图1 GA优化BP神经网络流程
刘锦伟1,2， 谢雄刚1,2,3， 方井1,2
(1.贵州大学 矿业学院， 贵州 贵阳 550025； 2.贵州大学 复杂地质矿山开采安全技术工程中心，
贵州 贵阳 550025； 3.贵州大学 贵州省优势矿产资源高效利用工程实验室， 贵州 贵阳 550025)
摘要：为了提高BP神经网络预测煤层注水效果的精度，采用遗传算法优化BP神经网络的权值和阈值，建立了遗传算法-BP神经网络模型，并采用该模型对煤层注水湿润半径进行模拟预测。Matlab模拟结果表明，遗传算法-BP神经网络模型的预测结果比BP神经网络模型更准确，平均相对误差降低了40.29%，训练步数减少了1 665步，收敛速度快，稳定性好。
关键词：煤层注水； BP神经网络； 遗传算法-BP神经网络模型； 湿润半径
煤层注水能有效防治矿井粉尘、煤与瓦斯突出、冲击地压等灾害。加强煤层注水效果的科学分析，了解不同注水参数的煤层注水效果，对煤层注水工艺参数的选择有一定的指导意义。目前，煤层注水效果一般采用神经网络、回归分析和模糊聚类等方法进行预测，主要通过数据收集和参数选取来建立数学模型，进而进行模拟预测。对于地质因素变化大的煤层，上述方法所建数学模型的预测精度具有一定局限性[1]。顾新宇等[2]利用有限元方法，通过ADINA数值模拟软件模拟分析了煤层注水效果，取得了较好的效果，但实验是在理想条件下进行的，与实际情况有差别。祖海军[3]利用FLUENT数值模拟软件对煤层注水湿润半径进行了研究，通过与实测数据比较，验证了该方法效果较好。施伟等[4]利用BP神经网络模拟分析了煤层注水效果，验证了BP神经网络在煤层注水效果预测方面有一定的应用价值。但BP神经网络极易陷入局部最小值，因此，本文采用遗传算法(Genetic Algorithm，GA)[5-7]优化BP神经网络的连接权值及阈值，以提高BP神经网络的预测精度，并将建立的GA-BP神经网络模型应用于煤层注水效果预测中。
GA基本原理是根据选择的适应度函数，对编码形成的染色体个体进行评价，选择适应度高的个体参加交叉和变异操作，经遗传操作后的个体集合形成新的种群来进行下一轮遗传操作。循环该过程，最终产生代表问题最优的染色体，经反编码得到优化的网络权值和阈值[8-9]。
GA优化BP神经网络的流程主要包括确定BP神经网络结构、GA优化BP神经网络权值和阈值及BP神经网络预测输出3个部分，如图1所示。通过输入向量和输出向量确定BP神经网络的层数和节点数，进而确定GA个体编码的长度。种群中的每个个体都记录了BP神经网络的所有权值和阈值，每训练一次，权值和阈值就会更新一次，这样多次操作即可得到最优的权值和阈值，最后采用优化后的BP神经网络进行预测[10]。
图1 GA优化BP神经网络流程
决定煤层注水效果的关键是煤层注水参数的合理选择。根据煤层注水相关理论[11]，确定影响煤层注水效果的因素包括煤层的孔隙率、煤层倾角、煤层厚度、注水压力、注水流量、注水量、注水时间。从不同矿区、不同采区、不同煤层的注水资料[12]中筛选23组样本进行煤层注水效果模拟分析。GA-BP神经网络模型样本数据见表1。
2.1 BP神经网络拓扑结构的确定
根据BP神经网络的网络结构理论，一般情况下采用单隐含层即可得到比较理想的结果[13]。本文中预测数据相对简单，因此选用单隐含层的3层神经网络。根据影响煤层注水湿润半径的影响因素，确定BP神经网络输入层节点数为7个，隐含层节点数为15个，输出层节点数为1个。采用Matlab7.0中神经网络工具箱的newff函数创建BP训练网络，输入层到隐含层的传递函数和隐含层到输出层的传递函数分别为S型的正切函数(tansig)和线性传递函数(purelin)。BP神经网络结构如图2所示。
2.2 输入、输出数据预处理及参数设置
为了加快BP神经网络的训练速度，减小模拟过程中的误差，需对BP神经网络的输入、输出数据进行预处理。采用premnmx函数对输入向量p和目标向量t进行归一化处理，格式为[pn, minp,maxp,tn,mint,maxt] =premnmx(p,t)(其中pn，tn分别为归一化的输入向量和目标向量)，将每组数据量化到[-1,1]内。网络训练采用归一化数据。训练结束后，采用postmnmx函数将结果还原为最初目标所用的单位。
训练的BP神经网络模型参数：学习率为0.02，最大训练次数为10 000，训练要求精度为0.000 1。
2.3 GA优化BP神经网络的实现
目前，基于Matlab的GA工具箱主要有GATBX，GAOT，GADS等，其中GADS为Matlab7.0自带的工具箱。可通过Matlab编程、Matlab函数调用、Matlab工具箱实现GA。本文选用GATBX工具箱，通过Matlab7.0编程来实现GA优化BP神经网络。
BP神经网络训练采用GA优化的网络权值和阈值，采用二进制编码方案。设定初始种群规模为40，进化次数为50次，交叉概率为0.8，变异概率为0.2，网络总误差为0.000 1。将得到的最优个体解码作为BP神经网络的初始权值和阈值。适应度函数为gabpeval，编解码子函数为gadecod。
表1 GA-BP神经网络模型样本数据
注：21—23组样本为测试样本。
图2 BP神经网络结构
模拟训练结束后，选取3组数据作为测试样本，预测煤层注水湿润半径，并与BP神经网络预测结果进行对比，结果见表2。GA优化过程中最优个体适应度变化曲线如图3所示，BP神经网络、GA-BP神经网络训练误差曲线如图4所示。
表2 BP神经网络与GA-BP神经网络预测结果比较
图3 最优个体适应度变化曲线
(a) BP神经网络训练误差曲线
(b) GA-BP神经网络训练误差曲线
图4 神经网络训练误差曲线
