D0I:10.13374/1.issnl00103.2007.04.002 第29卷第4期 北京科技大学学报 Vol.29 No.4 2007年4月 Journal of University of Science and Technology Beijing Apr.2007 煤与瓦斯突出预测灰色理论神经网络方法 郭德勇)李念友12)裴大文3) 郑登锋) 1)中国矿业大学（北京）资源与安全工程学院，北京1000832)四川为天矿山安全科技评估咨询公司，成都610083 3)平顶山煤业集团公司，平顶山467000 摘要将灰色理论一神经网络方法应用于煤与瓦斯突出预测中，利用灰色系统理论的灰色关联法确定了控制矿井煤与瓦斯 突出的主控因素，并对煤与瓦斯突出主控因素进行筛选·建立了煤与瓦斯突出危险性预测人工神经网络的数学模型和系统结 构·在平顶山八矿突出区进行了煤与瓦斯突出危险性预测应用，预测效果表明：利用灰色系统理论一神经网络方法对预测矿井 煤与瓦斯突出是可行的 关键词煤与瓦斯突出：突出预测：灰色关联；人工神经网络 分类号TD713+.2 煤与瓦斯突出是煤矿最严重的地质灾害之一， 层倾角增大有增多的趋势，强烈破坏的松软煤层， 煤与瓦斯突出是地应力、煤层瓦斯、煤体结构物理性 由于强度低，极易发生煤与瓦斯突出，平煤集团八 质共同作用的结果，瓦斯地质研究]表明：瓦斯 矿的突出基本上发生在软分层，较大型的突出都发 分布和瓦斯突出分布是分区分带的，突出分布的不 生在软分层厚度变化区， 均匀性受地质条件控制.最新瓦斯地质研究3]将构 (3)地应力因素，地应力由岩层自重应力和构 造物理学理论用于瓦斯地质研究，提出瓦斯突出构 造应力组成，构造应力是构造带发生瓦斯突出能量 造物理环境的概念，指出不同的地质构造及地质构 的重要组成部分，构造应力在突出中起重要作用， 造的不同部位具有不同的突出危险性，对瓦斯突出 在平顶山八矿的现代应力测试表明，矿井现代地应 预测指标研究3)]表明，煤与瓦斯突出预测指标具 力受构造应力场控制，水平应力是最大应力，主应力 有不确定性，对煤与瓦斯突出的准确预测仍然是世 方向与构造应力方向一致. 界性难题，同时是瓦斯防治工作必须解决的实际问 (4)瓦斯因素，煤与瓦斯突出前总是伴随着一 题 些特征，这些特征是预测煤与瓦斯突出的依据之一· 1控制煤与瓦斯突出的主要因素 突出特征主要有巷道顶板来压、掉渣、片帮、响煤炮、 闷雷声、瓦斯压力增大、喷孔、顶钴、卡钴等，发生突 (1)地质构造因素，地质构造是控制瓦斯突出 出前并非所有特征同时出现，往往出现其中一种或 发生的主导地质因素，地质构造类型、规模、性质、疏 某几种预兆 密程度、排列组合以及构造部位等的差异，对瓦斯突 出均有不同程度的影响，地质构造带状分布的特 2煤与瓦斯突出控制因素灰色系统理 征，控制瓦斯突出危险区呈带状分布，如平顶山八矿 论研究 大多数突出发生在地质构造带 灰色系统理论是在经典控制理论、现代控制理 (②)煤层因素、煤层因素包括煤层厚度、煤层 论（包括大系统理论）、模糊控制理论（即白色控制理 倾角、软分层厚度和煤层埋藏深度，煤层越厚特别是 论)的基础上，针对要求高而又难于用传统方法建模 软分层越厚突出越频繁，突出次数和突出强度也同 的系统发展起来的新方法9]. 时增多。平顶山八矿较大型突出发生在煤层厚度变 2.1灰色关联模型 化煤层，尤其是软分层变化煤层。受煤自重影响，倾 设煤的突出强度为母因素，各影响因素为子因 角越大的煤层越容易发生突出，突出的次数随着煤 素，母因素观察值为： 收稿日期：2006-11-07修回日期：2006-12-09 1x0(0)}t=1,2,3,…,m. 基金项目：国家自然科学基金资助项目(N。,40472084):教育部新 子因素观察值为： 世纪优秀人才基金资助项目(No,NECT05O214) {x9(i)}i=1,2,3,…,n;t=1,2,3,…,m 作者简介：郭德勇(1966一)，男.教授，博士生导师
