唐山矿瓦斯涌出量动态预测模型

D0L:10.13374/.issn1001-053x.2012.03.007 第34卷第3期 北京科技大学学报 Vol.34 No.3 2012年3月 Journal of University of Science and Technology Beijing Mar.2012 唐山矿瓦斯涌出量动态预测模型 梁晓珍回宋存义王 依 北京科技大学土木与环境工程学院，北京100083 ☒通信作者，E-mail:liangxiaozhen7313163.com 摘要为了提高瓦斯涌出预测的准确性，采用BP型神经网络，利用BP型神经网络自学习、自组织和自适应等特性，在 MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析，对瓦斯动态预测模型进行训练和测 试。结果表明，该模型的预测速度快、精度高，可以实现对工作面瓦斯涌出的动态预测，并能综合判断工作面所处地点的安全 状况以及前方的潜在的危险性. 关键词煤矿；瓦斯涌出：动态模型：神经网络 分类号TD712*.5 Dynamic prediction model of gas emission in Tangshang Mine LIANG Xiao-zhen,SONG Cun-vi,WANG Yi School of Civil and Environmental Engineering,University of Science and Technology Beijing,Beijing 100038,China Corresponding author,E-mail:liangxiaozen7313163.com ABSTRACT To improve the prediction accuracy of gas emission,a BP neural network was applied to establish a dynamic prediction model of gas emission under the MATLAB environment by using BP neural networks'characteristics of self-learning,self-organizing and self-adapting.The model was trained and tested by analyzing the real-time monitoring data of gas signals from Tangshan Mine.Test results show that the model has higher prediction speed and accuracy.By using the model the dynamic prediction of gas emission in the working face can be realized,the safety state and the potential hazard can be synthetically estimated to provide security for safety production. KEY WORDS coal mines:gas emission:dynamic models:neural networks 瓦斯预测工作是矿井防止瓦斯事故的重要基础 振动对煤体和瓦斯产生的综合作用下，煤与瓦斯突 技术工作，对矿井通风、瓦斯抽放设计有重要的指导 出的危险性大大增加同.由于瓦斯涌出的不均衡或 作用.计算机技术的发展为实现煤层瓦斯的非接触 者说瓦斯的异常涌出，可能引发重大瓦斯事故.瓦 式预测提供了方便.通过对唐山矿瓦斯信号实时监 斯的异常涌出是有预兆性的，往往在瓦斯突出前3d 测数据的分析，利用BP型神经网络自学习、自组织 内瓦斯涌出量与正常状态相比就出现异常，出现 和自适应等特性，建立预测模型，并对网络进行训练 “忽大忽小”的现象，这种异常经常被忽视回，因 和测试，可以实现瓦斯涌出的精确预测 此，研究瓦斯的涌出规律，进行瓦斯动态涌出的预 工作面瓦斯涌出具有不均衡性Ⅲ.瓦斯涌出的 测，区别正常涌出和非正常涌出具有重要的理论价 不均衡性从另一个角度阐明了煤系地层、煤层的不 值和实用价值. 稳定性，这些不稳定性可能是由于成煤期沉积环境 预测偏差值是指生产地点的瓦斯实际涌出量与 造成的原生厚度和结构的不稳定，也可能是煤层受 预测量之间的差值.该差值可能由两部分构成，第 后期构造影响造成结构不稳定回：煤层开采过程中 一部分是由于预测方法的不当和选取参数的不准确 的振动使煤体内的裂隙增加并扩展，当振动强度达 造成的计算错误，第二部分是由于地质条件的异常 到一定值时煤体内形成较大范围的连通裂隙网；在 变化和生产工艺、生产作业的不正常变动及其他因 收稿日期：201104-21

