煤与瓦斯突出强度预测的IGABP方法

第 33 卷第 1 期 2010 年 1 月

重庆大学学报

Jour nal of Cho ng qing U niv ersity

Vo l. 33 No . 1 Jan. 2010

文章编号: 1000 582X( 2010) 01 0113 06

煤与瓦斯突出强度预测的 IGABP 方法

杨 敏 , 汪云甲 , 李瑞霞

( 1. 中国矿业大学 a. 江苏省资源环境信息工程重点实验室; b. 环境与测绘学院, 江苏 徐州 221008;

2. 太原理工大学 阳泉学院, 山西 阳泉, 045000)

要: 针 对 传 统 松 散 式 ( Genetic Alg orithm Based Back Propagatio n Neural Netw ork,

GABP) 模型应用于复杂煤与瓦斯突出预测时, 存在 GA 自身性能及模型间相对孤立等不足, 提出二 者优势互补的 IGABP 一体化模型。IGABP 首先在自适应交叉、变异率等方面进行改进, 以提高 GA 自身的性能。其次, 将 BP 导向性训练以算子的形式引入到标准 GA 进化过程, 实现了 GA 寻 优搜索的随机性向自主导向性转变。BP 对 GA 搜索到的近似最优值进行微调, GA 算法的收敛速 度得到提升, 确定精确解的位置能力加强, 同时, 又避免了单一 BP 网络本论文易陷入局部极小值的 缺点, 实现了两者一体化结合。仿真实验表明, 构造出的进化神经网络更能反映煤与瓦斯突出强度 样本的复杂非线性关系, 有效克服了传统模型的不足, 其运行效率、预测精度、可靠性等方面均优于 传统模型, 为瓦斯智能预测提供了新的解决方案。

关键词: 煤与瓦斯突出; 突出强度预测; IGABP 神经网络; 模型改进; BP 算子 中图分类号: T D713. 2

文献标志码: A

Prediction of coal and gas outburst intensity with Incorporate Genetic Algorithm Based Back Propagation Neural Network(IGABP)

YANG Min 1 , WANG Yun jia 1 , LI Rui xia 1a, 2

( 1a. Key Laboratory o f Resources and Enviro nmental Inform ation Engineering; b. Schoo l o f Enviro nm ent & Spatial Inform atics, China University of M ining and Technolog y, Jiang su 221008, P. R. China;

2. Yangquan Institute, Taiyuan U niv ersity o f Technolog y, Shanxi 045000, P. R. China)

Abstract: For the prediction o f coal and gas outburst intensity, Inco rpo rate Genetic Alg orithm Based Back Pro pagation Neural Netw ork( IGABP) is proposed to solv e the limitations in the traditio nal GA BP such as tim e consuming , optim al stop condition of GA pretr eatment indeterm inacy , independency and com plex task of g reat importance etc. IGABP addresses so me im pro vements in adaptive crosso ver and m utation pro bability to prom ote GA per for mance. And w ith the intro duction o f BP operator in the evolutio n of GA operations, the standard GA optim ization is fro m random search to self guiding search and the conv er gence rate of GA is upgr aded, as w ell as the deter mination ability of ex act solution. W ith a sim ulation as a case study, it is found that the m inimum erro r and standard err or w ith IGABP are 0. 012 and 0. 227, respectively, compared w ith - 0. 126 and 1. 529 by tr aditio nal GABP.

Key words: coal and gas outburst; burst intensity prediction; incorporate genetic alg orithm based back pro pagation neural netw o rk; improved model; Back Pro pagation ( BP) operator

收稿日期: 2009 09 09

基金项目: 国家自然科学基金资助项目( 50534050; 50774080) ; 中国矿业大学校科研究基金资助项目( 2007A 033)

作者简介: 杨敏( 1975 ) , 男, 中国矿业 大学 博士, 主要 从事 CIS, 空间 数据 智能 处理 及空 间数 据挖 掘方 面的 研究, ( T el)

0516 82885428; ( E ma il) cumty m@ 126. co m。

摘

114

重庆大学学报

第 33 卷

煤与瓦斯突出预测, 对矿山安全管理和智能预 测有着重要现实意义[ 1] 。煤与瓦斯突出是一个复杂 非线性动力系统, 采用非线性人工智能技术进行突 出的模式辨识和预测成为当前研究的热点。许多学 者将人工神经网络 GABP 混合算法 、小波神经 网络 支持向量机 等应用于突出预测, 取得了

