隨著我國(guó)煤炭科學(xué)技術(shù)的迅速發(fā)展，在煤與瓦斯突出預(yù)測(cè)方面取得了突出進(jìn)展，提出了許多預(yù)測(cè)煤與瓦斯突出的方法和指標(biāo)，如基于煤體破裂過(guò)程中的聲發(fā)射和電磁輻射現(xiàn)象的非接觸式預(yù)測(cè)方法；根據(jù)工作面打鉆時(shí)的鉆屑量、瓦斯涌出量及解吸量進(jìn)行的接觸式預(yù)測(cè)方法；以及其它預(yù)測(cè)指標(biāo)等。但是這些方法和指標(biāo)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(gè)別是或重要因素，沒(méi)有全面考慮影響煤與瓦斯突出的因素，致使突出敏感指標(biāo)因地而異，突出臨界值隨礦井不同而變化。因此，預(yù)測(cè)結(jié)果常常不很準(zhǔn)確。
人工神經(jīng)網(wǎng)絡(luò)技術(shù)（ANN）的飛速發(fā)展，基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)煤與瓦斯突出預(yù)測(cè)已經(jīng)能夠達(dá)到很高的預(yù)測(cè)精度，優(yōu)于其它預(yù)測(cè)方法，完全可以滿(mǎn)足煤礦煤與瓦斯突出預(yù)測(cè)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(nèi)的瓦斯含量越大，煤體破裂時(shí)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(gòu)造煤的類(lèi)型。構(gòu)造煤是煤與瓦斯突出的必要條件，不同類(lèi)型構(gòu)造煤具有不同的突出危險(xiǎn)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(jié)構(gòu)，孔隙表面性質(zhì)和孔隙大小有關(guān)，隨構(gòu)造煤破壞類(lèi)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Ri及煤殼所對(duì)的中心角Φi越大，下式就容易滿(mǎn)足，煤殼就容易失穩(wěn)拋出。當(dāng)突出陣面沿軟分層發(fā)展時(shí)，在垂直煤層方向上有如下關(guān)系：
H=2Risin (Φi）
式中 H——軟分層煤厚
Ri——煤殼曲率半徑
Φi——煤殼所對(duì)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(duì)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(zāi)害也就越不容易發(fā)生。
2 基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
2.1 反向傳播算法（BP）的拓?fù)浣Y(jié)構(gòu)
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(luò)中隱單元層連接權(quán)的學(xué)習(xí)問(wèn)題，并在數(shù)學(xué)上給出了完整的推導(dǎo)。采用BP算法的多層神經(jīng)網(wǎng)絡(luò)模型一般稱(chēng)為BP網(wǎng)絡(luò)。多層神經(jīng)網(wǎng)絡(luò)模型的一般拓?fù)浣Y(jié)構(gòu)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(luò)的學(xué)習(xí)過(guò)程由兩部分組成：正向傳播和反向傳播。當(dāng)正向傳播時(shí)，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(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的神經(jīng)元連接通路返回。返回過(guò)程中，逐一修改各層神經(jīng)元連接的權(quán)值。這種過(guò)程不斷迭代，最后使得信號(hào)誤差達(dá)到允許的范圍之內(nèi)。
圖1 多層前向BP網(wǎng)絡(luò)
BP網(wǎng)絡(luò)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(dāng)然其他類(lèi)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(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)的構(gòu)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(méi)有找到。人工神經(jīng)網(wǎng)絡(luò)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(yù)測(cè)模型，它盡可能多的考慮影響煤與瓦斯突出的主要因素，來(lái)綜合預(yù)測(cè)煤與瓦斯突出災(zāi)害。影響煤與瓦斯突出的主要有瓦斯放散初速度，構(gòu)造煤的類(lèi)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(luò)BP算法程序
