文摘
中国煤炭开采强度和深度的增加,和煤气复合动态灾难的风险突出,严重限制了绿色、安全、高效开采中国的煤炭资源。如何准确地预测灾害的风险是一个重要的灾害预防和控制的基础。摘要平顶山8号煤矿为研究对象,和灰色关联分析(GRA),主成分分析(PCA)和BP神经网络相结合预测煤气复合动态灾难。首先,13个影响因素的权重排序和筛选通过灰色关联分析。接下来,主成分分析进行影响因素的高权重值来提取共同的因素。然后,常见的因素作为输入参数的BP神经网络训练之前的数据。最后,煤气复合动态灾难基于GRA-PCA-BP神经网络建立预测模型。经过验证,该模型可以有效地预测煤气复合动态灾难的发生。预测结果与实际情况一致的煤矿高准确性和实用性。这项工作具有重要意义,确保深矿井的安全、高效生产。
1。介绍
随着开采强度的增加,中国的煤炭资源的开采深度,当煤高地应力和高气压下被采矿、岩爆的耦合效应和煤气爆发变得激烈1- - - - - -3]。特别是,进入深部开采后,岩爆和煤气爆发之间的互动变得严重,不再存在的形式一个灾难。它显示了复合灾害的特点。这叫做煤气复合动态灾难(4- - - - - -6]。煤气的发生过程中复合动态灾难,许多因素相互交织在一起,这可能是用作激励和加强彼此之前,期间和之后的事故。与单一动态灾难相比,耦合两个灾害可能使煤气复合动态灾难更强烈和暴力,导致大量的财产损失和人员伤亡。煤气混合动力灾害已成为一个重大灾难限制煤炭资源的安全、高效开采。因此,如何准确预测灾害的发生已成为煤矿安全领域的重大科学问题的形式下新的灾害。
与岩爆和煤气爆发相比,煤气复合动态灾难的门槛较低,和灾难机制更为复杂(7- - - - - -11]。以前的单一灾害预测方法不再适用,和煤气复合动态灾难的预测难度大大增加(12]。目前,先前的研究岩爆的预测和煤气爆发非常富有成果的13- - - - - -18]。然而,煤气复合动态灾难的预测研究相对较少。锅(19)提出了三种综合预测技术,包括省内综合监测钻井切割方法,温度的实时连续监测煤,煤和实时连续监测,在平顶山和其他矿业领域和应用它们。罗等。20.)使用了层次分析法(AHP)建立多参数矿山动力灾害风险评估模型并进行了分类为岩爆预警,煤气爆发,煤气复合动态灾难。模型验证了一些例子,结果表明,模型具有较强的适用性在深矿井动力灾害预测的。元(21和孟、张22)提出,通过综合检测方法,煤炭开采切削量、初始气体排放速度,和气体解吸量应作为风险评估的敏感指标,预测,和有效的检查煤气复合动态灾难。根据多因素耦合统一灾难深煤气动态特征在平顶山矿区灾难,元(23)提出了统一的深度煤气动态预测理论基于地质灾害动态分区和模式识别的概率预测方法,建立了风险评价和预测技术指标体系深煤气动态在平顶山矿区灾难。通过分析之间的关系“方向”和“机制”的煤气的前体化合物动态灾难,江et al。24]提出的多参数监测和联合预警方法实时的危险。通过多参数联合预警平台的建设,在很多煤矿进行测试,并得到了初步的结果。窦等。25)总结了气体轴承的监测和预警技术煤岩动力灾害。包括分区和分级监测和预警,微弱的震动监测方法,电磁辐射,弹性波CT和振动波CT在岩爆监测方面,钻探天然气泄漏初始速度法,r指标方法,电磁辐射方法方面的煤与瓦斯突出监测。他们指出,煤气复合动态监测和预警的灾害,我们应该把重点放在建立多参数归一化无因次监测和早期预警模型和标准动态灾害风险,建立监测和早期预警指标体系适用于煤气复合动态灾难,并开发相应的监测技术和设备。
可以看出,尽管相关学者已经做了一些有意义的研究预测煤气复合动态的灾难,他们中的大多数仍处于定性阶段,和定量预测的数学方法的应用煤气复合动态灾难很少报道。因此,结合数学方法的应用煤气爆发和岩爆的预测26- - - - - -29日),煤气复合动力灾害预测的方法提出了基于GRA-PCA-BP模型,模型验证,并取得了良好的效果。
2。发生法律和煤气复合动态灾难的影响因素
2.1。发生煤气复合定律动态灾难