第 34 卷 第 3 期 2012 年 3 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 34 No． 3 Mar． 2012 唐山矿瓦斯涌出量动态预测模型 梁晓珍 宋存义 王 依 北京科技大学土木与环境工程学院，北京 100083 通信作者，E-mail: liangxiaozhen7313163． com 摘 要 为了提高瓦斯涌出预测的准确性，采用 BP 型神经网络，利用 BP 型神经网络自学习、自组织和自适应等特性，在 MATLAB 环境下构建瓦斯动态预测模型． 通过对唐山矿瓦斯信号实时监测数据的分析，对瓦斯动态预测模型进行训练和测 试． 结果表明，该模型的预测速度快、精度高，可以实现对工作面瓦斯涌出的动态预测，并能综合判断工作面所处地点的安全 状况以及前方的潜在的危险性． 关键词 煤矿; 瓦斯涌出; 动态模型; 神经网络 分类号 TD712 + . 5 Dynamic prediction model of gas emission in Tangshang Mine LIANG Xiao-zhen ，SONG Cun-yi，WANG Yi School of Civil and Environmental Engineering，University of Science and Technology Beijing，Beijing 100038，China Corresponding author，E-mail: liangxiaozen7313163． com ABSTRACT To improve the prediction accuracy of gas emission，a BP neural network was applied to establish a dynamic prediction model of gas emission under the MATLAB environment by using BP neural networks’characteristics of self-learning，self-organizing and self-adapting． The model was trained and tested by analyzing the real-time monitoring data of gas signals from Tangshan Mine． Test results show that the model has higher prediction speed and accuracy． By using the model the dynamic prediction of gas emission in the working face can be realized，the safety state and the potential hazard can be synthetically estimated to provide security for safety production． KEY WORDS coal mines; gas emission; dynamic models; neural networks 收稿日期: 2011--04--21 瓦斯预测工作是矿井防止瓦斯事故的重要基础 技术工作，对矿井通风、瓦斯抽放设计有重要的指导 作用． 计算机技术的发展为实现煤层瓦斯的非接触 式预测提供了方便． 通过对唐山矿瓦斯信号实时监 测数据的分析，利用 BP 型神经网络自学习、自组织 和自适应等特性，建立预测模型，并对网络进行训练 和测试，可以实现瓦斯涌出的精确预测． 工作面瓦斯涌出具有不均衡性［1］． 瓦斯涌出的 不均衡性从另一个角度阐明了煤系地层、煤层的不 稳定性，这些不稳定性可能是由于成煤期沉积环境 造成的原生厚度和结构的不稳定，也可能是煤层受 后期构造影响造成结构不稳定［2］; 煤层开采过程中 的振动使煤体内的裂隙增加并扩展，当振动强度达 到一定值时煤体内形成较大范围的连通裂隙网; 在 振动对煤体和瓦斯产生的综合作用下，煤与瓦斯突 出的危险性大大增加［3］． 由于瓦斯涌出的不均衡或 者说瓦斯的异常涌出，可能引发重大瓦斯事故． 瓦 斯的异常涌出是有预兆性的，往往在瓦斯突出前 3 d 内瓦斯涌出量与正常状态相比就出现异常，出现 “忽大忽小”的现象，这种异常经常被忽视［4］． 因 此，研究瓦斯的涌出规律，进行瓦斯动态涌出的预 测，区别正常涌出和非正常涌出具有重要的理论价 值和实用价值． 预测偏差值是指生产地点的瓦斯实际涌出量与 预测量之间的差值． 该差值可能由两部分构成，第 一部分是由于预测方法的不当和选取参数的不准确 造成的计算错误，第二部分是由于地质条件的异常 变化和生产工艺、生产作业的不正常变动及其他因 DOI:10.13374/j.issn1001-053x.2012.03.007