（1）輸入與輸出層的設(shè)計(jì)。輸入層神經(jīng)元由影響煤與瓦斯突出的主要因素個(gè)數(shù)決定。對(duì)于煤與瓦斯突出預(yù)測(cè)過(guò)程，這里選擇5個(gè)主要影響因素（瓦斯放散初速度x1，構(gòu)造煤的類(lèi)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(gè)節(jié)點(diǎn)y1、y2（y1、y2的輸出值為0和1）組成，其作用是給出預(yù)測(cè)的3種結(jié)果，以分別表示煤與瓦斯突出區(qū)域預(yù)測(cè)中的突出危險(xiǎn)區(qū)、突出威脅區(qū)和無(wú)突出危險(xiǎn)區(qū)3種情形，從而實(shí)現(xiàn)煤與瓦斯突出危險(xiǎn)性評(píng)價(jià)。本軟件使用vc+ +語(yǔ)言實(shí)現(xiàn)。
輸入算法：
for(int k=0;k
輸出層單元的算法：
for( int k=0;k
for(int m=0;m
inival+=CW_OT[k];
OT_OT[k]=sigmf(sig,inival);}
（2）隱層的設(shè)計(jì)。隱層可以是一層或多層。隱層單元數(shù)與問(wèn)題的要求和輸入輸出有直接關(guān)系。隱層單元數(shù)太多，會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)，隱單元數(shù)過(guò)少，容錯(cuò)性差。這里采用了有2個(gè)神經(jīng)元的隱層。
隱層單元的算法如下：
for(imt k=0;k
for(int m=0;m
inival+ =CW_HD[k];
OT_HD[k]=sigmf(sig,inival)};
（3）網(wǎng)絡(luò)初始權(quán)值的選擇。由于系統(tǒng)是非線形，初始值對(duì)于學(xué)習(xí)能否達(dá)到局部最小和收斂關(guān)系很大。這里采用較小的隨機(jī)數(shù)對(duì)網(wǎng)絡(luò)的權(quán)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(kāi)始都在它們的轉(zhuǎn)化函數(shù)變化最大的地方進(jìn)行。
2.3 網(wǎng)絡(luò)樣本訓(xùn)練
網(wǎng)絡(luò)訓(xùn)練的過(guò)程就是利用訓(xùn)練樣本集，將網(wǎng)絡(luò)學(xué)習(xí)規(guī)則有不適應(yīng)性映射為權(quán)值矩陣的修改和網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)化這樣一個(gè)反復(fù)過(guò)程。通過(guò)對(duì)網(wǎng)絡(luò)模型的訓(xùn)練，使網(wǎng)絡(luò)捕獲到蘊(yùn)藏在訓(xùn)練樣本中的突出因素與突出危險(xiǎn)性之間的相關(guān)規(guī)律，以便用來(lái)準(zhǔn)確預(yù)測(cè)煤與瓦斯突出地質(zhì)災(zāi)害。選擇樣本時(shí)，應(yīng)使所選擇的訓(xùn)練樣本集具有完全的代表性。
3 實(shí)例應(yīng)用
利用已完成的人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)軟件對(duì)實(shí)際問(wèn)題進(jìn)行試驗(yàn)研究。選擇某礦的某水平的6個(gè)區(qū)域（a1，a2，a3，a4，a5，a6）的相關(guān)突出指標(biāo)原始數(shù)據(jù)和輸出結(jié)果見(jiàn)表1。
表1 原始輸入數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果
表一
從表1中可以看出，人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與實(shí)際突出情況完全吻合，這就說(shuō)明該網(wǎng)絡(luò)模型確實(shí)能有效地預(yù)測(cè)該礦的煤與瓦斯突出災(zāi)害。
4 結(jié)語(yǔ)
人工神經(jīng)網(wǎng)絡(luò)方法已經(jīng)是比較成熟的非線性數(shù)學(xué)方法，在應(yīng)用它進(jìn)行構(gòu)造預(yù)測(cè)模型時(shí)，關(guān)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(luò)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(yùn)算速度。