煤与瓦斯突出预测灰色理论－神经网络方法 郭德勇1） 李念友12） 裴大文13） 郑登锋1） 1） 中国矿业大学（北京）资源与安全工程学院北京100083 2） 四川为天矿山安全科技评估咨询公司成都610083 3） 平顶山煤业集团公司平顶山467000 摘 要 将灰色理论－神经网络方法应用于煤与瓦斯突出预测中利用灰色系统理论的灰色关联法确定了控制矿井煤与瓦斯 突出的主控因素并对煤与瓦斯突出主控因素进行筛选．建立了煤与瓦斯突出危险性预测人工神经网络的数学模型和系统结 构．在平顶山八矿突出区进行了煤与瓦斯突出危险性预测应用预测效果表明：利用灰色系统理论－神经网络方法对预测矿井 煤与瓦斯突出是可行的． 关键词 煤与瓦斯突出；突出预测；灰色关联；人工神经网络 分类号 TD713＋∙2 收稿日期：20061107 修回日期：20061209 基金项目：国家自然科学基金资助项目（No．40472084）；教育部新 世纪优秀人才基金资助项目（No．NECT－05－0214） 作者简介：郭德勇（1966－）男教授博士生导师 煤与瓦斯突出是煤矿最严重的地质灾害之一 煤与瓦斯突出是地应力、煤层瓦斯、煤体结构物理性 质共同作用的结果．瓦斯地质研究［1－2］ 表明：瓦斯 分布和瓦斯突出分布是分区分带的突出分布的不 均匀性受地质条件控制．最新瓦斯地质研究［3］将构 造物理学理论用于瓦斯地质研究提出瓦斯突出构 造物理环境的概念指出不同的地质构造及地质构 造的不同部位具有不同的突出危险性．对瓦斯突出 预测指标研究［3－8］表明煤与瓦斯突出预测指标具 有不确定性．对煤与瓦斯突出的准确预测仍然是世 界性难题同时是瓦斯防治工作必须解决的实际问 题． 1 控制煤与瓦斯突出的主要因素 （1） 地质构造因素．地质构造是控制瓦斯突出 发生的主导地质因素地质构造类型、规模、性质、疏 密程度、排列组合以及构造部位等的差异对瓦斯突 出均有不同程度的影响．地质构造带状分布的特 征控制瓦斯突出危险区呈带状分布如平顶山八矿 大多数突出发生在地质构造带． （2） 煤层因素．煤层因素包括煤层厚度、煤层 倾角、软分层厚度和煤层埋藏深度煤层越厚特别是 软分层越厚突出越频繁突出次数和突出强度也同 时增多．平顶山八矿较大型突出发生在煤层厚度变 化煤层尤其是软分层变化煤层．受煤自重影响倾 角越大的煤层越容易发生突出突出的次数随着煤 层倾角增大有增多的趋势．强烈破坏的松软煤层 由于强度低极易发生煤与瓦斯突出．平煤集团八 矿的突出基本上发生在软分层较大型的突出都发 生在软分层厚度变化区． （3） 地应力因素．地应力由岩层自重应力和构 造应力组成构造应力是构造带发生瓦斯突出能量 的重要组成部分构造应力在突出中起重要作用． 在平顶山八矿的现代应力测试表明矿井现代地应 力受构造应力场控制水平应力是最大应力主应力 方向与构造应力方向一致． （4） 瓦斯因素．煤与瓦斯突出前总是伴随着一 些特征这些特征是预测煤与瓦斯突出的依据之一． 突出特征主要有巷道顶板来压、掉渣、片帮、响煤炮、 闷雷声、瓦斯压力增大、喷孔、顶钻、卡钻等．发生突 出前并非所有特征同时出现往往出现其中一种或 某几种预兆． 2 煤与瓦斯突出控制因素灰色系统理 论研究 灰色系统理论是在经典控制理论、现代控制理 论（包括大系统理论）、模糊控制理论（即白色控制理 论）的基础上针对要求高而又难于用传统方法建模 的系统发展起来的新方法［9］． 2∙1 灰色关联模型 设煤的突出强度为母因素各影响因素为子因 素．母因素观察值为： ｛x （0） t （0）｝ t＝123…m． 子因素观察值为： ｛x （0） t （ i）｝ i＝123…n；t＝123…m． 第29卷 第4期 2007年 4月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．29No．4 Apr．2007 DOI:10．13374／j．issn1001－053x．2007．04．002
第4期 郭德勇等：煤与瓦斯突出预测灰色理论一神经网络方法 .355. 由母因素序列与子因素序列构成的原始数据矩 个突出控制因素，对平顶山八矿的瓦斯突出进行分 阵为： 析计算，结果表明控制煤与瓦斯突出的前三位主控 xf(0)x() …x(n) 因素是地质构造、煤体结构指标中的瓦斯放散初速 x(0= x9(0)x(1) x9(n) 度△P、软分层厚度变化.