2. 1 遗传算法改进

自适应交叉率

针对传统 GA 采用固定的交叉概率 Pc 控制交 叉操作的频度不利用于遗传种群的多样性、优秀个 体被破坏及易出现早熟现象等不足

, 提出一种新

大量的研 究成 果。其 中 GA BP 模 型, 具有 优势 互 补、运行效率和预测效果较好等优点而应用为甚。 目前, GABP 模型大多采用松散式集成模式, 即 先用遗传算法的全局寻优化能力, 按一定的条件寻 找到优化后的神经网络权值或神拓扑结构, 再用其 最佳个体解码后, 用于神经 网络的初始 化, 最 后由 BP 算法进一步寻优或精调。这一模式将遗传算法 和 BP 算法相对孤立开来, 其实质是一种简单迭加 的混合算法, 存在以下不足[ 7 14] : 1) 虽然遗传算法能 进行 BP 网络的训练, 但其训练的停止条件, 也就是 GA 何时把优化结果传递给 BP 算法, 难以确定。若 GA 结束过早, 仍没有帮 BP 网络逃离局部寻优点, 则这一模型完全退化为标准的 BP 算法, 未能达到 遗传算法最初的全局寻优的目的, 应用失败; 如果这 一模式纯粹使用 GA 算法来训练网络权值, 对不善 于解的微调和确定 问题的精确 位置的 GA 算 法来 请, 其进化的代数和进化的时间将会是巨大和难以 接受。甚至可能出现巨大时间获取到的网络结果, 其泛化能力远不如标准 BP 算法的窘境。2) 一般做 法都是仅仅只采用了 GA 对 BP 的网络连接权值与 阈值进行优化, 并没有充分发挥 BP 网络本身的局 部微调能力强的优势, 建立的模型仍然存在着局部 微调能力差。

基于上述对传统模式的 不足, 将 BP 的 自组织 学习引入到 GA 遗传进化训练过程中去, 实现两者 的一体 化 融 合, 提 出 一 种 新 的 一 体 化 结 合 模 型 ( Incorporate Genetic A lgorithm Based Back Pro pagation Neural Netw ork, IGABP) , 将其应 用 于煤与瓦斯突出预测中并取得了很好的效果。

改进的基本思想与策略

由上所述, 影响传统 GABP 模型应用于矿山工程 建模失败的原因可归结为两方面: 其一, 标准 GA 算 法自身的不足; 其二, 模型中 GA 与 BP 是一种松散式 集成。前者, 主在自适应交叉率、变异率、启发式停止 条件等方面加以改进, 主要是提高标准 GA 的自身性 能。对于后者, 论文提出将 BP 的自组织学习作为算

的自适应性交叉概率确定公式, P c 随着个体适应度 的不同而自适应地调整, 其计算公式为

f max - f c ,f

f,

Pf max - f c =

f( 1)

max - f

f其它, max - f, c 式中, f c 为交叉前父代双亲中适应度的较大值, f max 是群体的最大适应度, f 是种群的平均适应度; 2. 2 自适应变异率

变异率的大小直接影响种群的多样性好坏, 对 算法是否过早出早熟现象起着关键作用[ 15 16] 。依据 进化过程中变异率大小在不同阶段的作用, 提出如 下自适应变异率的计算公式

P m = P min + ( NG/ 10) P step,

子, 引入到 GA 遗传进化训练过程中, 实现两者的一体化融合, 充分利用两者的优势互补, 各施其职。

式中, P min 为变 异率的 最小值, 其 取值常 比较 小。 N G 是进化过程中连续未进化的代数。P step 是变异 率自适应步长, 由用户设定。NG/ 10 表示对 10 取 整操作。

、

传统的算法停止条件是遗传 进化代数 N 或种 [ 4, 5] [ 6] 、

群适应度方差 达到给定的训练目标阈值。前者易 出现当代数达到最大进化代数 N 时, 而训练目标未 能达到, 从而没能完成设计所需的要求。后者, 则有 可能在算法不良性时, 出现无限进化而不继续寻优 的现象。为此, 进行如下的改进: 如果存在当进化迭 代数达到基本遗传代数 N 时, 再给设定一个 N 迭 代( 称为缓冲迭代数) , 再经 N 代运算后, 若平均适 应度无良好的改善, 表明算法处于过早收敛, 则终止 程序运行, 调整相关参数, 改进算法; 否则, 说明算法 仍然良性寻优, 再取相同的代 数增量, 继续种 群进 化, 从而达到既定的训练目标。这一停止策略, 能有 效的保证进化的需要, 为遗传算法的最大进化代数 难以确定的难题提供了一种变通的解决方案, 同时, 又能避免不必要的遗传过程, 真正均衡了遗传算法 的收敛性能与收敛时间。