从表2可看出，BP神经网络预测值的平均相对误差为3.4%，而GA-BP神经网络预测值的平均相对误差为2.03%，较BP神经网络降低了40.29%。从图3可看出，GA优化过程中最优个体适应度呈阶梯式下降趋势，其值由最初的0.132下降到0.107 5，且遗传代数为37代时最优个体适应度达到稳定。从图4可看出，BP神经网络方法循环到8 762步才收敛于目标误差值，而GA-BP神经网络方法于6 097步左右即可达到0.000 099 995 7的学习精度，且网络趋于稳定。
(1) 模拟预测结果证明GA优化BP神经网络权值和阈值的方法能够较好地解决BP神经网络易陷入局部最优的问题，增强网络的智能搜索能力。
(2) 通过煤层注水湿润半径预测实例可看出，GA-BP神经网络比BP神经网络的预测平均相对误差降低了40.29%，精度更高，收敛速度快。
(3) 由于GA在迭代过程中所需时间较长，导致预测实时性不高，有待改进。
参考文献：
[1] 李丽丽.煤层注水效果分析的仿真研究[J].计算机仿真, 2012，29(4):234-237.
[2] 顾新宇,马尚权,陈开岩,等.有限元方法模拟分析煤层注水效果[J].煤炭技术,2010,29(6):106-108.
[3] 祖海军.基于FLUENT的煤层注水湿润半径模拟研究[J].煤炭与化工,2014,37(1):124-127.
[4] 施伟,刘建辉,秦书玉.基于BP网络的煤层注水效果的预测[J].计算机仿真,2009,26(3):172-174.
[5] 胡锦宏.基于遗传神经网络的煤层气含量预测[J].绿色科技, 2015(2):260-263.
[6] 吉振光.基于遗传算法改进的BP神经网络模型在邻近层瓦斯涌出量预测中的应用[J].煤矿安全, 2011,42(7):36-38.
[7] 刘奕君,赵强,郝文利.基于遗传算法优化BP神经网络的瓦斯浓度预测研究[J].矿业安全与环保，2015，42(2):56-60．
[8] 陈俊杰,王明远.基于遗传算法的拐点偏移距神经网络预测模型构建及分析[J].中国地质灾害与防治学报,2015,26(2):142-147.
[9] 雷英杰，张善文.MATLAB遗传算法工具箱及其应用[M].西安:西安电子科技大学出版社，2005:8-9.
[10] 张红鸽,张钊,张伟.遗传算法优化BP神经网络预测上覆岩层破坏范围[J].煤矿安全, 2012，43(4):15-17.
[11] 金龙哲,李晋平,孙玉福,等.矿井粉尘防治理论[M].北京:科学出版社，2010:67-71.
[12] 秦书玉，张永吉，田利军，等.煤矿安全数学分析与预测[M].北京：煤炭工业出版社，2002:271.
[13] 宁齐元,刘祖德,游曦鸣，等.基于BP神经网络煤与瓦斯突出强度预测模型[J].煤矿开采,2012,16(6):19-20.
经验交流
刘锦伟，谢雄刚，方井.基于遗传算法-BP神经网络的煤层注水效果分析[J].工矿自动化，2016,42(1)：48-51.
LIU Jinwei1,2, XIE Xionggang1,2，3, FANG Jing1,2
(1.Mining College, Guizhou University, Guiyang 550025, China; 2.Engineering Center for Safe
Mining Technology under Complex Geologic Conditions, Guizhou University, Guiyang 550025,
China; 3.Guizhou Engineering Lab of Mineral Resources, Guizhou University, Guiyang 550025, China)
Abstract:In order to improve prediction accuracy of coal seam water infusion effect by using BP neural network, genetic algorithm was used to optimize weight value and threshold value of BP neural network. Genetic algorithm-BP neural network model was built and used to predict wetting radius of coal seam water infusion. The Matlab simulation result shows that the genetic algorithm-BP neural network model has more accurate prediction result than BP neural network model, average relative error of the genetic algorithm-BP neural network model is reduced by 40.29%, training steps are reduced by 1 665 steps, convergence speed is fast and stability is good.
Key words:coal seam water infusion; BP neural network; genetic algorithm-BP neural network model; wetting radius
作者简介：刘锦伟(1990-)，男，甘肃庆阳人，硕士研究生，研究方向为矿山安全与灾害防治，E-mail:276904359@qq.com。
基金项目：国家自然科学基金资助项目(51264004)。
收稿日期：2015-11-03；修回日期：2015-12-01；责任编辑：李明。
中图分类号：TD67
文献标志码：A 网络出版时间：2015-12-31 15:58
文章编号：1671-251X(2016)01-0048-04 DOI:10.13272/j.issn.1671-251x.2016.01.014