基于模糊神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測

基于模糊神經(jīng)網(wǎng)絡(luò)的煤層瓦斯含量預(yù)測研究陳闖模糊神經(jīng)網(wǎng)絡(luò)模型

研究結(jié)果表明:模糊神經(jīng)網(wǎng)絡(luò)模型不僅能夠較好地解決模糊信息難于定量表達(dá)、學(xué)習(xí)樣本難于確定等問題，而且能夠較準(zhǔn)確地提取出煤層瓦斯含量與其各個影響因素之間的非線性關(guān)系。通過實(shí)例運(yùn)算驗(yàn)證，其預(yù)測精度較神經(jīng)網(wǎng)絡(luò)模型提高了4.84%～25.79%，應(yīng)用于煤層瓦斯含量預(yù)測的效果更為理想，具有良好的應(yīng)用前景，可以為實(shí)施科學(xué)的礦井瓦斯管理、預(yù)防各種瓦斯事故提供理論依據(jù)。模糊神經(jīng)網(wǎng)絡(luò)模型建立來源考慮到煤層瓦斯含量系統(tǒng)的復(fù)雜性、動態(tài)性、非

線性以及隨機(jī)不確定性，其預(yù)測模型必須不斷朝

著非線性、多參數(shù)方向發(fā)展

筆者以鶴煤某礦二1煤層為研究對象，在分析影響煤層瓦斯含量的各種地質(zhì)因素和量化定性因素的基礎(chǔ)上，建立模糊神經(jīng)網(wǎng)絡(luò)模型，將模糊理論與神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合，以模糊數(shù)學(xué)作為表達(dá)與處理不精確數(shù)據(jù)、模糊信息的手段，既能處理模糊信息，完成模糊推理功能，又具有神經(jīng)網(wǎng)絡(luò)的一些特點(diǎn)，準(zhǔn)確提取、捕捉煤層瓦斯含量與各個影響因素之間的非線性關(guān)系，以達(dá)到對井田內(nèi)未采區(qū)域進(jìn)行煤層瓦斯含量預(yù)測的目的。模糊神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)變量的選取影響瓦斯含量的主要因素有煤的變質(zhì)程度、煤層埋藏深度、煤層圍巖性質(zhì)、地質(zhì)構(gòu)造、水文地質(zhì)條件等筆者選取煤層埋藏深度、煤層厚度、頂板巖性、上覆基巖厚度、頂板30m砂巖比，作為預(yù)測煤層瓦斯含量的影響變量數(shù)據(jù)的模糊化及去模糊化處理方法模糊化處理的基本原理如下:根據(jù)相應(yīng)的隸屬度函數(shù)將輸入數(shù)據(jù)空間進(jìn)行分割，并獲得相應(yīng)的模糊規(guī)則，依據(jù)隸屬度函數(shù)的類型與個數(shù)不同，可以將輸入數(shù)據(jù)劃分為不同的組別。一般情況下，實(shí)測瓦斯含量數(shù)據(jù)個數(shù)均較少，并且數(shù)據(jù)簡單，所以應(yīng)適當(dāng)增加隸屬度函數(shù)的個數(shù)。筆者采用三角形和梯形的混合隸屬度函數(shù)，其函數(shù)關(guān)系如圖1所示。