其顺序为：地质构造、瓦斯 放散初速度△P、软分层厚度变化、煤的坚固性系数 x(0) x9(1) …x(n) ∫、开采深度、喷孔顶钻夹钻、瓦斯变化、响煤炮、片 其中=0,1,2,3，，n是母因素(i=0)及子因 帮掉渣、瓦斯涌出初速度qm、软分层厚度、煤层厚 素的标号；t=1,2,3,…,m为观测点号，上角标 度、煤厚变化、煤层倾角、煤层倾角变化，可见运用 灰色关联分析法优选的方案结果是可靠的 (0)表示该矩阵为原始数据未经任何变换，因此 x(i)是对第i个因素进行第t次观测得到的观 3煤与瓦斯突出预测神经网络研究 测值， 人工神经网络是由大量类似于神经元的处理单 对原始矩阵进行均值化变换： (0=89 元相互连接而成的非线性复杂网络系统，试图通过 x0)(i) (1) 模拟大脑神经网络处理、记忆信息的方式完成人脑 的信息处理功能，它是以神经网络系统模拟生物神 以消除各因素观测值在量纲上的差异对计算结果产 生影响，然后计算同一观测点各自因素与母因素之 经网络的智能计算系统10-山 3.1煤与瓦斯突出神经网络预测系统的设计 间的绝对差值及其极值，如下： (1)训练样本的选取，训练样本是矿井历年来 △：(t)=x少(i)-x(0)l (2) 煤与瓦斯突出记载资料中选取有代表性的突出点， Amax=maximaxx((i)-x(0) (3) 输入参数是根据灰关联分析得出的突出预测指标的 Anin=miniminl x((i)() (4) 关联度排前10位的参数，即开采深度(m)、地质构 式中=1,2,3，…，n;t=1,2,3,…,m. 造、软分层变化、煤的坚固性系数∫、瓦斯放散初速 至此按下列公式计算出各子因素与母因素之间 度△P、钻孔瓦斯涌出初速度gm(Lmin)、响煤 的关联度为： 炮、片帮掉渣、喷孔顶钴夹钴、瓦斯变化，预测与训练 w会 样本见表1. (5) (2)数值化学习样本，学习样本都是概念描 式中k为分辨系数，在01之间，一般取0.5.将关 述，需要转化成数值表示方式，神经网络才能识别和 联度由大到小的顺序排列构成关联序，反映出各子 处理.在神经网络读取样本以前，先行对输入输出 因素对母因素的影响力依次减弱，从而筛选出主要 向量作处理，训练样本参数中，对一些定性指标进 指标，去掉不明显的指标， 行量化处理，输出三个节点用来代表三种输出模式， 2.2灰色关联的煤与瓦斯突出主控因素确定 即(100)代表无突出危险性、(010)代表有小型突出 ()定量和定性指标的确定.以突出强度大小 强度、(001)代表有大型的突出强度；输入层的定性 值为母因素，定量指标（变量）包括开采深度、煤层厚 指标：地质构造、软分层变化、响煤炮、片帮掉渣、喷 度、软分层厚度、煤层倾角、煤的坚固性系数、瓦斯放 孔顶钴夹钴、瓦斯变化用二态变量来表示，0代表该 散初速度、钻孔瓦斯涌出初速度；定性指标（变量）包 变量不存在，1代表该变量存在， 括地质构造、煤层厚度变化、软分层厚度变化、煤层 (③)网络结构的确定，根据灰色关联分析，确 倾角变化、突出预兆中的响煤炮、片帮掉渣、喷孔夹 定神经网络的输入层m为10，即关联度排前10位 钻、瓦斯变化，其中定量指标值以其瓦斯突出前的 的突出预测指标值，根据平顶山八矿突出实际情况 测试值为标准，定性指标值依据数量化理论转化为 确定输出层n为3，分别代表了突出预测的三个结 二态变量，即用0.5”和“1”来表示某个定性指标的 果，即无突出危险性、小型突出、大型突出，根据隐含 “不存在”和“存在”. 公式确定隐含层数为6，其结构如图1所示. (2)灰色关联计算及结果分析，根据确定的15 (4)收敛因子1、学习参数α的选择.收敛因子
由母因素序列与子因素序列构成的原始数据矩 阵为： x （0）＝ x （0） 1 （0） x （0） 1 （1） … x （0） 1 （ n） x （0） 2 （0） x （0） 2 （1） … x （0） 2 （ n） ⋱ x （0） m x （0） m （1） … x （0） m （ n） ． 其中 i＝0123…n 是母因素（ i＝0）及子因 素的标号；t＝123…m 为观测点号上角标 （0）表示该矩阵为原始数据未经任何变换．因此 x （0） t （ i）是对第 i 个因素进行第 t 次观测得到的观 测值． 对原始矩阵进行均值化变换： x （1） t （ i）＝ x （0） t （ i） x （0） t （ i） （1） 以消除各因素观测值在量纲上的差异对计算结果产 生影响然后计算同一观测点各自因素与母因素之 间的绝对差值及其极值如下： Δi（ t）＝｜x （1） t （ i）－ x （1） t （0）｜ （2） Δmax＝max t ｛max i ｜x （1） t （ i）－ x （1） t （0）｜｝ （3） Δmin＝min t ｛min i ｜x （1） t （ i）－ x （1） t （0）｜｝ （4） 式中 i＝123…n；t＝123…m． 