第3期 梁晓珍等：唐山矿瓦斯涌出量动态预测模型 ·261· 素的异常变化引起.瓦斯涌出动态预测就是利用大 并将误差分摊到各隐层所有单元，从而获得各层单 量的历史实测值不断对预测模型及预测参数进行修 元的误差信号，此误差信号即作为修正整个单元权 正，极力消除由于参数和模型的不当引起的偏差，从 值的依据.这种信号正向传播与误差反向传播取得 而分离出由于地质条件的影响和生产作业异常造成 各层权值的调整过程，是周而复始的.权值不断调 的偏差.这样反过来就可以利用这种偏差值来预测 整的过程，也就是网络的学习训练过程.此过程一 地质条件的异常，发现瓦斯异常涌出的先兆，对于采 直进行到网络输出误差减少到可以接受的程度，或 掘工作面前方的安全状态做出正确的评估和判断， 进行到预先设定的学习次数为止 对于防范瓦斯事故具有十分重要的意义) 在BP型神经网络的设计中，由前m个时间段 煤层瓦斯的非接触式预测方法是通过对瓦斯信 的不同影响因素测量值作为输入样本，训练网络，并 号的实时监测数据的分析结合对矿井采掘工作面瓦 根据训练好的网络来预测后n个时间段的瓦斯涌出 斯涌出规律的研究，建立预测模型并对模型进行不 量及瓦斯含量值，重复以上方法，便可以实现瓦斯涌 断完善从而实现对瓦斯涌出的动态预测.通过研究 出量或瓦斯含量的动态预测 确定各种因素与采掘工作面瓦斯异常涌出的关系， 网络设计的基本要素包括网络结构、传递函数、 最后应用基于人工智能诊断技术来综合判断工作面 权值与阈值调整和误差分析. 所处地点的安全状况以及前方的潜在危险性 1.1网络结构 工作面瓦斯涌出受多种因素的影响.对于同一 单隐层的BP算法神经网络具有无限逼近非线 工作面来说，由于供风量、气压和温度是较为稳定 性连续函数关系的性质。为提高精度，选择一个隐 的，瓦斯含量的变化在一定意义上来说反映的就是 层的BP型神经网络.常用的BP算法是梯度下降 瓦斯涌出量的变化向，因此，对瓦斯含量的动态预 法.但是，这种基于梯度下降法的线性收敛速度 测，可以认为就是对工作面瓦斯涌出量的预测. 较慢，所以本文采用收敛速度、精确度高于梯度下降 煤矿安全监测系统的建立和计算机技术的发展 法的Levenberg-Marquardt优化算法，对网络的训练 为瓦斯涌出动态预测奠定了坚实的基础.井下传感 进行了简化和加速，更有利于实现瓦斯含量的动态 器所测得瓦斯含量的数据实时传输至监测室，监测 实时预测.BP网络结构如图1所示 室通过专业软件进行处理.通过对瓦斯含量的分 Q 析，判断瓦斯涌出量的变化，并根据判断结果采取相 应的处理方案.由于瓦斯涌出的影响因素复杂且难 输 隐 层 以定量化处理，因此瓦斯涌出模型的建立使用模糊 层 数学、灰色理论及人工神经网络比较合适 1BP神经网络 图1B即神经网络结构简图 Fig.I Structure of a BP neural network 人工神经网络是一种旨在模仿人脑结构及其功 能的智能信息处理系统，是由大量简单处理单元相 考虑到采掘工作面瓦斯涌出的规律以及工作面 互联结，构成的高度并行的非线性系统，具有大规模 作业程序的循环时间确定输入层和隐层的节点数如 并行处理能力.通过自学习、自组织和自适应等方 下：设输入层节点数n为8，输出层节点数l为8，隐 式高度精确地模拟一些物理规律尚且未知的系统中 层节点数m为19. 各因素之间的关系，从而在缺乏物理规律的条件下 1.2传递函数 给出比较准确的预测值.在预测领域已成功地解决 瓦斯含量的影响因素多且比较复杂，预测函数 了许多复杂的实际问题，呈现出良好的智能特性. 并不完全是简单的线性关系，所以采取非线性变换 本模型采用人工神经网络中的BP型神经网 的双极性Sigmoid连续函数作为输入层传递函数， 络.BP算法的基本原理为：学习过程由信号的正向 同样隐层传递函数也采用Sigmoid连续函数作为传 传播与误差的反向传播两个过程组成.正向传播 递函数因.表达式为 时，输入样本从输入层输入，经各隐层逐层处理后， 传向输出层.如果输出层的实际输出与期望的输出 f(x)=1-e 1+e (1) 不符，则转向误差的反向传播阶段.误差反传是将 2(x)=x. 输出误差以某种形式通过隐层逐层向输入层反传， 因为Sigmoid函数的输入数据绝对值较大时传

第 3 期 梁晓珍等: 唐山矿瓦斯涌出量动态预测模型 素的异常变化引起． 瓦斯涌出动态预测就是利用大 量的历史实测值不断对预测模型及预测参数进行修 正，极力消除由于参数和模型的不当引起的偏差，从 而分离出由于地质条件的影响和生产作业异常造成 的偏差． 这样反过来就可以利用这种偏差值来预测 地质条件的异常，发现瓦斯异常涌出的先兆，对于采 掘工作面前方的安全状态做出正确的评估和判断， 对于防范瓦斯事故具有十分重要的意义［5］． 煤层瓦斯的非接触式预测方法是通过对瓦斯信 号的实时监测数据的分析结合对矿井采掘工作面瓦 斯涌出规律的研究，建立预测模型并对模型进行不 断完善从而实现对瓦斯涌出的动态预测． 通过研究 确定各种因素与采掘工作面瓦斯异常涌出的关系， 最后应用基于人工智能诊断技术来综合判断工作面 所处地点的安全状况以及前方的潜在危险性． 