煤气复合动态灾难是一个非典型动态采矿活动引起的灾难。随着开采深度的增加和复杂的地质构造,相当数量的矿山面临的双重危险煤气爆发和岩爆。煤气复合动态灾难会发生在特定的条件下。基于现场调查记录和广泛的文献回顾,煤气multitime复合动态灾难时期multicoal矿山、出现法律、煤气复合动态灾难的破坏性特点总结如下:(1)与煤气爆发和岩爆相比,当煤气复合动态灾难发生,主要控制因素的关键价值较低,和灾害的强度和损伤程度明显更高。与煤气爆发灾难相比,煤气复合动态灾难的气体压力较低,和煤强度较高。与岩爆灾害相比,当煤气复合动态灾难发生时,气体压力较高,强度煤层顶板强度较低(2)煤气复合动态灾难的伤害类型显然是不同于煤气爆发和岩爆,显示新的灾害特点。煤气复合动态灾难的伤害类型包括部分煤气爆发和岩爆灾害的破坏特征。当煤气复合动态灾难发生时,影响力量强,气体排放较高
2.2。影响因素分析煤气复合动态灾难
探索煤气复合动力灾害的影响因素,我们需要了解灾难的发生和发展过程。在开采扰动的影响下,煤岩复合结构在临界状态开始变形,失去稳定性和弹性应变能量释放。大量的气体膨胀能量堆积在毛孔的煤炭质量在煤岩复合结构。释放的气体膨胀能量拉伸破坏煤炭质量。煤炭质量失败将进一步促进释放弹性能量的煤炭质量和岩体。这时,煤岩复合结构的整体失败和不稳定引起煤气复合动态灾难的发生。结合煤气爆发灾难的影响因素和岩爆灾害和煤气复合动力灾害的发生和发展过程,初步分析是由煤气获得13个影响因素的复合动态灾难,埋深( ),错号码( ),煤层厚度变化系数( ),煤层倾角的变异系数( ),软分层变化( ),围岩组合( ),类型的煤炭质量失败( ),煤厚度( ),软分层厚度( ),煤层倾角( ),皱纹系数( ),气体排放的初始速度( ),和坚定系数( )。
3所示。GRA-PCA-BP模型的原则
3.1。灰色关联分析(下)
灰色关联分析是一种定量描述方法和比较系统的发展变化情况。通过确定参考数据列之间的几何相似性和几个比较数据列,我们可以判断它们是密切相关的,反映的程度之间的关系曲线。灰色关联分析方法有几个特点:它不需要庞大的数据。它甚至可以找到相应的统计法律的更少的数据。它没有要求样品是否遵循古典概率分布函数。它不会导致问题的定性分析结果和定量分析结果不一致。规则和关系的研究系统不会被误解30.- - - - - -32]。
该方法可用于分析每个影响因素之间的相关程度,结果在选择的预测指数煤气复合动态灾难。通过评估每个影响因素的重要性,主要影响因素的发生煤气复合动态筛选了灾难的许多参数,和次要因素的干扰预测过程和结果是放弃了,可提高结果的准确性和奠定良好基础的操作模式。
灰色关联分析的具体实现步骤如下:(1)假设父序列 ,和每一个影响因素是次级因素序列进行了比较 。母公司的观测值的因素如下:
次级因素的观测值如下: (2)每个序列的原始数据无量纲处理。假设 是家长因素和次级因素的观测值,分别无量纲处理后,然后(平均方法用于处理数据) (3)原始数据无量纲处理后,相关系数之间的和 点是
在公式(4),这个公式 被称为绝对的区别和点 。这个公式 这个公式 分别两级最小差异和两级最大差。的系数分辨率系数,一般 。(4)灰色关联度的计算价值
3.2。主成分分析(PCA)
主成分分析(PCA)是一种统计技术从变量中提取常见因素组。这种技术可以找到隐藏的代表众多因素中的变量和分类相同的基本变量为一个新因素有效地减少变量的数量。这个智能优化算法在局部和全局优化和独特优势强劲的性能。
主成分分析的优点是非常适合煤气复合动态预测的灾难。因素最初接受草的数量很大,和之间的相关性因素高。可能存在多重共线性的因素,使模型估计失真或难以估计准确由于精确的因素之间的关联或高度相关,因此影响BP神经网络预测的准确性。PCA简化影响因素可以有效地避免这个问题的发生,可以进一步减少的尺寸影响因素通过获得新的共同因素(33- - - - - -35]。
主成分分析的具体实现步骤如下:(1)标准化的原始指标数据的集合
