基于信息融合技术的矿井瓦斯预测

刘晓悦 高泽斌

摘要：我国煤矿瓦斯事故发生概率极高，瓦斯事故已成为了危害煤矿安全生产以及井下工作人员生命财产安全的主要元凶。

关键词：瓦斯预测；模糊C均值；BP神经网络；

中图分类号：TD77 文献标识码：A

中国是煤炭生产和消费大国，2018年，在我国不可再生能源消费中，煤炭占60%左右[1]。煤炭生产大部分为井下开采，矿井环境复杂多变，随着开采深度不断的加深以及煤层瓦斯涌出量的不断加大，瓦斯问题已经成为煤矿开采的主要安全危害因素。由于矿井瓦斯涌出量也是指导矿井通风和设计的重要指标之一，如何实现瓦斯涌出量准确预测已成为制定相应的防护措施、减少矿难的关键工作。

1.模糊C 均值算法

模糊聚类分析作为无监督机器学习的主要技术之一，是用模糊理论对重要数据分析和建模的方法。在众多模糊聚类算法中，模糊C均值（FCM）算法应用最广泛且较成功，这种算法通过使用误差平方和准则把实际中遇到的一些分类问题通过转化进行求解。

2.仿真

通过中国国家数据库和网络爬虫软件收集开漆矿业集团钱家营矿区2015年12月至2016年6月的回采工作面绝对瓦斯涌出量历史监测数据。该案例中，由于回采工作面绝对瓦斯涌出量影响因素很多，经过参考相关资料，本文选取回釆工作面绝对瓦斯涌出量的10个主要影响因素。

首先将归一化后的数据用最大最小距离算法算出初始聚类中心。计算结果为初始聚类中心有4类，由表可以看出样本数据是一个维数据，所以得到的类别中心的每一个中心点也是一个维数据，结果如表所示。

然后将得到的初始化聚类中心作为FCM算法的初始化条件，得到每个数据到四个聚类中心的隶属度，其均可以用隶属度值来表示其类别，从而得到隶属度矩阵U，见表2。

U为一个 30*4 的矩车，表示这30个样本数据分别属于这四种类型的隶属度，根据隶属度矩阵，按照模糊集合中的最大隶属度原则就能够确定出每个样本数据大概属于哪个类型。任取样本分析，如：第一个样本数据 U属于第一类，U42={0.177 0.432 0.216 0.179}属于第二类。经过FCM 算法聚类后，将处理过的数据和处理过程中得到的数据结果结合起来，可以得到各个因素对瓦斯涌出量的影响程度。

构建基于FCM的BP神经网络预测模型为3层神经网络结构，输入层为10，输出层为1。首先直接将30組数据用单一的BP神经网络预测，得到如下图1结果。

单一神经网络的BP神经网络模型在训练过程中的误差比预期要大，拟合情况一般。随后将由FCM聚类后的结果分别作为神经网络的输出，用已得到的4个子样本训练集训练BP神经网络，可得4个已训练好的一步预测模型，将测试数据集输入到这4个模型中，得到n*4个瓦斯涌出量预测值，每个瓦斯涌出量测量值都有4个对应的预测值 ，根据公式：

（5）

计算得到对应的瓦斯涌出量最终预测值 。预测模型的10组预测输出结果如图4所示。经计算，BP神经网络预测模型在训练过程中的平均绝对误差为0.10385，精确度达到89.7%

3结论

利用MATLAB软件形成一个基于模糊C均值算法和BP神经网络的预测系统，将影响瓦斯涌出量的动态数据与静态数据融合、处理和分析，实现对矿井下瓦斯涌出量更为精确的预测。

参考文献

[1]付华，邵良杉.煤矿瓦斯灾害特征挖掘与融合预测[M].北京：科学出版社，2011

[2]李树仁.煤与瓦斯突出矿井采面瓦斯涌出特征及影响因素分析[J].煤炭技术，2018，37（09）：241-243.

[3]智登奎，李国勇. 基于遗传算法优化神经网络瓦斯浓度预测[J].矿山机械，2013，41（4）：117-120

（作者单位：华北理工大学电气工程学院）