工作面瓦斯涌出受多种因素的影响． 对于同一 工作面来说，由于供风量、气压和温度是较为稳定 的，瓦斯含量的变化在一定意义上来说反映的就是 瓦斯涌出量的变化［6］． 因此，对瓦斯含量的动态预 测，可以认为就是对工作面瓦斯涌出量的预测． 煤矿安全监测系统的建立和计算机技术的发展 为瓦斯涌出动态预测奠定了坚实的基础． 井下传感 器所测得瓦斯含量的数据实时传输至监测室，监测 室通过专业软件进行处理． 通过对瓦斯含量的分 析，判断瓦斯涌出量的变化，并根据判断结果采取相 应的处理方案． 由于瓦斯涌出的影响因素复杂且难 以定量化处理，因此瓦斯涌出模型的建立使用模糊 数学、灰色理论及人工神经网络比较合适． 1 BP 神经网络 人工神经网络是一种旨在模仿人脑结构及其功 能的智能信息处理系统，是由大量简单处理单元相 互联结，构成的高度并行的非线性系统，具有大规模 并行处理能力． 通过自学习、自组织和自适应等方 式高度精确地模拟一些物理规律尚且未知的系统中 各因素之间的关系，从而在缺乏物理规律的条件下 给出比较准确的预测值． 在预测领域已成功地解决 了许多复杂的实际问题，呈现出良好的智能特性． 本模型采用人工神经网络中的 BP 型神经网 络． BP 算法的基本原理为: 学习过程由信号的正向 传播与误差的反向传播两个过程组成． 正向传播 时，输入样本从输入层输入，经各隐层逐层处理后， 传向输出层． 如果输出层的实际输出与期望的输出 不符，则转向误差的反向传播阶段． 误差反传是将 输出误差以某种形式通过隐层逐层向输入层反传， 并将误差分摊到各隐层所有单元，从而获得各层单 元的误差信号，此误差信号即作为修正整个单元权 值的依据． 这种信号正向传播与误差反向传播取得 各层权值的调整过程，是周而复始的． 权值不断调 整的过程，也就是网络的学习训练过程． 此过程一 直进行到网络输出误差减少到可以接受的程度，或 进行到预先设定的学习次数为止． 在 BP 型神经网络的设计中，由前 m 个时间段 的不同影响因素测量值作为输入样本，训练网络，并 根据训练好的网络来预测后 n 个时间段的瓦斯涌出 量及瓦斯含量值，重复以上方法，便可以实现瓦斯涌 出量或瓦斯含量的动态预测． 网络设计的基本要素包括网络结构、传递函数、 权值与阈值调整和误差分析． 1. 1 网络结构 单隐层的 BP 算法神经网络具有无限逼近非线 性连续函数关系的性质． 为提高精度，选择一个隐 层的 BP 型神经网络． 常用的 BP 算法是梯度下降 法［7］． 但是，这种基于梯度下降法的线性收敛速度 较慢，所以本文采用收敛速度、精确度高于梯度下降 法的 Levenberg-Marquardt 优化算法，对网络的训练 进行了简化和加速，更有利于实现瓦斯含量的动态 实时预测． BP 网络结构如图 1 所示． 图 1 BP 神经网络结构简图 Fig． 1 Structure of a BP neural network 考虑到采掘工作面瓦斯涌出的规律以及工作面 作业程序的循环时间确定输入层和隐层的节点数如 下: 设输入层节点数 n 为 8，输出层节点数 l 为 8，隐 层节点数 m 为 19． 1. 2 传递函数 瓦斯含量的影响因素多且比较复杂，预测函数 并不完全是简单的线性关系，所以采取非线性变换 的双极性 Sigmoid 连续函数作为输入层传递函数， 同样隐层传递函数也采用 Sigmoid 连续函数作为传 递函数［6］． 表达式为 f1 ( x) = 1 － e － x 1 + e － x， f2 ( x) = { x． ( 1) 因为 Sigmoid 函数的输入数据绝对值较大时传 ·261·

·262· 北京科技大学学报 第34卷 递函数的误差会偏大，为了提高神经网络的训练效 结合以上各式可以实现权值和阈值的调整与误 率，利用对输入样本数据归一化处理，其中X为样 差的检测和分析，经过不断的训练，网络各参数趋近 本向量，x为样本点，归一化函数为 于稳定值，误差达到训练要求.根据训练好的网络， g(x)-2×x-minK (2) 可以实现对未知瓦斯含量的预测 max-min-1. 1.3网络误差与权值、阈值的调整 2瓦斯含量随时间的变化预测模型 单隐层神经网络中，设输入向量为X=(x1,x2, 在本模型中不考虑其他因素的影响，仅从瓦斯 …,x)「，x。=-1为隐层神经元阈值，隐层输出向量 含量动态变化中揭示其内部规律，根据所得到的规 为Y=(y12,…,ym)「，y%=-1为输出层神经元阈 律对未来一定时间内瓦斯含量的变化情况做出 值，输出层向量为0=（01,02，…，0，)T,期望输出向 预测 量为D=(d,d2,…,d,),输出层到隐层之间的权 2.1瓦斯含量预测模型的建立与求解 值矩阵为V=()。xm,";为输入层第i个神经元对 首先根据预测任务的需要确定神经元的结构， 隐层第j个神经元的权值，隐层与输入层间的权矩 即网络层数及节点数网.