式中:a，b，c表示將變量區(qū)間劃分為模糊子集所依據(jù)的臨界值;μA1(x)，μA2(x)，A3(x)表示隸屬度函數(shù)。對于數(shù)據(jù)的去模糊化處理，簡單地采用最大隸屬函數(shù)法，即取所有模糊規(guī)則推理結(jié)果的模糊集合中隸屬度最大的元素作為輸出值。此法的突出優(yōu)點(diǎn)是計(jì)算簡單。模糊神經(jīng)網(wǎng)絡(luò)整體框架的建立模糊神經(jīng)網(wǎng)絡(luò)可分為5種類型(表1)文中采用的的是類型ⅢⅢ，即首先先對神經(jīng)網(wǎng)網(wǎng)絡(luò)的輸入入數(shù)據(jù)進(jìn)行行模糊化預(yù)預(yù)處理，這這些輸入信信息中包含含定性知識識和定量數(shù)數(shù)據(jù)，以此此達(dá)到輸入入信息模糊糊化的目的的，然后運(yùn)運(yùn)用BP神經(jīng)網(wǎng)網(wǎng)絡(luò)從已知知模糊數(shù)據(jù)據(jù)中提取模模糊規(guī)則，，推理出預(yù)預(yù)測結(jié)果。。網(wǎng)絡(luò)模型型如圖2所示。。筆者所建模模型神經(jīng)網(wǎng)網(wǎng)絡(luò)部分采采用傳統(tǒng)的的基于誤差差反向傳遞遞的BP神經(jīng)網(wǎng)網(wǎng)絡(luò)，因選選取煤層埋埋藏深度、、煤層厚度度、頂板巖巖性、上覆覆基巖厚度度、頂板30m砂砂巖比作作為影響煤煤層瓦斯含含量的因素素，所以模模糊化層神神經(jīng)元個數(shù)數(shù)為5，，而去模糊糊化層輸出出值為瓦斯斯含量值。。因此，去去模糊化層層神經(jīng)元個個數(shù)為1，而隸屬屬度函數(shù)確確定為3個，所所以相應(yīng)的的輸入層神神經(jīng)元個數(shù)數(shù)則為15，輸出出層神經(jīng)元元個數(shù)為3。隱層神經(jīng)元元個數(shù)視網(wǎng)網(wǎng)絡(luò)訓(xùn)練效效果而定，，其經(jīng)驗(yàn)公公式為式中:n1為隱層層單元數(shù);n為為輸入單元元數(shù);m為輸出出單元數(shù);d為0到10之之間的常數(shù)數(shù)。模糊神經(jīng)網(wǎng)網(wǎng)絡(luò)在瓦斯斯含量預(yù)測測中的應(yīng)用用數(shù)據(jù)準(zhǔn)備筆者以鶴煤煤某礦為例例，收集整整理影響煤煤層瓦斯含含量的相關(guān)關(guān)數(shù)據(jù)，經(jīng)經(jīng)數(shù)據(jù)可靠靠性分析后后共獲取了了19個個地勘鉆孔孔瓦斯含量量、9個個生產(chǎn)期間間實(shí)測的瓦瓦斯含量，，見表2。其中，，前26組數(shù)據(jù)據(jù)作為訓(xùn)練練樣本完成成網(wǎng)絡(luò)的擬擬合訓(xùn)練，，后2組組數(shù)據(jù)不不參加學(xué)習(xí)習(xí)訓(xùn)練，而而作為檢驗(yàn)驗(yàn)樣本來評評價模型的的預(yù)測精度度。網(wǎng)絡(luò)訓(xùn)練設(shè)置網(wǎng)絡(luò)最最小均方誤誤差0.001、學(xué)習(xí)率率0.3、動量量系數(shù)0.8、、最大訓(xùn)練練次數(shù)25000，并對對網(wǎng)絡(luò)的權(quán)權(quán)值、閾值值隨機(jī)賦以以0～～1之間間的初值，，經(jīng)過多次次訓(xùn)練對比比分析后，，選定隱層層節(jié)點(diǎn)個數(shù)數(shù)為7。。網(wǎng)絡(luò)訓(xùn)練練結(jié)束后，，將訓(xùn)練結(jié)結(jié)果與BP神經(jīng)經(jīng)網(wǎng)絡(luò)訓(xùn)練練結(jié)果進(jìn)行行了對比分分析。網(wǎng)絡(luò)絡(luò)誤差變化化趨勢圖如如圖3、、圖4所所示，網(wǎng)網(wǎng)絡(luò)模型回回代結(jié)果見見表5。。從圖3可可見，BP神經(jīng)經(jīng)網(wǎng)絡(luò)經(jīng)過過25步步訓(xùn)練后后達(dá)到擬合合精度，網(wǎng)網(wǎng)絡(luò)停止訓(xùn)訓(xùn)練。而從從圖4可可見，模模糊神網(wǎng)絡(luò)絡(luò)達(dá)到一定定訓(xùn)練次數(shù)數(shù)后，擬合合精度不再再下降，當(dāng)當(dāng)達(dá)到最大大訓(xùn)練次數(shù)數(shù)后停止訓(xùn)訓(xùn)練，網(wǎng)絡(luò)絡(luò)最終擬合合精度為100。結(jié)合表5可知知，訓(xùn)練后后BP神神經(jīng)網(wǎng)絡(luò)絡(luò)殘差最大大值為0.99，而模糊糊神經(jīng)網(wǎng)絡(luò)絡(luò)殘差最大大值為1.76，兩者迭迭代誤差均均能滿足工工程實(shí)際要要求，說明明兩者均能能反映出瓦瓦斯含量與與諸影響因因素之間的的內(nèi)在規(guī)律律，但是預(yù)預(yù)測模型的的優(yōu)劣不能能僅憑擬合合效果而定定，還需對對模型的預(yù)預(yù)測能力進(jìn)進(jìn)行進(jìn)一步步檢驗(yàn)。模型檢驗(yàn)網(wǎng)絡(luò)訓(xùn)練結(jié)結(jié)束后，為為了檢驗(yàn)?zāi)ＤＰ偷念A(yù)測測性能，將將檢驗(yàn)樣本本代入網(wǎng)絡(luò)絡(luò)，并與BP神神經(jīng)網(wǎng)絡(luò)模模型預(yù)測結(jié)結(jié)果進(jìn)行對對比分析，，其檢驗(yàn)結(jié)結(jié)果見表6。從表6可可知，BP神經(jīng)經(jīng)網(wǎng)絡(luò)對2116工作面面運(yùn)輸巷煤煤層瓦斯含含量預(yù)測結(jié)結(jié)果偏差較較大，而模模糊神經(jīng)網(wǎng)網(wǎng)絡(luò)的預(yù)測測誤差均控控制在10%以以內(nèi)，基本本滿足精度度要求，可可以應(yīng)用于于鶴煤某礦礦未采區(qū)煤煤層瓦斯含含量的預(yù)測測。謝謝觀看/歡迎