技术在煤层瓦斯含量预测中的应用［J］.煤炭工程， 2010 (1):117-119.
［6］ 焦李成.神经网络的应用与实现［M］.西安：西安电子科技大学出版社，1996：48-61.
［7］ 马丕梁.煤矿瓦斯灾害防治技术手册［M］.北京：化学工业出版社，2007：87-93.
［8］ 周继成.人工神经网络第六代计算机的实现［M］.北京：科学普及出版社，1993：115-130.
［9］ 王怀珍.通风瓦斯常用数据测量实用手册［M］.北京：煤炭工业出版社，2010：210-225.
(责任编辑：何学华，吴晓红)
关键词：瓦斯涌出量；保护层开采；BP神经网络；分源预测
中图分类号：TD712.5文献标识码：A
文章编号：1672-1098(2011)04-0051-05
收稿日期：2011-08-26
作者简介：肖家平(1973-)，男，安徽寿县人，讲师，硕士，从事煤矿安全教学科研工作。
Study on Different-source Prediction of Gas Emission in Fully Mechanized Coal Face Based on BP Neural Network
XIAO Jia-ping1 ，DAI Guang-long2
(1. Huainan Vocational Technical College, Ventilation and Safefy Department，Huainan Anhui 232001, China；2. School of Energy and Safety, Anhui University of Science and Technology, Huainan Anhui 232001, China)
Abstract:According to analysis of methods and characteristics of gas emission source in fully mechanized coal faces (FMCF), BP neural network and prediction technique were integrated in building a different-source prediction model. Based on geological and mining conditions of No. 1242(1) FMCF, the main source of face gas emission was predicted by different-source prediction model based on BP neural network. The results showed that the model is suitable and reliable in gas emission predicting. Comparing with other prediction methods, different-source prediction is easy to be used to predict gas emission during FMCF mining procedure. The method can be applied in wide range.
Key words:gas emission; protective seam mining；BP neural network；different-source prediction
我国瓦斯涌出量预测方法有很多，大体为统计分析法、瓦斯含量法和分源预测法。统计分析法必须要有大量相似地质条件的矿井作为比较对象，新建矿井就很难应用该预测方法；瓦斯含量法工程量大，需要在实验室进行，同时需要容器密封条件好、仪器精度高、操作精确熟练等条件；分源预测法从瓦斯源头考虑准确性较高，应用较多，但由于考虑影响因子较多，计算量大而复杂。如果在各瓦斯源头考虑影响因子并适当加以权重，用BP神经网络预测，这样可以避免大量复杂的运算，提高预测精度。
1 采煤工作面瓦斯来源分析
1.1 影响煤层瓦斯含量的因素
煤层瓦斯含量的大小，除了与瓦斯生成量的多少有关外，主要取决于煤生成后瓦斯的逸散和运移条件，以及煤保存瓦斯的能力。主要影响因素包括煤层的埋藏深度、煤层和围岩的透气性、煤层倾角、煤层露头、地质构造(如褶曲构造、断裂构造、煤化程度、煤系地层的地质史、水文地质条件)等。
1.2 综采面瓦斯涌出来源划分
根据瓦斯分源预测理论，把综采面的瓦斯涌出按涌出源可分为开采煤层、邻近煤层和采空区3种瓦斯来源。
2 BP神经网络分源预测模型
2.1 模型构建
根据瓦斯分源预测理论，3种来源的瓦斯涌出影响因素是不同的，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层和采空区瓦斯涌出量预测神经网络模型组成。
瓦斯涌出量BP神经网络预测是否达到理想精度，主要考虑两个方面的因素:① 输入向量维数设计；② 样本数量和精度。