预测任务为根据以往的瓦 阵为W=(w)mx,心为隐层第j个神经元对输出层 斯含量连续值（取每日正点的数值），预测下一个8h 第k个神经元的权值 的瓦斯含量值，因此神经元的结构为：神经元个数分 对于隐层，有 别为(8,19,8)的三层BP型神经网络，设传递函数 j=1,2,m. 为双极性的sigmoid函数.然后，依次顺序取同一 y=f(net）,net= =0 工作面每日整点的瓦斯含量九个数据，取一个生产 对于输出层，有 班的数据作为输入向量，取同一工作面第二个生产 班整点的瓦斯含量九个数据作为期望瓦斯含量输出 o=f2 (net)nets 0yk=1,2,…,l. 值.输入向量后，用动量梯度下降反向传播算法对 当网络输出与期望输出不相等时，会出现网络 网络进行训练，得出稳定的权值和阈值.最后用所 误差，网络输出误差为 得到的稳定网络对样品进行预测. E=1(D-0)2=1∑ (d-0)2 (3) 2.2瓦斯涌出的动态预测模型的测试表 n n 利用2010年11月份唐山矿2781综采工作面 要使误差不断减小，只需权值的调整量与误差 1~9号夜班整点时刻工作面瓦斯含量监测值为样 的梯度成正比，即 本进行预测研究.把1~8号8d夜班整点时刻工作 aE △0=-7 面瓦斯含量作为输入向量1，把9号夜班整点时刻 owk j=0,1,…,m,k=1,2,…,: 的瓦斯含量作为期望输出数据，用动量梯度下降反 ,i=0,1,,j=1,2,…,m △ug=-ma写 向传播算法对网络进行训练，得出稳定的权值和阈 n∈(0,1). 值，最后用所得到的稳定网络对样品进行预测@. (4) 输入向量1和预测结果见表1. 表1输入向量和预测结果 Table 1 Input vector and prediction results 输入向量 期望数据 输出数据 预测数据 时刻 1号 2号 3号 4号 5号 6号 7号 8号 (9号) (9号) (10号) 0:00 0.00 0.24 0.24 0.24 0.24 0.29 0.29 0.29 0.24 0.34 0.24 1:00 0.24 0.24 0.24 0.29 0.29 0.39 0.29 0.44 0.34 0.39 0.29 2:00 0.24 0.24 0.24 0.44 0.29 0.44 0.29 0.44 0.34 0.49 0.44 3:00 0.24 0.24 0.24 0.34 0.39 0.49 0.34 0.59 0.68 0.44 0.39 4:00 0.24 0.34 0.14 0.29 0.29 0.39 0.39 0.29 0.54 0.44 0.34 5:00 0.14 0.29 0.14 0.29 0.39 0.34 0.44 0.39 0.49 0.44 0.37 6:00 0.24 0.29 0.19 0.29 0.29 0.34 0.49 0.63 0.44 0.39 0.29 7:00 0.19 0.24 0.24 0.24 0.24 0.29 0.39 0.39 0.34 0.39 0.24 8:00 0.240.240.24 0.240.240.24 0.29 0.29 0.29 0.29 0.24 注：平均误差为0.09%

北 京 科 技 大 学 学 报 第 34 卷 递函数的误差会偏大，为了提高神经网络的训练效 率，利用对输入样本数据归一化处理，其中 X 为样 本向量，x 为样本点，归一化函数为 g( x) = 2 × x － minX maxX － minX － 1． ( 2) 1. 3 网络误差与权值、阈值的调整 单隐层神经网络中，设输入向量为 X = ( x1，x2， …，xn ) T ，x0 = － 1 为隐层神经元阈值，隐层输出向量 为 Y = ( y1，y2，…，ym ) T ，y0 = － 1 为输出层神经元阈 值，输出层向量为 O = ( o1，o2，…，ol ) T ，期望输出向 量为 D = ( d1，d2，…，dl ) T ，输出层到隐层之间的权 值矩阵为 V = ( vij) n × m，vij为输入层第 i 个神经元对 隐层第 j 个神经元的权值，隐层与输入层间的权矩 阵为 W = ( wjk ) m × l，wjk为隐层第 j 个神经元对输出层 第 k 个神经元的权值． 对于隐层，有 yj = f1 ( netj ) ，netj = ∑ n i = 0 vij xi，j = 1，2，…，m． 对于输出层，有 ok = f2 ( netk ) ，netk = ∑ m j = 0 wjk yj ，k = 1，2，…，l． 当网络输出与期望输出不相等时，会出现网络 误差，网络输出误差为 E = 1 n ( D － O) 2 = 1 n ∑ n k = 1 ( dk － ok ) 2 ． ( 3) 要使误差不断减小，只需权值的调整量与误差 的梯度成正比，即 Δwjk = － η E wjk ，j = 0，1，…，m，k = 1，2，…，l; Δvij = － η E vij ，i = 0，1，…，n，j = 1，2，…，m; η∈( 0，1)        ． ( 4) 结合以上各式可以实现权值和阈值的调整与误 差的检测和分析，经过不断的训练，网络各参数趋近 于稳定值，误差达到训练要求． 