至此按下列公式计算出各子因素与母因素之间 的关联度为： ri0＝ 1 m ∑ m t＝1 Δmin＋kΔmax Δi（ t）＋kΔmax （5） 式中 k 为分辨系数在0～1之间一般取0∙5．将关 联度由大到小的顺序排列构成关联序反映出各子 因素对母因素的影响力依次减弱从而筛选出主要 指标去掉不明显的指标． 2∙2 灰色关联的煤与瓦斯突出主控因素确定 （1） 定量和定性指标的确定．以突出强度大小 值为母因素定量指标（变量）包括开采深度、煤层厚 度、软分层厚度、煤层倾角、煤的坚固性系数、瓦斯放 散初速度、钻孔瓦斯涌出初速度；定性指标（变量）包 括地质构造、煤层厚度变化、软分层厚度变化、煤层 倾角变化、突出预兆中的响煤炮、片帮掉渣、喷孔夹 钻、瓦斯变化．其中定量指标值以其瓦斯突出前的 测试值为标准定性指标值依据数量化理论转化为 二态变量即用“0∙5”和“1”来表示某个定性指标的 “不存在”和“存在”． （2） 灰色关联计算及结果分析．根据确定的15 个突出控制因素对平顶山八矿的瓦斯突出进行分 析计算结果表明控制煤与瓦斯突出的前三位主控 因素是地质构造、煤体结构指标中的瓦斯放散初速 度ΔP、软分层厚度变化．其顺序为：地质构造、瓦斯 放散初速度ΔP、软分层厚度变化、煤的坚固性系数 f、开采深度、喷孔顶钻夹钻、瓦斯变化、响煤炮、片 帮掉渣、瓦斯涌出初速度 qm、软分层厚度、煤层厚 度、煤厚变化、煤层倾角、煤层倾角变化．可见运用 灰色关联分析法优选的方案结果是可靠的． 3 煤与瓦斯突出预测神经网络研究 人工神经网络是由大量类似于神经元的处理单 元相互连接而成的非线性复杂网络系统试图通过 模拟大脑神经网络处理、记忆信息的方式完成人脑 的信息处理功能它是以神经网络系统模拟生物神 经网络的智能计算系统［10－11］． 3∙1 煤与瓦斯突出神经网络预测系统的设计 （1） 训练样本的选取．训练样本是矿井历年来 煤与瓦斯突出记载资料中选取有代表性的突出点 输入参数是根据灰关联分析得出的突出预测指标的 关联度排前10位的参数即开采深度（m）、地质构 造、软分层变化、煤的坚固性系数 f、瓦斯放散初速 度ΔP、钻孔瓦斯涌出初速度 qm （L·min －1）、响煤 炮、片帮掉渣、喷孔顶钻夹钻、瓦斯变化预测与训练 样本见表1． （2） 数值化学习样本．学习样本都是概念描 述需要转化成数值表示方式神经网络才能识别和 处理．在神经网络读取样本以前先行对输入输出 向量作处理．训练样本参数中对一些定性指标进 行量化处理输出三个节点用来代表三种输出模式 即（100）代表无突出危险性、（010）代表有小型突出 强度、（001）代表有大型的突出强度；输入层的定性 指标：地质构造、软分层变化、响煤炮、片帮掉渣、喷 孔顶钻夹钻、瓦斯变化用二态变量来表示0代表该 变量不存在1代表该变量存在． （3） 网络结构的确定．根据灰色关联分析确 定神经网络的输入层 m 为10即关联度排前10位 的突出预测指标值根据平顶山八矿突出实际情况 确定输出层 n 为3分别代表了突出预测的三个结 果即无突出危险性、小型突出、大型突出根据隐含 公式确定隐含层数为6其结构如图1所示． （4） 收敛因子η、学习参数α的选择．收敛因子 第4期 郭德勇等： 煤与瓦斯突出预测灰色理论－神经网络方法 ·355·
.356 北京科技大学学报 第29卷 表】煤与瓦斯突出预测训练样本 Table 1 Coal and gas outburst forecast training samples 煤层地质特征 煤体结构指标 测试参数 钻孔瓦斯动力特征 序号开采 网络 地质 软分层 煤的坚固 瓦斯放散初 瓦斯涌出 片帮 喷孔顶 瓦斯 输出 深度 构造 变化 性系数，∫ 速度，△P 初速度，qm 响煤炮 掉渣 钻夹钻 变化 548 0 1 0.38 9.8 2.1 0 0 0 1 100 2 466 1 0.35 11.3 2.8 1 0 010 566 0 0.38 12.1 3.5 1 010 552 0 0.41 9.52 1.9 0 0 100 566 0.27 14.2 3.2 0 001 810 0 0.36 11.2 2.6 1 010 558 0.31 10.7 3.9 待识别 0 0.35 10.7 2.5 0 0 待识别 522 0 0.09 14.1 2.9 1 0 1 待识别 10 840 0 0.28 12.6 3.5 0 1 1 1 待识别 11 550 0.25 9.5 2.2 0 0 待识别 12 583 0.24 11.6 6.4 0 待识别 出，③计算网络输出层各节点的误差，④反向逐 层计算网络各节点的偏差信号，⑤修正网络连接 输出层 权值和节点阈值.