有 - - - - - -维随机向量 ,n样品 , ,构建样本矩阵,执行以下标准转换的示例矩阵元素:
在哪里 。归一化矩阵是获得。(2)相关系数矩阵的标准化矩阵计算
在哪里 (3)特征方程 用于解决样本相关矩阵 。然后,特征根得到了确定主成分。通过方程 ( ),的价值决定,这使得信息的利用率超过 。为每一个 ,这个方程 是解决单位特征向量(4)标准化的指数变量转换为主要组件
是第一个主成分,第二主成分,……,是主成分。
3.3。BP神经网络
BP神经网络是一种多层前馈神经网络训练误差反向传播算法,这是应用最广泛的神经网络(36,37]。BP神经网络模型的拓扑结构由三层组成:输入层、隐藏层和输出层。梯度收缩技术是用来计算解决方案重量由迭代操作。添加隐藏节点的可调参数增加,方法准确值。没有统一的监管在隐含层神经元的数目,通常由经验公式来确定。的经验公式确定神经元的数量在隐藏层如下:
在哪里输入层节点的数量,输出层节点的数目,1到10之间是一个常数。从输入层到隐层,隐层到输出层的实际输出值。当输出层误差超过误差公差范围内,它将反向传播。通过修改权重神经节点,均方误差的最小化期望输出和实际输出。因此,结果满足要求。结构图如图1。
3.4。GRA-PCA-BP模型
在GRA-PCA-BP模型中,首先,高权重的影响因素进行灰色关联分析。其次,影响因素集成到代表常见因素通过主成分分析,因素的数量进一步减少。最后,公共因子数据被替换为BP神经网络的输入层,和预测模型的训练开始获得一个模型,该模型能够准确地预测灾害发生。灰色关联分析消除无关的或小的影响因素。主成分分析可以消除自变量之间的多重共线性,进一步减少输入数据的维数。BP神经网络具有良好的可预测性。三种方法的结合可以充分利用优势,避免缺点,可以准确、快速预测煤气复合动态灾难。
4所示。案例分析
4.1。影响因素的灰色关联分析
的13种煤气复合动态灾害的影响因素进行了分析。在本文中,我们需要比较13个因素是否复合灾害的发生和计算关联度,所以父序列是否复合灾害的发生。46组数据的平顶山煤矿8号SPSS软件的选择和分析。一些初始数据如表所示1,一些无量纲数据如表所示2,相关系数和关联度如表所示3。
通过灰色关联分析的过程中,13的强度影响因素的顺序煤气复合动态获得灾难:煤炭坚定系数>煤厚度>围岩组合>埋深>煤层倾角>改变软分层>煤故障类型>初始速度的气体排放>的缺点>软分层厚度>皱纹系数>煤层倾角的变异系数的变异系数>煤厚度 。的一些影响因素小程度的相关性(小于0.85)推导出第一个八个影响因素。
4.2。利用主成分分析简化的主要影响因素
利用主成分分析法(PCA)前八保留因素简化使用SPSS软件。在检查的过程中,提取和计算,数据终于获得了四种常见因素。下面是具体的步骤。
KMO (Kaiser-Meyer-Olkin)和Bartlett测试结果如表所示4。KMO测试统计数据显示之间的偏相关变量是否足够强大。巴特利特球形检验是用来判断相关矩阵是单位矩阵。从表可以看出4的价值KMO检验统计量为0.543,这表明变量之间的信息重叠的程度是可以接受的,可用于主成分分析。巴特利特球形检验的意义的值为0,这意味着每个变量是独立的被拒绝的假设和变量之间有很强的相关性。
图2是碎石图,和表5显示了总方差的解释。碎石图的横轴是每个公因子的数量,纵轴代表其特征值的大小。图可以直观地得到每个公因子的重要性。每个公因子的详细信息列在左边的总方差解释表,和信息提取的共同因素是右边。从图可以看出2和表5前四个常见因素的特征值是接近或大于1,和方差之和的百分比达到77.7%,也就是说,第一个四个常见因素可以代表8个影响因素。
表6是组件矩阵和表吗7数据显示部分计算常见的因素。组件矩阵,也被称为因子载荷矩阵,是每个原始变量的系数因子表达式,它表示提取公因子的影响程度在原始变量。通过因子载荷矩阵,我们可以得到原始指标变量的线性组合,如 在哪里是数据的常见因素1。的因子载荷作为组件在同一行 。 是提取的组件。