根据训练好的网络， 可以实现对未知瓦斯含量的预测． 2 瓦斯含量随时间的变化预测模型 在本模型中不考虑其他因素的影响，仅从瓦斯 含量动态变化中揭示其内部规律，根据所得到的规 律对未来一定时间内瓦斯含量的变化情况做出 预测． 2. 1 瓦斯含量预测模型的建立与求解 首先根据预测任务的需要确定神经元的结构， 即网络层数及节点数［8］． 预测任务为根据以往的瓦 斯含量连续值( 取每日正点的数值) ，预测下一个8 h 的瓦斯含量值，因此神经元的结构为: 神经元个数分 别为( 8，19，8) 的三层 BP 型神经网络，设传递函数 为双极性的 sigmoid 函数［9］． 然后，依次顺序取同一 工作面每日整点的瓦斯含量九个数据，取一个生产 班的数据作为输入向量，取同一工作面第二个生产 班整点的瓦斯含量九个数据作为期望瓦斯含量输出 值． 输入向量后，用动量梯度下降反向传播算法对 网络进行训练，得出稳定的权值和阈值． 最后用所 得到的稳定网络对样品进行预测． 2. 2 瓦斯涌出的动态预测模型的测试表 利用 2010 年 11 月份唐山矿 2781 综采工作面 1 ～ 9 号夜班整点时刻工作面瓦斯含量监测值为样 本进行预测研究． 把 1 ～ 8 号 8 d 夜班整点时刻工作 面瓦斯含量作为输入向量 1，把 9 号夜班整点时刻 的瓦斯含量作为期望输出数据，用动量梯度下降反 向传播算法对网络进行训练，得出稳定的权值和阈 值，最后用所得到的稳定网络对样品进行预测［10］． 输入向量 1 和预测结果见表 1． 表 1 输入向量和预测结果 Table 1 Input vector and prediction results % 时刻 输入向量 1 号 2 号 3 号 4 号 5 号 6 号 7 号 8 号 期望数据 ( 9 号) 输出数据 ( 9 号) 预测数据 ( 10 号) 0: 00 0. 00 0. 24 0. 24 0. 24 0. 24 0. 29 0. 29 0. 29 0. 24 0. 34 0. 24 1: 00 0. 24 0. 24 0. 24 0. 29 0. 29 0. 39 0. 29 0. 44 0. 34 0. 39 0. 29 2: 00 0. 24 0. 24 0. 24 0. 44 0. 29 0. 44 0. 29 0. 44 0. 34 0. 49 0. 44 3: 00 0. 24 0. 24 0. 24 0. 34 0. 39 0. 49 0. 34 0. 59 0. 68 0. 44 0. 39 4: 00 0. 24 0. 34 0. 14 0. 29 0. 29 0. 39 0. 39 0. 29 0. 54 0. 44 0. 34 5: 00 0. 14 0. 29 0. 14 0. 29 0. 39 0. 34 0. 44 0. 39 0. 49 0. 44 0. 37 6: 00 0. 24 0. 29 0. 19 0. 29 0. 29 0. 34 0. 49 0. 63 0. 44 0. 39 0. 29 7: 00 0. 19 0. 24 0. 24 0. 24 0. 24 0. 29 0. 39 0. 39 0. 34 0. 39 0. 24 8: 00 0. 24 0. 24 0. 24 0. 24 0. 24 0. 24 0. 29 0. 29 0. 29 0. 29 0. 24 注: 平均误差为 0. 09% ． ·262·

第3期 梁晓珍等：唐山矿瓦斯涌出量动态预测模型 ·263· 本预测系统的用户层用.net架构的C#语言来 煤炭工业出版社，2008) 开发，底层用MATLAB2008a的神经元网络工具箱 [5]Ma Y G.Ly P.The gray dynamic forecasting model research ap- plies in the top comer gas consistence.Coal Mine Modernization 开发的COM组件，获取数据的方法可以从EXCEL 2006(1):30 中导入或者动态从数据库中读取四 (马云歌，吕品.上隅角瓦斯浓度灰色动态预测模型的研究及 3结论 应用.煤矿现代化，2006(1)：30) [6] Ding Y.Manual of Dynamic Forecast Technology to Gas Explo- 采用人工神经网络，在唐山矿建立了开采工作 sion Hazard.Beijing:China Sci-Tech and Culture Press,2005 面瓦斯涌出动态预测模型.该模型具有自动学习、 (丁佳宜.瓦斯爆炸危险源动态预测技术实用手册.北京：中 国科技文化出版社，2005) 提高预测精度和对瓦斯涌出量动态预测的功能.通 Zhang R L,Liu X,Zheng L J.The grey dynamic model for pre- 过训练，预测误差不超过0.09%，网络趋于稳定.