层次分析法在煤与瓦斯突出预测中的应用

孟絮屹

(贵州省煤田地质局实验室)

层次分析法在煤与瓦斯突出预测中的应用

孟絮屹

(贵州省煤田地质局实验室)

将层次分析法用于煤与瓦斯突出预测，利用层次分析算法对煤与瓦斯突出影响因素进行分析，确定煤与瓦斯突出的主要影响因素，并将其作为BP人工神经网络预测系统的输入，既简化了预测系统，加快了预测速度，又提高了预测的准确性。

煤与瓦斯 突出预测 层次分析 神经网络

煤与瓦斯突出是煤矿井下最为严重的自然灾害之一，含瓦斯煤体在极短的时间内，从煤壁及采掘空间喷出大量的煤和瓦斯，造成巨大的动力效应，严重威胁煤矿安全生产。煤与瓦斯突出是地应力、瓦斯和煤的物理力学性质综合作用的结果，预测方法多为在矿井开采的经验数据和某些煤层测定参数的基础上进行，突出事件与突出影响因素之间存在着极其复杂、非线性关系，因而这种指标加临界值突出的预测方法有很大限制，没有达到临界值突出事故也时有发生[1-3]。将层次分析法应用于煤与瓦斯突出预测，可得到较准确的预测结果。

1 层次分析法的应用

1.1 构造层次分析的判断矩阵B[4-5]

层次分析法(Analytical Hierarchy Process，简称AHP方法)是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，此权重最大者即为最优方案。优先权重是一种相对的量度，表明各影响因素在某一特定的评价准则对上一层目标而言重要程度的相对量度。构造判断矩阵，求出其最大特征值。

为了说明层次分析法分析突出预测因素的建模过程，以贵州某煤矿的历史突出预测数据为例进行说明。该矿自建矿以来，共发生了17次瓦斯动力现象，详细记载的有两起：2001年10月，在矿井总回风平巷北翼距总回风上山64 m位置；2002年7月在运输大巷掘进工作面，抛出煤量260 t，喷出瓦斯22 464 m3。

以煤与瓦斯突出理论的综合作用假说为理论指导，在分析该矿突出规律的基础上，参考多位专家的经验，选取具有代表性的突出影响因素。依据优越程度判断标度表，构造煤与瓦斯突出影响因素的判断矩阵B(见表1)。

孟絮屹(1982—),男,工程师,硕士,550008 贵州省贵阳市金阳区阳关大道112号。

表1 突出影响因素判断矩阵

煤体破碎性综合指标是反应煤体破坏类型和软分层厚度的综合指标Kp：

Kp=xMr,

(1)

式中，Kp为煤体破碎性综合系数；x为煤层破坏类型代码，与Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ类煤对应的数值代码为1、2、3、4、5；Mr为煤层中软分层厚度，m。

1.2 层次分析的计算过程

利用matlab2010软件自带的函数计算判断矩阵的特征值和特征向量，程序编码如下：

[v,d]=eigs(B);

tbmax=max(d(:));

其中tbmax为判断矩阵的最大特征值，v为最大特征值对应的特征向量，对v进行标准化后即得出最大特征向量，见表2。

表2 突出影响因素权重排列顺序

为了检验判断矩阵特征向量tbvector的可信程度，需要对判断矩阵进行一致性检验，最后求出一致性判断指标CR=CI/RI。CR值越小判断矩阵的一致性就越好，一般认为CR≤0.1时，即可认为判断矩阵基本上满足一致性的条件，属于可以接受的程度。计算CR=0.050 6，完全满足判断矩阵一致性要求。

2 层次分析应用于BP人工神经网络预测系统

2.1 BP模型输入指标的确定[6-8]

BP人工神经网络在处理煤与瓦斯突出事件与突出影响因素的模糊不精确性、非线性关系具有独特优势，网络输入因素指标要选择对煤与瓦斯突出起决定作用的因素。为达到提高预测精度，降低预测速度的目的，选择前4个因素作为层次辅助神经网络预测模型的输入因素，即煤体破碎性综合指标，钻屑量指标，瓦斯压力和瓦斯含量。BP网络的输入层神经元个数为4，网络的输入层节点数取为4，即输入因素的个数；隐含层节点个数取为9，即为(2n+1)个神经元；输出层神经元个数定为1。

将突出事件量化处理，按照突出特征将其分为4类：无突出、突出危险、一般突出(突出煤量小于100 t)和大型突出(突出煤量大于100 t)，分别用1，2，3，4代表。

2.2 预测模型训练及效果检验

收集该矿33组历史点突出数据资料，将其中22组数据作为BP神经网络的训练样本进行训练，训练次数为1 000次，训练目标为0.001，学习速率为0.1。经过对训练样本训练学习和近1 000次的迭代计算，误差率为0.001%，完全满足精度要求。用训练好的网络对11组样本进行预测，预测结果与实际情况基本一致，如表3所示。

表3 突出预测系统预测结果

3 结 语

通过预测效果检验，总体预测正确率高达90.9%，对不发生突出的预测准确率为100%，其中预测不对的那个也只是预测类型的偏差，原因是训练样本较少，使预测系统具有一定的局限性，若将该模型再补充训练学习样本库，重新进行训练学习，将可得出更加满意的结果。同时也可以看出由于层次分析用于煤与瓦斯突出预测系统，具有很高的可行性和实用性。

[1] 郭勇义,何学秋,林柏泉.煤矿重大灾害防治战略研究与进展[M].徐州:中国矿业大学出版社,2003.

[2] 于不凡.煤和瓦斯突出机理[M].北京:煤炭工业出版社,1985.

[3] 张豫生.基于地质构造的煤与瓦斯突出预测研究[D].阜新：辽宁工程技术大学，2006.

[4] 范金志,郭德勇,张建国.层次分析法确定煤与瓦斯突出影响因素的权重[J].矿业安全与环保,2004(3):4-5,8.

[5] 赵焕臣,许树柏,和金生/层次分析法—一种简易的新决策方法[M].北京：科学出版社，1986.

[6] 支晓伟,林柏泉,齐黎明.人工神经网络在煤与瓦斯突出预测中的应用[J].工业安全与环保,2005(4):42-45.

[7] 刘志云.基于神经网络的煤与瓦斯突出矿井等级划分方法研究[D].西安：西安科技大学,2003.

[8] 葛哲学,孙志强.神经网络理论与matlab R2007实现[M].北京:电子工业出版社,2007.

2015-03-30)