⑥是否满足网络连接权值 随含层 △W:(n)<专的条件？若满足则执行⑦；否则返回 ②.⑦是否满足节点阈值E,<?若满足则停止 运行，并将获得的网络权值和阈值保存下来；否则返 隐含层 回到①. 3.3神经网络预测突出危险性结果分析 将样本作为已知样本进行训练，待网络稳定后 图1神经网络结构图 训练次数为经过近6万多次的迭代计算，误差控制 Fig-1 Neural network structure 在0.001的数量级，随迭代次数的增加，误差将越来 ”表示学习速率或称为步幅，门值越大，权值的修改 越小，经过对实验样本的统计预测，误差率为 量越大，学习速率较快，但可能引起系统误差震荡 0.001%,满足精度要求，用训练好的样本来识别7~ 通常，满足0<<1均可，这里初始值取=0.5. 12号样本，结果如表2所示， 学习参数α（也称惯性量）的加入可以在一定程度上 表2煤与瓦斯突出预测结果 抑制振荡，使曲线平滑，避免系统误差突升突降的情 Table 2 Results of coal and gas outburst forecast 况发生，为保证当前修正量为主要部分，取α小于 样本 网络输出 突出 或等于1，设a=0.5. 编号 Y2 Y3 识别 (5)权值收敛因子专及误差收敛因子E的确 7 0.00333400.05422950.9512761有大型突出危险性 定.一般地权值收敛因子取小于0.001，误差收敛 80.98038000.00876700.0405328 无突出危险 因子E取小于0.005.这里，≤0.0005，E≤ 90.05944110.91229100.0665844有小型突出危险性 0.001. 100.00374460.06561600.9524630有大型突出危险性 3.2煤与瓦斯突出预测神经网络系统的学习过程 110.05093330.95219200.0159661有小型突出危险性 将神经网络用于煤与瓦斯突出预测，其学习过 120.07425230.03296490.9850420有大型突出危险性 程为：①随机给出网络初始权值、阈值，对于BP网 络，当初始权值相等时，网络将无法正常学习.② 根据瓦斯地质资料进行突出预测分析，其中7 逐层正向计算网络隐含层及输出层节点的实际输 号样本由小型突出误预测为有大型突出危险性，其
表1 煤与瓦斯突出预测训练样本 Table1 Coal and gas outburst forecast training samples 序号 煤层地质特征 煤体结构指标 测试参数 钻孔瓦斯动力特征 开采 深度 地质 构造 软分层 变化 煤的坚固 性系数f 瓦斯放散初 速度ΔP 瓦斯涌出 初速度qm 响煤炮 片帮 掉渣 喷孔顶 钻夹钻 瓦斯 变化 网络 输出 1 548 0 1 0∙38 9∙8 2∙1 0 0 0 1 100 2 466 1 1 0∙35 11∙3 2∙8 1 0 0 1 010 3 566 1 0 0∙38 12∙1 3∙5 1 0 1 1 010 4 552 1 0 0∙41 9∙52 1∙9 0 1 0 0 100 5 566 1 1 0∙27 14∙2 3∙2 0 1 0 1 001 6 810 0 1 0∙36 11∙2 2∙6 1 0 1 1 010 7 558 0 1 0∙31 10∙7 3∙9 1 1 0 1 待识别 8 439 0 0 0∙35 10∙7 2∙5 0 0 1 0 待识别 9 522 1 0 0∙09 14∙1 2∙9 1 0 1 1 待识别 10 840 0 1 0∙28 12∙6 3∙5 0 1 1 1 待识别 11 550 1 1 0∙25 9∙5 2∙2 0 1 1 0 待识别 12 583 0 1 0∙24 11∙6 6∙4 1 1 0 1 待识别 图1 神经网络结构图 Fig．1 Neural network structure η表示学习速率或称为步幅η值越大权值的修改 量越大学习速率较快但可能引起系统误差震荡． 通常满足0＜η＜1均可这里初始值取 η＝0∙5． 学习参数 α（也称惯性量）的加入可以在一定程度上 抑制振荡使曲线平滑避免系统误差突升突降的情 况发生．