基金项目: 陕西省教育厅专项基金(09JK587),陕西省自然科学基金(2005D01)资助
通讯作者: 王生全(1961-),男,陕西岐山人,教授,主要从事瓦斯地质与煤田地质教学研究工作.
1.西安科技大学 地质与环境学院,陕西 西安 710054; 2.煤炭科学研究总院 西安研究院,陕西 西安 710054
(1.College of Geology and Environment,Xi'an University of Science and Technology, Xi'an 710054, China; 2. Xi'an Branch, Coal Science Research Institute, Xi'an 710054, China)
prediction; gas emission quantity; mining faces; BP neutral network; genetic algorithm
从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果 表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。
Starting with the improving of the prediction speed and precise of gas emission quantity at mining faces, the authors put forward a BP neutral network model for optimizing both the network link weight and topologic structure with a genetic algorithm. Taking Hancheng Xiayukou coal mine as an example, a practical application method is given. The results shows the model is of a higher precision and application prospect.
采煤工作面瓦斯涌出量是采掘通风设计及瓦斯防治措施制定的主要依据。研究采煤工作面瓦斯涌出量的预测方法,并提高其预测精度,一直是煤矿瓦斯防治领域的热门课题[1-2]。
近些年来,一些学者将BP神经网络应用于瓦斯预测领域,但是BP神经网络在使用过程中存在一些不足之处,如收敛速度慢、易陷入局部极小点和网络拓扑结构难以确定等[3]。遗传算法具有自适应性、全局优化性和隐含并行性等特点,可以弥补BP神经网络的一些不足[4]。如果将两者结合起来,建立基于遗传算法的BP神经网络模型,开展采面瓦斯涌出量预测预报,使得二者优势互补,应用效果良好。
神经网络是由大量简单非线性神经元相互连接构成的复杂的网络系统,它通过自身特有的样本学习,从已有样本数据中总结规律[5]。BP三层神经元组成:输入层、隐含层和输出层(图1)。其学习算法过程是:首先对网络各连接权及阈值赋值,采用S型(Sigmoid)激活函数作为输入输出函数,采用δ学习律调整输出节点和隐节点的权值和阈值,将样本信息从输入层经隐含层传播到输出层,求得输出层实际输出与期望输出的误差,若误差小于预先设定的一个极小值,则学习结束,并输出调整后的网络权值和阈值; 否则,沿原来的连接通道反向传播,并不断调节各神经元的权值和阈值,直到误差减小,满足精度要求为止[6-7]。这样,一个由输入到输出映射的BP网络就建立了。
遗传算法是模拟生物遗传和进化过程而形成的一种高度并行、随机和自适应的通用性优化算法[8]。遗传算法的流程如图2所示。编码操作是将需要优化的问题用染色体串来表示; 选择操作类似于自然界优胜劣汰,适者生存,适应度高的个体被保留下来的机会要大; 交叉操作对2个相互配对的染色体按某种方式相互交换其部分基因,从而可能形成适应度更高的染色体; 变异操作是将某个染色体中的某些基因座上的基因值,用其他等位基因来替换,形成一个新的个体,以改善遗传算法的局部搜索能力,维持群体的多样性,防止出现早熟现象。
利用遗传算法对神经网络的优化主要体现在2个方面:一是优化连接权值,包括输入层和隐含层之间的权值和阈值、隐含层和输出层之间的权值和阈值; 二是优化网络的拓扑结构。理论证明:一个三层的BP网络可以实现任意m维向n维的映射。在实际应用中,网络的输入层节点和输出层的节点个数都是已知的,所以对网络结构的优化主要是确定最佳的隐含层节点个数。
实践表明:优化网络的初始连接权值或者优化网络的拓扑结构都可以使网络的性能得到一定程度的提升,但很难使最终的网络性能达到全局最优。为了发挥神经网络的最佳性能,应将优化网络权值和结构有机地结合起来[9]。基于以上考虑,提出1种基于混合编码遗传算法全局优化的BP网络权值和网络结构的方法,其算法步骤如下
1)对BP神经网络的初始连接权值和网络拓扑结构进行编码;
2)在初始种群每个染色体规定的网络拓扑结构下进行BP正向传播;
3)计算BP误差,利用误差计算每个染色体的适应度;
4)选择、交叉、变异,产生下一代新种群;
5)重复2)~4),直到适应度满足要求,用最优染色体规定的网络拓扑结构和初始连接权值对BP网络进行初始化;
6)训练网络,求得最优解。
1.3.1 编码[10]
染色体编码串由3个部分组成。
第1部分表示隐含层节点个数,采用二进制编码作为其控制基因,若控制基因为0,表示与该节点有关的连接权和阈值不起作用,即相当于该隐含层节点不存在; 若控制基因为1,则表示该隐含层节点被激活。因此,二进制编码串的算术和即为网络的隐含层有效节点个数(p)。二进制编码串长度应取网络最大可能隐含层节点个数。
