第 30卷第 11 期 2011 年11 期 煤 炭 技 术 Coal Technology Vol.30,No.11 November,2011 基于多元线性回归与 BP 神经网络的矿井瓦斯预测模型应用 曹 朋 1，郝蒙蒙 2，王佳佳 1 （1. 中国矿业大学 矿业工程学院，江苏 徐州 221116；2. 中国矿业大学 环境与测绘学院，江苏 徐州 221116） 摘 要:矿井瓦斯涌出量受众多因素的影响。经研究表明，煤层埋藏深度、煤层厚度、煤层瓦斯含量、煤层间距、日进 度及日产量是影响瓦斯涌出的主要因素。利用多元线性回归和 BP 神经网络理论，分别对矿井瓦斯涌出量进行了 预测，最后建立了多元线性回归与 BP 神经网络的组合预测模型。该模型兼顾了多元回归分析的非线性特性和神 经网络的时序特性，通过具体的实例研究，对比了各种方法的预测结果。结果显示，组合预测的结果与实际有较高 的拟合度，可靠性高。 关键词:矿井瓦斯；多元线性回归；BP 神经网络；组合预测模型 中图分类号:TD712 文章编号:1008-8725（2011）11-0091-03 文献标识码:A Application of Mine Gas Forecast Model Based on Multivariate Linear Regression with BP Neural Network CAO Peng1, HAO Meng-meng2, WANG Jia-jia1 Informatics, China University of Mining and Technology, Xuzhou thickness, coal gas content, coal spacing, schedule, daily output are （1. School of mines，China University of Mining and Technology, Xuzhou 221116， China; 2. School of Environment Science and spatial 221116, China） Abstract:Mine gas emission is influenced by many factors. The study shows that depth of coal seams，coal main factors that affect the gas emission. By using the multivariate linear regression and the BP neural network theory，the mine gas emission is forecasted respectively. Finally，the multivariate linear regression and the BP neural network combined forecasting model is built. This model takes into account both multiple regression analysis of the nonlinear characteristics of the neural network and temporal characteristics, through a specific example, the predicted results of various methods are contrasted, and the results show that the combination forecasting results and practice have higher fitting degree and high reliability. Key words:mine gas; multivariate linear model regression; BP neural network; combination forecast the buried 0 引言 矿井瓦斯是煤矿生产过程中的主要不安全因 素，同顶板、火灾、煤尘、水害并列被称为矿井的 5 大 自然灾害。研究瓦斯涌出规律，减少由瓦斯诱发的煤 与瓦斯突出、瓦斯积聚超限和瓦斯爆炸等煤矿事故 发生，能够有效地改善我国煤矿安全生产现状。瓦斯 涌出量预测一直是国内外学者十分关注的技术难 题，近年来虽取得了一些进展，但仍未得到很好的解 决[1,9]。瓦斯涌出是一个复杂的不可逆系统，受煤层埋 深、煤层瓦斯含量、回采强度等多个因素的影响。对 瓦斯涌出量的预测，通常采用的方法是灰色 GM （1，1） 建模，由于灰色预测方法不可避免地存在误 差，在某些特定情况下误差还可能比较大。为了更大 程度上降低预测误差以及误差带来的影响，经过对 监测数据反复的分析试验，将多元线性回归[2-4]与 BP 神经网络[5-6]进行组合预测，弥补了传统的单一数值 预测方法中的收敛性及适应性差、和对各种复杂随 机因素缺乏内部平衡机制等不足的缺陷[7]，将两者进 行组合预测，使得对瓦斯涌出量的预测精度有了很 大的提高。 1 多元线性回归模型预测瓦斯涌出量 多元线性回归是研究一个因变量 y 和多个自变 "之间的线性关系的方法。其回归模型 "之间有关系式： 量 x1 ,x2 ,…,xm 为设因变量 y 与自变量 x1 ,x2 ,…,xm ! ! y=b0 +b1 x1 +…+bm xm +ε 式中 b0 ，b1 ，…bm ———回归系数； ε———随机误差（残差）。 得到某矿数据如表 1 所示。以前面的 17 组数据 为训练样本，对后面的 3 组数据进行预测，利用 mat－ lab[8]平台进行分析，得到前17 组数据的多元线性回 收稿日期:2011-03-02;修订日期:2011-08-12 作者简介:曹朋（1990-），男，安徽宿州人，现为中国矿业大学矿业工程学院学生，现主持江苏省高等学校大学生实践创新训练计 划项目一项，E-mail：leiyingyes@yeah.net。 中国煤炭期刊网 www.chinacaj.net