为保证当前修正量为主要部分取 α小于 或等于η设 α＝0∙5． （5） 权值收敛因子 ξ及误差收敛因子 E 的确 定．一般地权值收敛因子ξ取小于0∙001误差收敛 因子 E 取小于 0∙005．这 里ξ≤0∙0005E ≤ 0∙001． 3∙2 煤与瓦斯突出预测神经网络系统的学习过程 将神经网络用于煤与瓦斯突出预测其学习过 程为：① 随机给出网络初始权值、阈值对于 BP 网 络当初始权值相等时网络将无法正常学习．② 逐层正向计算网络隐含层及输出层节点的实际输 出．③ 计算网络输出层各节点的误差．④ 反向逐 层计算网络各节点的偏差信号．⑤ 修正网络连接 权值 和 节 点 阈 值．⑥ 是 否 满 足 网 络 连 接 权 值 ΔWji（ n）＜ξ的条件？若满足则执行⑦；否则返回 ②．⑦ 是否满足节点阈值 Ep＜β？若满足则停止 运行并将获得的网络权值和阈值保存下来；否则返 回到①． 3∙3 神经网络预测突出危险性结果分析 将样本作为已知样本进行训练待网络稳定后 训练次数为经过近6万多次的迭代计算误差控制 在0∙001的数量级随迭代次数的增加误差将越来 越小经 过 对 实 验 样 本 的 统 计 预 测误 差 率 为 0∙001％满足精度要求用训练好的样本来识别7～ 12号样本结果如表2所示． 表2 煤与瓦斯突出预测结果 Table2 Results of coal and gas outburst forecast 样本 编号 网络输出 Y1 Y2 Y3 突出 识别 7 0∙0033340 0∙0542295 0∙9512761 有大型突出危险性 8 0∙9803800 0∙0087670 0∙0405328 无突出危险 9 0∙0594411 0∙9122910 0∙0665844 有小型突出危险性 10 0∙0037446 0∙0656160 0∙9524630 有大型突出危险性 11 0∙0509333 0∙9521920 0∙0159661 有小型突出危险性 12 0∙0742523 0∙0329649 0∙9850420 有大型突出危险性 根据瓦斯地质资料进行突出预测分析其中7 号样本由小型突出误预测为有大型突出危险性其 ·356· 北 京 科 技 大 学 学 报 第29卷
第4期 郭德勇等：煤与瓦斯突出预测灰色理论一神经网络方法 .357 余五次预测结果与生产实践相一致，说明所建立的 参考文献 网络模型可靠，经过灰色关联分析，突出特征值的 [1]焦作矿业学院瓦斯地质研究室，瓦斯地质概论·北京：煤炭工 提取比较合理，在神经网络预测中，根据具体情况不 业出版，1990,44 断吸收新样本，使待识别样本神经元的最大值、最小 [2]王宏图，鲜学福，王昌贤.四川盆地典型高瓦斯突出矿井瓦斯赋 值包含在训练样本中，这样可以提高识别的准确性， 存的地质特征.煤炭学报，1999,24(1)：11 [3]郭德勇，韩德馨，王新义·煤与瓦斯突出的构造物理环境及其 4 结论 应用.北京科技大学学报，2002,24(6)：581 [4]孙东玲，董钢峰，梁运培，煤与瓦斯突出预测指标临界值的选 (1)对平顶山八矿煤与瓦斯突出控制因素关联 取对预测准确率的影响，煤炭学报，2001,26(1)：75 度计算结果表明，影响该矿煤与瓦斯突出的关键因 [5]Guo D Y.Han D X.Jiang GJ.Research on geological structure 素是地质构造和反映煤体结构指标的坚固性系数， mark of coal and gas outburst in Pingdingshan mining area.JChi- na Univ Min Technol.2002.11(1):72 其次为软分层厚度的变化， [6]Shepherd J.Rixon L K.Griffiths L.Outbursts and geological (2)煤与瓦斯突出预测参数具有模糊性、随机 structure in coal mines:A review.Int J Rock Mech Min Sci Ge- 性，即呈现灰色特性的因素，应用灰色关联分析法 omech Abstr.1981.18(4):267 能定量地处理煤与瓦斯突出因素设计中的灰色因 [7]Cao Y X.He DD.Cglick D.Coal and gas outburst in footwalls 素.