数字技术与应用
BP算法在煤矿瓦斯浓度预测中的应用
姜营
（重庆工程职业技术学院计算机系
重庆沙坪坝
400037)
应用研究：
摘要：影响煤矿瓦斯浓度的各种图素具有非线性特征，BP算法能实现对达要图素的非线性映射，达到对课矿死斯浓度进行预测的目的。
关键词：煤矿
瓦新浓度
中压分类号：TP389.1
BP
预测
文献标识码：A
文章编号：1007-9416(2010)08-0088-02
煤矿瓦斯事故大多具有突发性和不确定性，现在使用的煤矿安全监测系统一般都不具备预测和预报的能力"，如何根据各个影响因索预测计算煤层瓦斯含量是一个非常复杂的间题，对这个间题的研究多采用定性的比较分析，综合评价方法和线性回归分析法，达些方法能大致确定各种因素的重要程度，但难以准确地确定各影响因索对煤层瓦斯赋存规律的影响程度，预测误差较大(2-3，
1影响瓦斯浓度的因素
通常煤矿并下有人员活动和设备的地方必须使瓦斯液度保持在一定的值以下，以防止瓦斯爆炸，保证人员的安全和健康。煤矿并下瓦斯的稀释主要依靠矿并通风来实现，影响瓦斯涌出量的因素很多，比如对于采煤工作面面言，影响瓦斯涌出景的因素主要有煤层厚度、煤层埋靠深度、煤层瓦斯含量，工作面日产量及风速等。对于特定的采煤工作面而言，由于相关条件的变化，其瓦斯浓度的影响是复杂的，变化的，不是简单的线性关系。虽然这种变化有规律可循，但真正要发现单个工作面的规律并指
煤层深座
爆层厚康煤展瓦斯含量
日产量：风遍
k
编号 2 3 4
88
o 入层
煤层深度(m) 108 100 125 130 135
数字技术与应用万方数据
导实际工作，工作强度大，难度大。对于普遍技术力量较弱的煤发企业而言，基本上不具有可行性。
2瓦斯浓度预测建模 2.1模型结构
用三层前馈型BP神经网络，将煤层深度、煤层厚度、煤层瓦斯含量、日产量、风速作为输入层的5个节点，用向量 X=(,，.,,)表示。输出层为单个节点，对应瓦斯波度，用向量O表示，期望输出用向量D表示，隐含层节点采用Kolmog
OroV映射网络存在定理确定，即： m=2n+1(1)
其中，n为验入层节点数，m为隐含层节点数。因此，确定隐含层包含11个节点，
用向量=(y2yu）表示，见图1， 2.2学习算法
输人层到隐含层及隐含层到输出层的权值矩阵设置如下：
(V = (v,)[w(g)（2)
其中，，为输人层第i个节点到隐含层
瓦斯神座输出层
胰含屋
图1
表1
煤层厚度(m) 1.2 1.4 1.3
1.1
预测模型结构
实测值和预测值比较
煤层瓦斯含(mt)
21.6 21.5 20.8 23.5 19.3
甘产量(/d) 201 235 218 184 184
风速(m/s) 1.8 1.5 1.6 1.9 1.9
第j个节点的权向量，隐含层节点阔值为 X。=-1，W，为隐含层第j个节点对输出层第k个节点的权向量，输出层节点阅值为 yea-l.
隐含层特性函数采用式（3）连续可微分的Sigmoid函数，输出层特性函数采用式(4)的简单线性函数。
(s)=
1+e g(x)=x
(3)(4)
为了提高神经网络的训练效率，在输入层利用式(5)对数据进行归一化处理，将其换算到[0，1]区闻。
x,=一对
XeaxXmi
(5)
训练完成后，在输出层利用式(6)对数据进行反归一化处理，将其换回。
X, = X:(Xmx Xmin)+ Xmin
(6)
其中，是归一化后的数据，X，是未归一化的数据，X是微据的最小值，Xex 是数据的最大值。
3算法实现
笔者统计了一组贵州习水高邦煤矿开采中1514采面煤层瓦斯浓度及影响因素实测数据，利用MATLAB神经网络工具箱提供的newff函数创建BP神经网络模型，用训练样本对创建好的网络模型进行训综，训练参数设定为：学习率0.05，最大训练次数 10000，训练要求精座0.001，
当两络首于稳定时，用5组非训练样本数据，对训练好的预测模型进行检验，结果如表1所示，通过对表1实测值和预测值的综合对比后发现，BP网络的预测值与实测值吻合较好，该预测模型可以用于预测煤矿瓦斯浓度。
4结语
煤矿瓦斯浓度是多种影响固索综合作用的结果，利用BP算法能很好地实现对非
瓦斯浓度(%)
实测值 0.67 0.78 0.70 0.67 0.55
预测值 0.69 0.82 0.68 0.67 0.56
相对误差(%) 2.99 5.13 2.86 0 1.82