隨著我國煤炭科學技術的迅速發(fā)展，在煤與瓦斯突出預測方面取得了突出進展，提出了許多預測煤與瓦斯突出的方法和指標，如基于煤體破裂過程中的聲發(fā)射和電磁輻射現(xiàn)象的非接觸式預測方法；根據(jù)工作面打鉆時的鉆屑量、瓦斯涌出量及解吸量進行的接觸式預測方法；以及其它預測指標等。但是這些方法和指標主要是使用回歸分析的方法得出的，它考慮的是影響煤與瓦斯突出的個別是或重要因素，沒有全面考慮影響煤與瓦斯突出的因素，致使突出敏感指標因地而異，突出臨界值隨礦井不同而變化。因此，預測結果常常不很準確。

人工神經(jīng)網(wǎng)絡技術（ANN）的飛速發(fā)展，基于人工神經(jīng)網(wǎng)絡的預測煤與瓦斯突出預測已經(jīng)能夠達到很高的預測精度，優(yōu)于其它預測方法，完全可以滿足煤礦煤與瓦斯突出預測精度的要求。

1 影響煤與瓦斯突出事故的因素

（1）煤層瓦斯壓力。原始瓦斯壓力越高，煤體內的瓦斯含量越大，煤體破裂時單位面積裂隙上涌出的瓦斯量就越多，裂隙中就越可能積聚起較高的瓦斯壓力，從而越可能撕裂煤體，并將撕裂形成的球蓋狀煤殼拋向巷道。

（2）圍巖的透氣性系數(shù)。圍巖的透氣性系數(shù)越大，越有利于煤層中瓦斯泄漏，在同樣瓦斯壓力下，煤層中賦存的瓦斯越小。

（3）構造煤的類型。構造煤是煤與瓦斯突出的必要條件，不同類型構造煤具有不同的突出危險性。

（4）瓦斯放散初速度。煤樣放散瓦斯快慢的程度用△P值表示，其大小與煤的微孔隙結構，孔隙表面性質和孔隙大小有關，隨構造煤破壞類型的增高，△P值也增高。

（5）軟分層煤厚。由下式可以看出，煤體撕裂后形成的球蓋狀煤殼曲率半徑R_i及煤殼所對的中心角Φ_i越大，下式就容易滿足，煤殼就容易失穩(wěn)拋出。當突出陣面沿軟分層發(fā)展時，在垂直煤層方向上有如下關系：

H=2R_isin (Φ_i）
式中 H——軟分層煤厚

　　 Ri——煤殼曲率半徑

　　 Φi——煤殼所對的中心角

軟煤厚度越小，形成的煤殼在沿垂直煤層方向上的曲率半徑及所對中心角就越小，煤殼就越不容易失穩(wěn)拋出，煤與瓦斯突出災害也就越不容易發(fā)生。

2 基于人工神經(jīng)網(wǎng)絡預測模型

2.1 反向傳播算法（BP）的拓撲結構

BP（Back Propagation）算法 1985年由Rumel-hart等提出，該方法的提出系統(tǒng)地解決了多層神經(jīng)元網(wǎng)絡中隱單元層連接權的學習問題，并在數(shù)學上給出了完整的推導。采用BP算法的多層神經(jīng)網(wǎng)絡模型一般稱為BP網(wǎng)絡。多層神經(jīng)網(wǎng)絡模型的一般拓撲結構如圖1所示。它由輸入層、隱層和輸出層組成。中間層也就是隱含層可以是一層或多層。

BP網(wǎng)絡的學習過程由兩部分組成：正向傳播和反向傳播。當正向傳播時，輸入信息從輸入層經(jīng)隱單元層處理后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果在輸出層得不到希望的輸出，則轉入反向傳播，將誤差信號沿原來的神經(jīng)元連接通路返回。返回過程中，逐一修改各層神經(jīng)元連接的權值。這種過程不斷迭代，最后使得信號誤差達到允許的范圍之內。



圖1 多層前向BP網(wǎng)絡

BP網(wǎng)絡中采用了有一定閾值特性、連續(xù)可微的Sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù)。當然其他類似的非線性函數(shù)也可選用。本文采用的Sigmoid型函數(shù)：

