一种煤矿顶板突水危险等级预测方法与流程

本发明涉及煤矿安全技术领域，特别涉及一种煤矿顶板突水危险等级预测方法。

背景技术：

随着我国煤炭资源开采速度的不断提高，开采难度不断加大，开采环境越来越恶劣，矿井安全事故尤其是煤矿顶板压架、突水事故屡有发生，因此造成了大量的人员伤亡以及财产损失。据统计，近30年间，我国共发生了1600余次煤矿突水事故，另外还有大量矿井正面临着煤层顶板突水的威胁。煤矿顶板突水是煤层顶板覆盖岩石存在的导水裂隙连通到承压含水层时，水体经过裂缝流入到矿道内，造成突水事故。为防止突水事故的发生，在含水层下进行开采时，需要预留一定厚度的防水煤岩来保障安全。但随着煤层回采上限不断提高，其突水事故不断发生。

为了防止煤矿顶板突水事故的发生，现在亟需设计一种煤矿顶板突水危险等级预测方法。神经网络是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型，其具有很强的非线性拟合能力。学习规则简单，便于实现，因而被广泛应用。但其对输入数据有较高的要求，如果输入向量太多，会造成数据冗余，网络结构过于复杂，反而影响其训练精度。

技术实现要素：

为解决现有技术存在的不足，本发明提供一种煤矿顶板突水危险等级预测方法，具体是一种基于pca-lvq神经网络的煤矿顶板突水危险等级预测方法。

本发明的技术方案为：

一种煤矿顶板突水危险等级预测方法，所述方法基于pca-lvq神经网络，具体包括以下步骤：

步骤1：收集煤田相关数据，包括有效厚度、含水层载荷传递系数、单位涌水量、有效保护厚度、分形维值和主关键层到煤层的距离6个影响因素以及对应的突水危险等级。

步骤2：对收集的数据进行处理，包括主成分分析(pca)以及归一化，利用主成分分析计算6个影响因素的贡献值并取累积贡献率大于85％的数据，减少冗余，实现降维。同时，对降维后的数据进行归一化，使得因数据单位不同造成的误差最小，加快网络收敛和速度。

步骤3：网络训练参数设置，其具体值为：拟合误差目标值为0.01，训练次数为200。

步骤4：中间节点选取，利用公式筛选出隐层神经节点取值范围，然后利用剪枝法计算出不同隐层节点的训练数据均方误差以及预测数据准确度，最终确定节点数。

步骤5：神经网络建立，通过输入输出数据的维数以及步骤3和4确定的相关数据，利用matlab软件建立起神经网络模型。

步骤6：利用训练数据训练建立起来的神经网络，找到最优的权值以及阈值，建立最优的神经网络。

步骤7：利用训练好的神经网络，对预测数据进行预测，检验其预测精度。

进一步的，步骤2具体方法如下：

步骤①：利用原始数据构造标准化矩阵x；

式中，n代表样本数，xij即为第i个样本第j个参数

步骤②：计算标准化矩阵的相关系数矩阵

相关系数计算公式如下：

式中：rkj为变量xk和xj之间的相关系数，是第个i变量的平均值，是第j个变量的平均值，n为样本数量；

步骤③：计算相关系数矩阵r的特征方程得到特征值以及特征向量；

步骤③：利用以下公式计算其贡献率τi与累计贡献率η：

式中：λ为矩阵特征值

其中，通过计算主成分的累计贡献率来选取主成分个数，其中贡献率用于表示综合变量解释原始变量的能力；累计贡献率越大说明数据信息损失越小；

步骤③：将数据带入主成分表达式中计算出主成分具体数值，得到新的输入数据；

步骤⑥：将主成分分析后的数据进行归一化，使其数据在(0,1)范围内。

进一步的，步骤4具体方法如下：

步骤①：通过输入输出数据维数，确定输入层节点数以及输出层节点数；

步骤②：利用经验公式对隐层神经元节点取值范围进行确定，其中，n——输入层节点数；m——输出层节点数，a——1到10任意数；

步骤③：运用剪枝法，依次计算不同隐层的训练数据均方误差和预测集误差来选定最优隐层节点数；

进一步的，步骤5具体方法如下：

步骤①：网络初始化，初始化各层之间的连接权值ω以及学习率；

步骤②：利用matlab软件建立起神经网络，利用函数把目标类型构造出适应神经网络输出模式的输出矩阵，网络拟合误差目标值为0.01，训练次数为200，学习速率采用默认值0.01。

进一步的，步骤6具体方法如下：

步骤①：将主成分分析后的输入数据输入至输入层；

步骤②：根据以下公式计算隐含层权值与输入向量x＝[x1,x2,x3,…,xq]^t之间的距离：

式中，wij为输入神经元i与中间神经元j之间权值；q为输入向量维数；

步骤③：选择与输入向量距离最小的两个隐层神经元i，j；

步骤④：计算神经元i和神经元j是否满足下列两个条件：

①隐层神经元i和j对应的类型不一致；

②隐层神经元i和j和当前输入模式的距离di和dj满足下式：

p:输入向量可能落进的中段平面的窗口宽度，通常为2/3左右，则：

①若神经元i对应的类别ci与输入向量对应的类别cx一致，即ci＝cx，则神经元i和神经元j的权值按如下方法进行修正：

wi_new＝wi_old+α(x-wi_old)