数 dicting gas gushing.China Min Mag,2006,15(1):110 据的导入是任意选取的利用瓦斯监测系统记录的综 (张瑞林，刘晓，郑立军.基于灰色动态建模的瓦斯涌出量预 采工作面一定时段的瓦斯含量值.网络的动量梯度 测方法研究，中国矿业，2006,15(12)：110) 下降反向传播算法步数不超过1000步，预测精度 7 Wang L B,Shen J S,Yao D X,et al.Research on prediction of gas content based on gray correlation analysis and neural network. 达到了生产要求，这对于防范瓦斯事故、实现安全生 J Anhui Unir Sci Technol Nat Sci,2010,30(4):1 产具有十分重要的意义. (王来斌，沈金山，姚多喜，等.基于灰色关联与神经网络的 瓦斯含量预测研究.安徽理工大学学报：自然科学版，2010， 参考文献 30(4):1) [1]Zhang Z M,Zhang Y G.Geological Rules and Forecast of Gas. [9]Li N Y,Guo D Y,Fan M C.Ash related analysis method applied Beijing:Coal Industry Press,2005 to analysis of coal and gas outburst controlled factors.Coal Sci (张子敏，张玉贵.瓦斯地质规律与瓦斯预测.北京：煤炭工 Technol,2004,32(2):69 业出版社，2005) (李念友，郭德勇，范满长.灰关联分析方法在煤与瓦斯突出 Cai CC.Wang YA.Qualitative analysis of coal and gas outburst. 控制因素分析中的应用.煤炭科学技术，2004,32(2)：69) J China Saf Sci,2004,14(6):109 [10]Guo C Y,Xian X F,Yao WJ,et al.Relationship between the (蔡成功，王佑安.煤与瓦斯突出一般规律定性定量分析研 fracture zone and cave of coal or gas outburst caving in coal and 究.中国安全科学学报，2004,14(6)：109) rock seams.J China Univ Min Technol,2010.39(6):802 B]Li X C,Nie B S,He X Q.Mechanism of coal and gas bursts (郭臣业，鲜学福，姚伟静，等.煤岩层断裂破坏区与煤和瓦 caused by vibration./Univ Sci Technol Beijing,2011,33(2):149 斯突出孔洞关系研究.中国矿业大学学报，2010,39(6)： (李祥春，聂百胜，何学秋.振动诱发煤与瓦斯突出的机理.北 802) 京科技大学学报，2011,33(2)：149) [11]Li N Y,Guo D Y,Wang X Y.Study on fuzzy ISODATA cluster 4]Ma WX.Jin Y B.Study on Comprehensive Treatment Technology method for prediction of coal and gas outburst.Min Saf Environ to Gas in Yangquan Coal Bureaus.Beijing:Coal Industry Press, Pot,2003,30(3):20 2008 (李念友，郭德勇，王新义.煤与瓦斯突出预测的模糊SODA- (马维绪，金元斌.阳泉矿区瓦斯综合治理技术的研究.北京： TA聚类方法研究.矿业安全与环保，2003,30(3)：20)

第 3 期 梁晓珍等: 唐山矿瓦斯涌出量动态预测模型 本预测系统的用户层用． net 架构的 C#语言来 开发，底层用 MATLAB 2008a 的神经元网络工具箱 开发的 COM 组件，获取数据的方法可以从 EXCEL 中导入或者动态从数据库中读取［11］． 3 结论 采用人工神经网络，在唐山矿建立了开采工作 面瓦斯涌出动态预测模型． 该模型具有自动学习、 提高预测精度和对瓦斯涌出量动态预测的功能． 通 过训练，预测误差不超过 0. 09% ，网络趋于稳定． 数 据的导入是任意选取的利用瓦斯监测系统记录的综 采工作面一定时段的瓦斯含量值． 网络的动量梯度 下降反向传播算法步数不超过 1 000 步，预测精度 达到了生产要求，这对于防范瓦斯事故、实现安全生 产具有十分重要的意义． 