基于模糊神经网络的煤与瓦斯突出预测研究

基于模糊神经网络的煤与瓦斯突出预测研究

煤炭和砖瓦的突出是矿工地下的一种复杂自然灾害。这种复杂性主要体现在以下几个方面：（1）影响煤炭和砖瓦突出因素的因素本身是不确定和模糊的。（2）突出因素与突出事件之间的相关性不确定或模糊。（3）人们并不完全理解煤和瓦之间突出发生和发展的机理。许多影响煤和瓦之间突出发生的因素通常是突出发生的必要条件和有利条件，但这些因素并不充分条件。因此，严格的逻辑往往是不可能的。由于上述原因,使得基于经验(experiencebased)的煤与瓦斯突出预测方法和基于数学建模(math-modelbased)的定量统计方法的实际应用均受到较大限制,预测结果弹性甚大.因此,强调“明确的输入、正确的输出”的基于黑箱理论(black-boxbased)的模糊神经网络方法愈来愈引起学术界的注视和用户的欢迎.其优点在于:一方面,借助于成熟的模糊理论与技术较客观地实现了突出预测中不精确信息(如原始证据)与不精确关系(如相关规律)的正确表达与处理;另一方面,借助于神经网络在信息映射(informationmapping)方面的优势,能够捕捉蕴藏在突出历史数据中的影响突出因素与突出事件之间的相关规律,弥补传统预测方法和人类认识程度的不足,从而可望实现煤与瓦斯突出的正确预测.1模糊神经网络的主要功能一般而言,一个模糊神经网络可由5层组成(图1).输入层包含有对应于模糊神经网络可感知输入个数的神经元,其作用是将输入值(如直接测量值或部分处理过的数据)传送给输入模糊层中的模糊单元,将输入值转换为一定的模糊度;中间层(或隐含层、隐蔽层)的功能与一般神经网络相同,由它提供可供概括化的相互连接与处理;输出模糊层接受经中间层处理的数据,并按照模糊度函数将这些数据进行非模糊化处理,即转换为与网络输入值相应的量;最后由输出层给出问题确定性的求解结果.这样构成的模糊神经网络除具有一般神经网络的性质和优点外,还具有一些特殊性质:由于采取了模糊数学中的计算方法,使得一些处理单元的计算变得较为简便,信息处理的速度显著加快;由于采用了模糊化的运行机制,系统的容错性能大大加强等.“但最主要的是,模糊神经网络扩大了系统处理信息的范围,即系统可同时处理确定性信息和非确定性信息;同时,它也大大强化了系统处理信息的手段,使系统处理信息的方法变得更加灵活.”2用于突出预测煤炭和砖瓦的模糊神经网络2.1模糊神经网络的选择由于煤与瓦斯突出预测的模糊神经网络旨在捕捉、把握煤与瓦斯突出影响因素和突出事件之间的特定相关规律,进而实现预测,因此可以选择前向型模糊神经网络来实现这一目的,即由输入层、模糊化网层、模糊关系映射层、去模糊化层及输出层5层构成,如图2所示.(1)瓦斯突出因素输入层可以由多个节点组成,分别对应于影响煤与瓦斯突出的因素,例如瓦斯压力(x1)、瓦斯放散初速度(x2)、煤体破坏类型(x3)、软煤分层厚度(x4)及围岩透气性(x5)等.(2)煤体破坏标准模糊该层是对模糊信息进行预处理的网层,主要用于对来自输入单元的观测值和输入值进行规范化处理,输出由系统模糊变量基本状态隶属函数所确定的标准化的值,以便使其适应于后面的处理.笔者采用了分段函数形式作为模糊化的函数,其表征的输入输出模糊关系为yi=f(xi).yi=f(xi).如对焦作矿区瓦斯压力指标而言,可划分为5个等级,即yi={5(很大)4(较大)3(临界)2(较小)1(很小)0.75＜xi‚0.65＜xi＜0.75‚0.55＜xi＜0.65‚0.55＜xi＜0.55‚xi＜0.45‚yi=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪5(很大)4(较大)3(临界)2(较小)1(很小)0.75＜xi‚0.65＜xi＜0.75‚0.55＜xi＜0.65‚0.55＜xi＜0.55‚xi＜0.45‚其模糊含义可由定义在压力论域上的模糊集来确定(图3).类似地,可将其它指标进行如下划分(限于篇幅,各模糊变量基本状态的隶属函数图此处从略):瓦斯放散初速度(4级)很大(>30),较大(25～30),中等(20～25),较小(<20);煤体破坏类型(3级)严重(Ⅴ,Ⅳ),较严重(Ⅲ),较轻(Ⅱ,Ⅰ);软煤分层厚度(4级)很大(>0.8),较大(0.5～0.8),中等(0.2～0.5),较小(<0.2);围岩透气性(3级)好(RS20>0.7),中等(0.7>RS20>0.45),差(RS20<0.45).(3)基本预测结论变量的模糊状态该层是前向型模糊神经网络的核心,用于模拟执行模糊关系的映射,将影响突出的主要因素的基本模糊状态与突出预测结论变量的基本模糊状态联系起来.这里参考TimothyMasters的近似计算公式(u=√mn‚u(u=mn−−−√‚u为中间层节点数;m为输入层节点数;n为输出层节点数)将其节点数初定为5,此后在网络训练时根据收敛情况尚可动态地增、减节点.(4)“分布值”表示的“确定性值”的提取它主要用于对映射网层的输出结果进行去模糊化的处理,即将以“分布值”表示的输出结果以“确定性值”的形式输出,本文具体采用提取“分布值”函授数最大值处的点值为确定性输出值的方法.(5)煤与瓦斯突出危险性评价的态它由2个节点组成,其作用是给出确定性的3态结果,以分别表示煤与瓦斯突出区域预测中的突出危险区、突出威胁区及无突出危险区3种情形,从而实现煤与瓦斯突出危险性评价.2.2训练集大小及其代表性“网络训练的过程实质即是利用训练样本集,将网络学习规则的不适应性映射为权值矩阵的修改和网络结构进化的这样一个反复过程”.通过训练,当网络捕获到蕴藏在训练样本中的突出因素与突出危险性之间的相关规律时,便认为网络已训练好,可资用来预测.通过对图2网络的训练发现,训练样本集的大小及其代表性是影响训练效果的主要因素.如果训练集样本的数量太小,则在网络尚未完全“捕捉”、“把握”到数据中的蕴含规律,网络输出误差还较大时,训练过程便已结束,因而网络未能训练出来;代表性差的训练集使网络“无效运行”次数增加,直接表现为网络达到稳定所须的训练总次数增加,从而训练时间过长.若训练样本集的数量、代表性均无问题,但仍有个别点的预测值与后验值相差较大时,应检查是由于地质构造特殊而引起还是测试数据有误造成的,若为前者,宜增加这方面的训练集样本,若为后者,则将错误的数据从训练集中剔除即可.3模糊