?（x）＝1/（1＋e-1）

2.2 用于煤與瓦斯突出預測的BP神經(jīng)網(wǎng)絡的構建

我們知道，影響煤與瓦斯突出的因素很多，并且，到目前為止有的影響煤與瓦斯突出的因素還沒有找到。人工神經(jīng)網(wǎng)絡模型是綜合了影響煤與瓦斯突出的多種因素的一種非線性煤與瓦斯突出預測模型，它盡可能多的考慮影響煤與瓦斯突出的主要因素，來綜合預測煤與瓦斯突出災害。影響煤與瓦斯突出的主要有瓦斯放散初速度，構造煤的類型，軟分層煤厚，煤層瓦斯壓力等因素。其算法程度如圖2。



圖2 人工神經(jīng)網(wǎng)絡BP算法程序

（1）輸入與輸出層的設計。輸入層神經(jīng)元由影響煤與瓦斯突出的主要因素個數(shù)決定。對于煤與瓦斯突出預測過程，這里選擇5個主要影響因素（瓦斯放散初速度x1，構造煤的類型x2，軟分層煤厚x3，煤層瓦斯壓力x4）和圍巖透氣性x5作為輸入：輸出層由2個節(jié)點y1、y2（y1、y2的輸出值為0和1）組成，其作用是給出預測的3種結果，以分別表示煤與瓦斯突出區(qū)域預測中的突出危險區(qū)、突出威脅區(qū)和無突出危險區(qū)3種情形，從而實現(xiàn)煤與瓦斯突出危險性評價。本軟件使用vc+ +語言實現(xiàn)。

輸入算法：

for(int k=0;k OT_IN=(double)indata[loop1].input[k]；

輸出層單元的算法：

for( int k=0;k {inival=0.0；

　for(int m=0;m 　inival+=(W_HN_OT[k][m]*OT_HD[m]);

　inival+=CW_OT[k];

　OT_OT[k]=sigmf(sig,inival);}

（2）隱層的設計。隱層可以是一層或多層。隱層單元數(shù)與問題的要求和輸入輸出有直接關系。隱層單元數(shù)太多，會導致學習時間過長，隱單元數(shù)過少，容錯性差。這里采用了有2個神經(jīng)元的隱層。

隱層單元的算法如下：

for(imt k=0;k {inival=0.0;

　for(int m=0;m 　inival+ =(W_IN_HD[k][m]*OT_IN[m]);

　inival+ =CW_HD[k];

　OT_HD[k]=sigmf(sig,inival)};

（3）網(wǎng)絡初始權值的選擇。由于系統(tǒng)是非線形，初始值對于學習能否達到局部最小和收斂關系很大。這里采用較小的隨機數(shù)對網(wǎng)絡的權值（Wji）和Vkj以及偏置值θj和rk賦初值，這樣可保證神經(jīng)元一開始都在它們的轉化函數(shù)變化最大的地方進行。

2.3 網(wǎng)絡樣本訓練

網(wǎng)絡訓練的過程就是利用訓練樣本集，將網(wǎng)絡學習規(guī)則有不適應性映射為權值矩陣的修改和網(wǎng)絡結構進化這樣一個反復過程。通過對網(wǎng)絡模型的訓練，使網(wǎng)絡捕獲到蘊藏在訓練樣本中的突出因素與突出危險性之間的相關規(guī)律，以便用來準確預測煤與瓦斯突出地質災害。選擇樣本時，應使所選擇的訓練樣本集具有完全的代表性。

3 實例應用

利用已完成的人工神經(jīng)網(wǎng)絡預測軟件對實際問題進行試驗研究。選擇某礦的某水平的6個區(qū)域（a1，a2，a3，a4，a5，a6）的相關突出指標原始數(shù)據(jù)和輸出結果見表1。

表1 原始輸入數(shù)據(jù)和神經(jīng)網(wǎng)絡的預測結果

表一

從表1中可以看出，人工神經(jīng)網(wǎng)絡的預測結果與實際突出情況完全吻合，這就說明該網(wǎng)絡模型確實能有效地預測該礦的煤與瓦斯突出災害。

4 結語

人工神經(jīng)網(wǎng)絡方法已經(jīng)是比較成熟的非線性數(shù)學方法，在應用它進行構造預測模型時，關鍵的是要提高收斂速度和防止陷入局部最小值。本模型在使用了該網(wǎng)絡的BP算法，有效地防止了系統(tǒng)陷入局部最小值，并盡量提高運算速度。