通过灰色关联度分析，能够撇开复杂因素而对 of reverse faults.Int J Coal Geol.2001,46(1):47 [8]伍爱友，肖红飞，王从陆，等.煤与瓦斯突出控制因素加权灰 主要因素进行分析，对提高突出预测的准确性具有 色关联模型的建立与应用.煤炭学报，2005,30(1)：58 一定指导意义， [9]傅立·灰色系统理论及其应用·北京：科学技术文献出版社， (③)选择控制平顶山八矿煤与瓦斯突出的10 1992:35 个主要控制因素，利用神经网络的方法建立了煤与 [10]施鸿宝。神经网络及其应用.西安：西安交通大学出版社， 瓦斯突出预测神经网络系统，对煤与瓦斯突出进行 1987:79 [11]郝吉生，袁崇孚.模糊神经网络技术在煤与瓦斯预测中的应 了预测，预测结果证明运用人工神经网络模型预测 用.煤炭学报，1999,24(6)：77 突出危险性是可行的 Prediction method of coal and gas outburst using the grey theory and neural net- work GUO Deyong),LI Nianyou),PEI Dawen3),ZHENG Dengfeng) 1)Resource and Safety Engineering School,China University of Mining and Technology (Beijing).Beijing 100083,China 2)Sichuan Weitian Mine Safety Science and Technology Evaluate and Consultation Co Chengdu 610083,China 3)Pingdingshan Coal (group)Co.Ltd..Pingdingshan 467000.China ABSTRACI The grey theory and neural network method were applied to coal and gas outburst forecast.Main controlling factors of coal and gas outburst were filtered by the grey correlation method of the grey system theo- ry.The mathematical model and systematic structure of artificial neural network were founded to forecast the risk of coal and gas outburst.The effectiveness of the risk forecast in the outburst zone of Pingdingshan No.8 Coal Mine was demonstrated the grey theory and neural artificial network as a new means is available. KEY WORDS coal and gas outburst;outburst forecast;gray relevancy;artificial neural network
余五次预测结果与生产实践相一致说明所建立的 网络模型可靠．经过灰色关联分析突出特征值的 提取比较合理在神经网络预测中根据具体情况不 断吸收新样本使待识别样本神经元的最大值、最小 值包含在训练样本中这样可以提高识别的准确性． 4 结论 （1） 对平顶山八矿煤与瓦斯突出控制因素关联 度计算结果表明影响该矿煤与瓦斯突出的关键因 素是地质构造和反映煤体结构指标的坚固性系数 其次为软分层厚度的变化． （2） 煤与瓦斯突出预测参数具有模糊性、随机 性即呈现灰色特性的因素应用灰色关联分析法 能定量地处理煤与瓦斯突出因素设计中的灰色因 素．通过灰色关联度分析能够撇开复杂因素而对 主要因素进行分析对提高突出预测的准确性具有 一定指导意义． （3） 选择控制平顶山八矿煤与瓦斯突出的10 个主要控制因素利用神经网络的方法建立了煤与 瓦斯突出预测神经网络系统对煤与瓦斯突出进行 了预测预测结果证明运用人工神经网络模型预测 突出危险性是可行的． 参 考 文 献 ［1］ 焦作矿业学院瓦斯地质研究室．