( 2) c 2 启发式停止条件 [ 7]

煤与瓦斯突出强度预测 IGABP 模型

用改进的 GA 算法训练 BP 网络, 首要任务是把

2. 3 给定网络结构的 BP 网络的全体连接权值和阈值进行

1 3

第 1 期

杨 敏, 等: 煤与瓦斯突出强度预测的 IGABP 方法

115

编码。优化目标函数采用均方误差指标( 适应值) , 优 化目的是通过 GA 调整网络的权值等参数, 使得均方 误差指标值达到最小。

足, 将 BP 的导向性训练, 作为一种遗传操作, 称之为

力, 改善了算法的收敛性和寻优性能。

实例研究

针对传统 GABP 模型的 GA、BP 间相对独立的不 4. 1 问题简介

应用 BP 网络进行瓦斯突出强度的预测, 其准确

BP 算子, 引入到标准 GA 的进化过程, 提出了 IGABP 性和可靠性从根本上还取决于数据样本的代表性和

模型, 其算法流程见图 1。为了不使算法退化为标准 的 BP 算法, BP 算子操作只对遗传算法中每代的部分 个体进行少数几次的 BP 训练, 其操作次数取值暂无

相关理论依据, 故在本文中, 采取多次实验的方式进 行探索性的取值。经多次实验, 发现 10 次左右比较 理想, 因此, 研究中, 取为 10 次。由图 1 可知, 在建模 过程中, 用 BP 对 GA 搜索到的近似最优值进行微调, 有效的提高了解的精度, 同时, 又避免了单一 BP 网络 易陷入局部极小值的缺点, 充分发挥了 GA 的全局收 敛性的优点, 也充分利用了 BP 网络较强的局部微调 能力, GA 算法的收敛速度得到提升, 精确解的位置确 定能力加强, 真正实现两者的优势互补, 一体化融合。

图 1 IGABP 混合嵌入式模型框架

另一个重要的特点是, 对标准遗传算法加以改 进, 提出能依据进化的具体情况而调整的自适应交叉

全面性, 尤其是影响因素考虑的合理性。瓦斯突出的 影响因素甚多, 主要与瓦斯突出机理的认知程度有 关。目前比较为人接受的机理假说是瓦斯、地应力与 煤的物理力学性质综合假说。根据突出机理的综合 假说与现场的统计资料分析, 瓦斯压力、地应力、煤体 强度和软分层厚度是影响突出发生及其强度的 4 个 主要因素[ 1] 。但是在实践中, 由于现场工作和条件的 限制, 很多样本数据难于采集和整理。文献[ 1] 通过 实验室模拟试验, 系统地考察了瓦斯压力、地应力、 体强度( 用煤样的筛分模数来表征, 筛分模数便于测 量, 其值越大, 煤体强度越小) 和软分层厚度这 4 个主 要因素对突出发生可能性和突出发生规模的影响, 相 关实验结果见表 1 所示。

煤与瓦斯突出强度样本

( 据王凯等, 2005)

编号

采样地点

p 0

p

g

hm

se

T / kg

/ MPa / M Pa / mm 11 焦西硬煤 14. 05 0. 32 105. 0

4. 9 4. 0 12 芦岭 83 14. 37 0. 72 85. 5 6. 2 1. 9 13 芦岭 9JH J 15. 01 0. 44 79. 0 11. 2 5. 8 15 芦岭 10JHJ 13. 09 0. 35 60. 0 7. 3 2. 2 16 孔庄 8JH J 16. 61 0. 35 127. 0 11. 1 4. 3 17

夹河 7JH J 12. 77

0. 43 125. 0 8. 8 4. 0 18 马家沟 9JHJ 14. 69 0. 18 68. 0 15. 1 4. 8 19

马家沟 12

11. 50

0. 52 33. 5 12. 1 0. 7 21 白山坪 6JHJ 13. 73 0. 22 34. 5 6. 8 0. 5 22 白山坪 6JHJ 13. 73 0. 41 34. 5 6. 8 1. 6 23 九里山 Y 13. 73 0. 36 75. 5 7. 7 4. 0 24 新庄孜 14. 37 0. 48 75. 5 8. 7 5. 7 25 荆各庄 18. 52 0. 25 118. 5 13. 2 4. 0 26 潘一矿 11. 50 0. 44 97. 5 7. 6 2. 6 28

潘二矿

13. 41

0. 39

56. 5 12. 5

2. 9

率率计算算法29 33

潘三煤 、公式, 从的进30 矿

变而强化化能

焦西软煤

异

了遗传

32

焦西硬芦岭 82

本文来源：https://www.bwwdw.com/article/i6sh.html