4.3。BP神经网络的建设
如图3,本文利用MATLAB软件建立神经网络模型,反复训练和验证的常见因素数据,最后得到一个模型,该模型可以有效地预测煤气复合动态灾难。
MATLAB软件包括输入层、隐层和输出层。数据表的常见因素7以数值矩阵的输出类型作为BP神经网络的输入数据和输出类型的数值矩阵作为BP神经网络的输出数据的列在表“灾难”1。
32(70%)的数据作为训练集随机选择。选择7(15%)的数据作为验证集,另7(15%)的数据集作为测试集选择。隐层神经元的数量,公式(9)用于计算, 。因此,预测模型结构设置为3 - layer 4-10-1结构。
在模型训练,参数设置如下:网络训练的最大数量设置为1000次,训练精度设置为0.0001,和学习速率设置为0.01。
图4显示了神经网络的性能。纵坐标是均方误差,横坐标是迭代的数量。从图可以看出,训练后的神经网络使用Levenberg-Marquardt方法,神经网络的迭代的数量很小,和网络培训是在只有10个步骤完成。最好的验证神经网络得到的迭代步骤的数目是4。平方误差值是0.04572。
图5显示了梯度的可视化、放大系数和泛化能力转换在网络训练过程中。从图可以看出,网络的实际坡度为0.036,与实际价值的阻尼因数μLevenberg-Marquardt网络所使用的算法是14。验证检查表明网络的泛化能力检查标准。如果训练误差不能减少连续6次,训练任务将结束。
图6柱状图显示了错误。在图中,横坐标代表误差区间的中值,和纵坐标代表的数量样本位于误差区间。从这个图中,神经网络的输出值之间的误差,可以获得样品的原始目标价值。
图7显示了线性回归分析的拟合结果的测试集,训练集,和验证集。从图中,可以获得数据的回归拟合情况。回归价值衡量产出和目标之间的相关性。一个值为- 1指示关系密切,0表示随机关系。整体三组值为0.90224,表明回归拟合效果好。
4.4。GRA-PCA-BP模型的测试
最后的三组数据输入预测模型选择、测试模型构建本文是否符合目标要求。预测结果如表所示8。从预测结果,可以看出GRA-PCA-BP模型的预测结果是完全符合实际情况,表明该方法是可行的,预测的风险煤气复合动态灾难,在实践中具有良好的推广价值。
5。结论
煤气复合动态灾难的预测具有重要意义的安全、高效开采煤矿。首先,灰色关联分析方法用来消除无关的或小的影响因素,然后,使用主成分分析方法消除自变量之间的多重共线性。此外,输入数据维度进一步降低。结合BP神经网络的预测效果好,煤气复合动力灾害预测模型基于GRA-PCA-BP终于获得。该模型预测精度高,操作方便。
模型验证的灾难情况下平顶山八号我表明,煤气复合动力灾害预测模型基于GRA-PCA-BP神经网络具有较高的准确性和实用性,它提供了一种新方法为煤矿灾害预测的煤气复合动力灾害风险,并提供一个理论依据的煤炭资源安全、高效开采深部开采领域。
我们所知,这是第一个使用数学方法来预测煤气复合动态灾难。但只有依靠平顶山8号矿的有限的数据研究,精度仍然需要使用更多的数据验证了煤矿。与此同时,本文使用的模型是相对简单的。有必要继续研究更精确的数学模型来准确预测煤气复合动态灾难。这是我们的焦点在未来。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
附加分
要点。(1)煤气复合动态灾难的影响因素进行了分析。(2)煤气复合动力灾害的预测模型基于GRA-PCA-BP成立。(3)案例研究验证了预测模型的平顶山煤矿8号。
的利益冲突
所有的作者宣称他们没有利益冲突。
作者的贡献
凯王造成了形式分析和原创作品。李Kangnan促成了调查和writing-review和编辑。冯Du的方法,调查,writing-review和编辑,和监督。
确认
这项研究是由中国国家自然科学基金(52130409,52130409,52130409,52004291)。