参 考 文 献 ［1］ Zhang Z M，Zhang Y G． Geological Rules and Forecast of Gas． Beijing: Coal Industry Press，2005 ( 张子敏，张玉贵． 瓦斯地质规律与瓦斯预测． 北京: 煤炭工 业出版社，2005) ［2］ Cai C G，Wang Y A． Qualitative analysis of coal and gas outburst． J China Saf Sci，2004，14( 6) : 109 ( 蔡成功，王佑安． 煤与瓦斯突出一般规律定性定量分析研 究． 中国安全科学学报，2004，14( 6) : 109) ［3］ Li X C，Nie B S，He X Q． Mechanism of coal and gas bursts caused by vibration． J Univ Sci Technol Beijing，2011，33( 2) : 149 ( 李祥春，聂百胜，何学秋． 振动诱发煤与瓦斯突出的机理． 北 京科技大学学报，2011，33 ( 2) : 149) ［4］ Ma W X，Jin Y B． Study on Comprehensive Treatment Technology to Gas in Yangquan Coal Bureaus． Beijing: Coal Industry Press， 2008 ( 马维绪，金元斌． 阳泉矿区瓦斯综合治理技术的研究． 北京: 煤炭工业出版社，2008) ［5］ Ma Y G，Lv P． The gray dynamic forecasting model research ap￾plies in the top corner gas consistence． Coal Mine Modernization， 2006( 1) : 30 ( 马云歌，吕品． 上隅角瓦斯浓度灰色动态预测模型的研究及 应用． 煤矿现代化，2006( 1) : 30) ［6］ Ding J Y． Manual of Dynamic Forecast Technology to Gas Explo￾sion Hazard． Beijing: China Sci-Tech and Culture Press，2005 ( 丁佳宜． 瓦斯爆炸危险源动态预测技术实用手册． 北京: 中 国科技文化出版社，2005) ［7］ Zhang R L，Liu X，Zheng L J． The grey dynamic model for pre￾dicting gas gushing． China Min Mag，2006，15( 12) : 110 ( 张瑞林，刘晓，郑立军． 基于灰色动态建模的瓦斯涌出量预 测方法研究，中国矿业，2006，15( 12) : 110) ［8］ Wang L B，Shen J S，Yao D X，et al． Research on prediction of gas content based on gray correlation analysis and neural network． J Anhui Univ Sci Technol Nat Sci，2010，30( 4) : 1 ( 王来斌，沈金山，姚多喜，等． 基于灰色关联与神经网络的 瓦斯含量预测研究． 安徽理工大学学报: 自然科学版，2010， 30( 4) : 1) ［9］ Li N Y，Guo D Y，Fan M C． Ash related analysis method applied to analysis of coal and gas outburst controlled factors． Coal Sci Technol，2004，32( 2) : 69 ( 李念友，郭德勇，范满长． 灰关联分析方法在煤与瓦斯突出 控制因素分析中的应用． 煤炭科学技术，2004，32( 2) : 69) ［10］ Guo C Y，Xian X F，Yao W J，et al． Relationship between the fracture zone and cave of coal or gas outburst caving in coal and rock seams． J China Univ Min Technol，2010，39( 6) : 802 ( 郭臣业，鲜学福，姚伟静，等． 煤岩层断裂破坏区与煤和瓦 斯突出孔洞关系研究． 中国矿业大学学报，2010，39 ( 6) : 802) ［11］ Li N Y，Guo D Y，Wang X Y． Study on fuzzy ISODATA cluster method for prediction of coal and gas outburst． Min Saf Environ Prot，2003，30( 3) : 20 ( 李念友，郭德勇，王新义． 煤与瓦斯突出预测的模糊 ISODA￾TA 聚类方法研究． 矿业安全与环保，2003，30( 3) : 20) ·263·