根据对工作面开采层、邻近层和采空区瓦斯分源涌出的影响因素的分析，确定3个分源瓦斯涌出预测模型的输入向量及相应神经网络的基本结构如图1所示。
图1 BP神经网络分源瓦斯涌出预测模型基本结构
在图1所示的输入向量中，大多是定量数据，可直接利用样本数值作为输入向量，但有2个向量属于定性指标，不能直接作为输入向量，必须进行数量化处理。
1) 顶板管理方法。综采顶板管理方式主要有全部垮落法、充填法、煤柱支撑法(含条带开采法)，为在神经网络中能够反映出其对采空区瓦斯涌出量的影响，因顶板管理方式对采空区瓦斯涌出量影响甚微，为了区别 3 种顶板管理方法，分别用1、2、3量化值表示。
2) 层间岩性。根据顶板岩性和矿压显现分5类顶板，因煤层围岩中影响瓦斯涌出卸压范围的重要特性是围岩硬度，因此采用围岩硬度加权平均值作为层间岩性输入值即可。
2.2 模型训练
选用QwikNet V2.23 的人工神经网络模拟器进行网络模拟，它有如下特色:
1) 最多支持5个隐含层，每层无限个神经元节点；
2) 自动归一化，支持无限训练样本数；
3) 支持多种训练算法，训练工程监控可视化；
4) 支持交叉验证训练，样本输入自动降噪。
根据输入层向量的组成，选择合作矿井的现场实测数据，建立综采面瓦斯涌出量神经网络预测模型训练样本，分别针对开采层、临近层、采空区的瓦斯涌出量进行训练和预测，其神经网络参数取值如表1所示。
表1 神经网络训练参数
学习率／％动量因子误差容限／％最大时步／步平均均方根差最大均方根差成功率／％
0.10.050.05200 0000.010.01100
3 工程应用
3.1 地质条件
某矿1242(1)工作面风巷煤层底板标高为-579～-607 m，运输巷底板标高为-640～-670 m(见图2)， 为该矿11-2煤层首采工作面。 该工作面平均煤厚2.80 m， 平均煤层倾角为13°，走向长3 000 m，倾斜长240 m，煤的灰分为32％，水份为2.2％。1242(1)工作面煤层老顶为浅灰色粉细砂岩，厚度为8.0 m；直接顶为浅灰—灰白色砂质泥岩，厚度为3.4 m；直接底为灰色砂质泥岩，厚为10.3 m。
图2 下保护层开采工作面及底抽巷布置平面图
13-1煤厚为1.9～8.3 m，平均煤厚为5.0 m。11-2煤层位于13-1煤层下方，平均间距为66 m左右，煤层赋存情况如图3所示。
3.4 预测结果与误差数值分析
对于开采层瓦斯涌出量预测，考虑开采层埋深、开采层倾角、综采面采高、综采面面长、综采面推进速度、开采层瓦斯含量、开采层厚度、采出率等因素，其神经网络训练过程误差曲线如图4所示。
运行步数
图4 开采层瓦斯涌出量样本训练误差曲线
对于邻近层瓦斯涌出量预测，考虑开采层倾角、综采面采高、综采面面长、综采面推进速度、邻近层瓦斯含量、邻近层厚度、层间距、顶板管理方法、层间岩性等因素，其神经网络训练过程误差曲线如图5所示。
运行步数
图5 邻近层瓦斯涌出量样本训练误差曲线
对于采空区瓦斯涌出量预测，考虑开采层瓦斯含量、 开采层厚度、 采出率、 开采强度等因素， 其神经网络训练过程误差曲线如图6所示。
运行步数
图6 采空区瓦斯涌出量样本训练误差曲线
根据开采层、邻近层、采空区瓦斯预测之和与实测结果相比较，如果相对误差控制在5%以内则预测模型可信（见表5）。
根据表5比较可见:预测结果与实测数据之间最大相对误差为4.80％，最小相对误差为0.12％，预测模型可信，精度满足现场需求，进一步证明了人工神经网络分源预测模型在矿井瓦斯涌出量预测中的适应性和优越性。
4 结论
通过比较可知，神经网络分源预测模型其预测精度能满足现场需求，随着样本数据的增加，其预测误差更小，精度更高；与分源法相比较，在综采工作面瓦斯涌出量预测中，计算量小、操作方便并具有很高的可信度，其应用前景更广泛。
参考文献：
［1］ 朱红青，常文杰，张彬.回采工作面瓦斯涌出BP神经网络分源预测模型及应用［J］. 煤炭学报，2007(5):504-508.
［2］ 戴广龙，汪有清，张纯如，等.保护层开采工作面瓦斯涌出量预测［J］.煤炭学报，2007(4):382-385.
［3］ 王建国，王光辉，王海凤.基于灰色理论与神经网络的煤与瓦斯突出预测［J］.中国煤层气，2009，6(2):27-30.
［4］ 刘垒， 杨胜强， 赵磊， 等.BP神经网络在煤与瓦斯突出预测中的应用［J］.煤炭科技， 2011 (2):58-60.
［5］ 马玉姣，程根银，赵东云. 神经网络技术在煤层瓦斯含量预测中的应用［J］.煤炭工程， 2010 (1):117-119.
［6］ 焦李成.神经网络的应用与实现［M］.西安：西安电子科技大学出版社，1996：48-61.
［7］ 马丕梁.煤矿瓦斯灾害防治技术手册［M］.北京：化学工业出版社，2007：87-93.
［8］ 周继成.人工神经网络第六代计算机的实现［M］.北京：科学普及出版社，1993：115-130.
［9］ 王怀珍.通风瓦斯常用数据测量实用手册［M］.北京：煤炭工业出版社，2010：210-225.
(责任编辑：何学华，吴晓红)