式中，α为学习效率；wi_old为调整前连接神经元i和神经元j的权值；

②若神经元j对应的类别cj与输入向量对应的类别cx一致，即cj＝cx，则神经元i和神经元j的权值按如下方法进行修正：

wi_new＝wi_old-α(x-wi_old)

步骤⑤：如果隐层神经元i和j无法达到要求，则更新隐层相关神经元的连接权值，更新方式和lvq算法中的步骤4一样。

进一步的，步骤6其权值和阈值调整如下：

其中，p为r维的输入模式，s¹为隐层神经元个数,为4，iw^1,1为输入层与隐层之间的连接权值矩阵，n¹为隐层神经元的输入，a¹为隐层神经元的输出，lw^2,1为隐层与输出层之间的连接权值矩阵，n²为输出层神经元的输入，a²为输出层神经元的输出。

进一步的，步骤7中：把相同维度的预测样本输入至训练好的神经网络的输入层，经过神经网络运算后的输出结果与实际结果进行对比，计算其准确度。

本发明所达到的有益效果为：

本发明基于pca-lvq神经网络的煤矿顶板突水危险等级预测方法，可以有效的减少输入向量过多的问题，使得网络结构更加简单，精确度更高，通过该方法有利于提高煤矿顶板突水危险等级预测的精确度和速度，结构简单，可有效的防止煤矿顶板突水事故的发生。

附图说明

图1为lvq神经网络模式图；

图2(a)为训练数据均方误差图；

图2(b)为预测数据准确度图；

图3(a)lvq神经网络训练结果图；

图3(b)pca-lvq神经网络训练结果图；

图4(a)fisher预测结果分析；

图4(b)lvq神经网络预测；

图4(c)pca-lvq神经网络预测。

具体实施方式

为便于本领域的技术人员理解本发明，下面结合附图说明本发明的具体实施方式。

本发明的一种基于pca-lvq神经网络的煤矿顶板突水危险等级预测方法。煤矿顶板突水是威胁煤矿安全的重要因素之一。为了快速、准确地识别煤矿顶板突水危险等级，提出了一种基于pca-lvq神经网络的煤矿顶板突水危险等级预测方法。通过查阅相关的资料，找出相关的数据，包括有效厚度、单位涌水量、含水层载荷传递系数、有效保护厚度、分形维值和主关键层到煤层的距离，通过主成分分析(pca)对数据进行降维，并运用学习向量量化(lvq)神经网络对其危险等级进行预测。实验仿真结果表明，提出的基于pca-lvq神经网络的煤矿顶板突水危险等级预测方法相比较于其它诊断方法准确性更高。

本发明共收集了52组煤矿数据，每组数据包括6组变量，从中抽取10组数据进行预测，其余数据对网络进行训练。

将提出的pca-lvq神经网络模型与其他两种预测模型(fisher和lvq)结果进行对比，其比较结果如表1所示。

表1预测结果比较

从表1中的数据可以看出，本发明的方法较现有的两种方法准确率更高且可达到100％的准确率。

表2为经过主成分分析后的特征值以及贡献率。

表2特征值及其贡献率

如表2所示，本发明选取累积特征值大于85％的部分，因此选取前四项作为网络的输入参数。

图1为神经网络结构图，由图1可知，本神经网络由输入层、隐层以及输出层三层神经元组成。输入层与隐层之间的神经元相互连接，在网络训练过程中根据训练数据预测的准确度来修改两层之间连接的权值。每个输出层神经元与隐层神经元的一组连接，其连接权值为固定值1，其训练模式为当输入被送至网络时，离输入模式最近的的隐层神经元被激发，即兴奋神经元，起输出值为1，而其它隐层神经元输出值为0。与兴奋神经元所在组相连接的输出层神经元输出值为1，而其它输出层神经元输出值为“0”，因此可以识别出当前输入模式的类别，从而对其进行判断。

图2(a)，(b)分别为不同隐层节点数对应的训练数据均方误差以及预测数据准确度，由图2(a)，(b)可以看出，隐层节点数为10时其网络处在最佳状态，因此其隐层节点选为10。

图3(a)，(b)分别为lvq以及pca-lvq网络训练结果，由图3(a)，(b)可知，lvq神经网络训练200步后依然未达到要求的精度，其误差最小值为训练第43步时的0.015873，而进行主成分分析后的lvq网络训练在164步的时候达到了要求的精度。

图4(a)，(b)，(c)分别为fisher分析和lvq以及pca-lvq网络预测结果与实际值得比较，其中，纵坐标1代表代表安全区，2代表中等危险区，3代表危险区。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。