第2部分表示输出层的节点阈值,采用实数编码,其编码串长度为输出层节点个数(q)。
第3部分是与隐含层节点相关的连接权值和阈值,也采用实数编码,与每个隐含层节点相关的连接权值和阈值编码串长度为n+q+1,其中n为输入层节点个数。所以第3部分的编码串总长应为p×(n+q+1)。
1)选择:依次计算种群中每个染色体适应度的累积概率,应用轮盘算法进行随机选择;
2)交叉:对于二进制编码串采用单点交叉,对于实数编码串采用算术交叉;
3)变异:采用非均匀变异,变异幅度随着遗传算法迭代次数的增加而逐渐缩小,从而保证算法的收敛[9]。
神经网络理想输出与实际输出的均方误差作为进化个体适应度,其计算公式为
其中yij为理想输出; oij为实际输出。
下峪口煤矿位于陕西渭北石炭二叠纪煤田东部韩城矿区,主要含煤地层由石炭系的太原组和二叠系的山西组组成,含煤13层,其中主要可采煤层分别为2号、3号及11号煤层。2号煤层煤厚0~3.0 m,平均1.0 m; 3号煤层煤厚0.36~9.62 m,平均4.0 m; 11号煤层煤厚0~8.34 m,平均2.80 m.2号与3号煤层层间距平均13.0 m; 3号与11号煤层层间距平均70 m.矿井采用平峒暗斜井多水平开拓,分为+437 m,+300 m与+160 m 3个水平,一水平共有一、二、四3个采区, 2号、3号煤层已开采结束,11号煤层采面正在准备之中; 二水平分一、三两个采区,目前正在开采2号、3号煤层。2号煤层为炮采,主采3号煤层在1985年之前为分层炮采,1985年~1999年间主要为综采,1997年~至今为放顶煤开采,3号煤层为煤与瓦斯突出危险煤层,平均瓦斯含量高达8.26 m3/t,生产期间共计发生煤与瓦斯突出事故19次。为了减轻主采3号煤层的突出危险性,矿井在部分地段将非突出的2号薄煤层作为解放层先行开采。由于2号、3号煤层均属高瓦斯煤层,加之矿井采用放顶煤开采工艺,推进度较快,3号煤层回采期间不仅瓦斯涌出量大,而且变化也大,并不时出现工作面瓦斯的超限现象,对正常生产影响较大。
通过大量定性分析研究认为:上覆2号解放层未采情况下,影响下峪口煤矿3号煤层采面瓦斯涌出量的主控因素是
1)3号煤层瓦斯含量:构成瓦斯涌出的主要来源;
2)3号煤层厚度:反映瓦斯的生成及赋存量大小;
3)2号~3号煤层的层间距:其值大小反映3号煤层先行采动后,上覆2号煤层瓦斯向3号煤层采面卸压的程度大小;
4)工作面日回采进尺:反映煤层暴露面积与瓦斯涌出量之间的关系。
表1给出了下峪口煤矿3号煤层4个炮采放顶煤工艺工作面、部分回采月份的瓦斯涌出量及其因素指标数据。
模型中的BP网络由3层神经元构成。根据主控因素分析结果,设计输入层节点数4个,分别对应采面瓦斯涌出量的4个主控影响因素:3号煤层瓦斯含量、3号煤层厚度、2号~3号煤层的层间距、工作面日回采进尺,输出层节点数1个,对应采面绝对瓦斯涌出量,BP网络的学习率取0.4,目标误差设为0.01,隐含层节点个数由遗传算法优化确定。
模型中遗传算法的种群规模设为50,权值搜索区间为(-5,5),阈值搜索区间为(-0.2,0.2),交换概率和变异概率分别取0.4和0.01,如果种群在200代内不再产生更优个体,并且最优个体的误差总值小于0.05,则认为遗传算法收敛。
网络在遗传优化2368代后进行BP训练1534步,用时146.5 s,最终达到误差要求。为了检验网络泛化能力,取预留3个样本进行检验,从表2看出:检验样本的预测精度较高,说明文中建立的遗传BP神经网络具有较好的学习能力和预测能力。
为了检验基于遗传算法优化神经网络的效果,将同样的数据样本用未经遗传算法优化的BP网络训练,目标误差同样设为0.01,隐含层节点选择11个,网络训练18 672步后达到误差要求,用时654.9 s.可见,遗传算法优化后的BP网络比单纯的BP网络能更快地收敛,而且不用考虑隐含层节点的个数,既达到了预期的效果,又大大提高了工作效率。
为掌握2号解放层未采情况下,未采区3号煤层工作面瓦斯涌出情况,用训练好的网络对未知区域的瓦斯涌出量进行预测。为此,整理了研究区71个指标因素齐全的钻孔资料,其中3号煤层厚度、2号与3号煤层层间距数据从钻孔综合成果表中获取。瓦斯含量在瓦斯含量等值线图上读取,平均日进尺采用3号煤层炮采放顶煤工作面作业规程中所规定的日进尺值,即2 m/d.
表1 下峪口矿部分放顶煤工作面瓦斯涌出量及指标因素值
Tab.1 Gas emission quantity and index factor of some mining faces of Xiayukou coal mine
利用建立的遗传BP神经网络,对3号煤层采面瓦斯涌出量进行了预测(图3)。
从图3中可以看出,3号煤层采面瓦斯涌出量总体上呈现出由井田浅部向深部,由南部到北部明显增大的趋势。涌出量高值区位于北山子向斜的轴部及井田深部与邻近桑树坪煤矿的北部地带,最大瓦斯涌出量分别达20 m3/min与22 m3/min,其中未来三水平炮采放顶煤面瓦斯涌出量一般在12~18 m3/min间。
1)针对采煤工作面瓦斯涌出量的非线性特点,利用神经网络和遗传算法的优势互补,建立了基于遗传算法的BP神经网络优化模型,将其应用于采面瓦斯涌出量预测。结果表明:其运算速度和预测精度明显高于未经优化的BP神经网络模型,说明将遗传BP神经网络应用于采面瓦斯涌出量预测是可行的,可作为采面瓦斯涌出量预测的1种新方法。
2)利用3号煤层未采区采面瓦斯涌出量因素指标值,以已采区样本训练建立的遗传BP神经网络优化模型,对采面瓦斯涌出量值进行了预测,并用Surfer软件编制了矿井3号煤层采面瓦斯涌出量预测图,对煤矿开展瓦斯防治工作将有一定的指导作用。