瓦斯地质概论．北京：煤炭工 业出版1990：44 ［2］ 王宏图鲜学福王昌贤．四川盆地典型高瓦斯突出矿井瓦斯赋 存的地质特征．煤炭学报199924（1）：11 ［3］ 郭德勇韩德馨王新义．煤与瓦斯突出的构造物理环境及其 应用．北京科技大学学报200224（6）：581 ［4］ 孙东玲董钢峰梁运培．煤与瓦斯突出预测指标临界值的选 取对预测准确率的影响．煤炭学报200126（1）：75 ［5］ Guo D YHan D XJiang G J．Research on geological structure mark of coal and gas outburst in Pingdingshan mining area．J China Univ Min Technol200211（1）：72 ［6］ Shepherd JRixon L KGriffiths L．Outbursts and geological structure in coal mines：A review．Int J Rock Mech Min Sci Geomech Abstr198118（4）：267 ［7］ Cao Y XHe D DCglick D．Coal and gas outburst in footwalls of reverse faults．Int J Coal Geol200146（1）：47 ［8］ 伍爱友肖红飞王从陆等．煤与瓦斯突出控制因素加权灰 色关联模型的建立与应用．煤炭学报200530（1）：58 ［9］ 傅立．灰色系统理论及其应用．北京：科学技术文献出版社 1992：35 ［10］ 施鸿宝．神经网络及其应用．西安：西安交通大学出版社 1987：79 ［11］ 郝吉生袁崇孚．模糊神经网络技术在煤与瓦斯预测中的应 用．煤炭学报199924（6）：77 Prediction method of coal and gas outburst using the grey theory and neural network GUO Deyong 1）LI Nianyou 12）PEI Dawen 13）ZHENG Dengfeng 1） 1） Resource and Safety Engineering SchoolChina University of Mining and Technology （Beijing）Beijing100083China 2） Sichuan Weitian Mine Safety Science and Technology Evaluate and Consultation Co．Chengdu610083China 3） Pingdingshan Coal （group） Co．Ltd．Pingdingshan467000China ABSTRACT The grey theory and neural network method were applied to coal and gas outburst forecast．Main controlling factors of coal and gas outburst were filtered by the grey correlation method of the grey system theory．The mathematical model and systematic structure of artificial neural network were founded to forecast the risk of coal and gas outburst．The effectiveness of the risk forecast in the outburst zone of Pingdingshan No．8 Coal Mine was demonstrated the grey theory and neural artificial network as a new means is available． KEY WORDS coal and gas outburst；outburst forecast；gray relevancy；artificial neural network 第4期 郭德勇等： 煤与瓦斯突出预测灰色理论－神经网络方法 ·357·