·92· 煤 炭 技 术 第 30 卷 表 1 煤矿样本原始数据 样本 序号 煤层 埋藏 深度 /m 煤层 厚度 /m 煤层 瓦斯 含量 /m3·t-1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 405 420 432 449 450 472 507 516 529 533 545 557 563 574 584 604 610 625 639 641 2.0 2.1 2.3 2.3 2.2 2.2 2.5 2.8 2.5 2.9 2.7 2.7 3.0 3.2 5.9 6.2 6.3 6.4 6.5 6.3 1.93 2.15 2.58 2.56 2.43 2.40 3.17 3.22 2.79 3.35 3.16 3.15 3.68 3.70 4.21 4.03 4.15 4.59 4.80 4.67 煤层 间距 /m 20 22 17 18 19 20 13 12 11 13 14 15 12 13 18 16 17 17 15 15 日进 度/m 日产 量/t 瓦斯 涌出 量/m3· t-1 4.42 4.16 4.67 4.66 4.58 4.51 4.39 3.45 3.28 4.02 3.53 3.49 2.85 2.91 2.85 2.64 2.66 2.77 2.92 2.75 1 825 1 751 2 078 2 069 1 996 2 104 2 210 2 242 1 979 2 288 2 217 2 213 2 410 2 415 3 139 3 354 3 445 3 467 3 620 3 412 3.34 3.56 3.62 3.65 4.06 4.17 4.36 4.60 4.92 4.78 5.23 5.20 5.56 5.60 7.24 7.80 7.87 8.07 8.51 7.95 归模型： y =-1.944 2 +0.123 x1+0.422 7 x2-0.451 8 x3+0.025 1 x4-0.238 8 x5+0.000 5 x6 进行相关性检验，得到相关性系数 0.995，残差 分布图如图 1 所示。 图 1 残差分布图 如图 1 所示模型的精确度高，利用多元线性回 归模型进行最后 3 组数据的预测。得到结果如表 2 所示。 表 2 多元回归预测结果 18 19 20 8.07 8.51 7.95 7.873 5 7.983 6 7.919 0 -2.43 -6.186 -0.390 2 BP 神经网络对瓦斯突出量的预测 为使算法的收敛性提高，选用隐含层单元为 10 个，输入数 6 个，输出数 1 个，精度误差控制在 0.0001，训练样本选用前 17 组数据，预测样本选用 最后 3 组数据，利用 matlab 的神经网络工具箱编程实 现。神经网络训练与分析过程如图 2、图 3、图 4 所示。 利用 BP 神经网络得到新的预测结果，如表 3 所示。 3 组合模型对瓦斯突出量的预测 由于多元线性回归与 BP 神经网络之间不可避 免地存在各自的缺点，为了减少因为方法本身带来 的误差，对以上两种模型进行组合，分别对两种方法 样本序号 实测值/m3·t-1 多元回归预测 值/m3·t-1 相对误差/% 样本序号 图 2 神经网络精度训练 图 3 神经网络仿真图 图 4 数据真实值与预测值比较分析 表 3 BP 神经网络预测结果与实测值比较表 样本序号 实测值/m3·t-1 多元回归预测 值/m3·t-1 相对误差/% 18 19 20 8.07 8.51 7.95 8.240 0 8.589 0 8.143 7 2.11 0.93 2.44 得到的结果进行定权，然后得到最终的基于多元回 归与神经网络组合的预测结果，为了使结果更加客 观，对两种方法分别定权为 0.5,0.5。得到由不同方法 获得的预测结果如表 4 所示。 表 4 不同预测方法结果对比 多元回归预测 实测值/m3·t-1 预测值/m3·t-1 相对误差/% 8.07 8.51 7.95 7.873 5 7.983 6 7.919 0 -2.43 -6.186 -0.390 BP 神经网络预测 实测值/m3·t-1 预测值/m3·t-1 相对误差/% 8.07 8.51 7.95 8.240 0 8.589 0 8.143 7 2.11 0.93 2.44 组合模型预测 实测值/m3·t-1 预测值/m3·t-1 相对误差/% 8.07 8.51 7.95 8.056 77 8.286 30 8.031 35 0.164 2.63 1.02 18 19 20 样本序号 18 19 20 样本序号 18 19 20 可以清晰直观地看出，组合模型的精度高于其 它两种单一的预测方法。虽然对某一个样本的预测 结果，组合模型的相对误差会高于其它的单一方法， 但单一的预测方法得到的结果波动比较大，组合模 型得到的误差波动比较平稳，平均误差明显低于另 中国煤炭期刊网 www.chinacaj.net

第 30卷第 11 期 2011 年11 期 煤 炭 技 术 Coal Technology Vol.30,No.11 November,2011 推进速度对综放开采矿压显现影响的实测研究 张学会 1，阚 磊 2 （1. 安徽理工大学 能源与安全学院，安徽 淮南 232001；2. 皖北煤电集团 钱孜营煤矿，安徽 宿州 234000） 摘 要:根据某煤矿具体的地质和工作面开采技术的具体情况，采用现场实测研究方法，对综放工作面回采期间周 期来压、支架工作阻力和煤壁片帮与推进速度的关系进行了现场的实测，得到了在不同推进速度情况下工作面一 些矿山压力显现的变化规律，对确定工作面合理推进速度有积极的意义。 关键词:推进速度；综放工作面；矿压显现 中图分类号:TD823 文章编号:1008-8725（2011）11-0093-02 文献标识码:A Practical Measure Resarch on Effect of Mining Velocity on Strata Behaviors In Fully Mechanized Caving Mining with Large Mining Height ZAHNG Xue-hui1, KAN Lei2 （1.College of Energy and Safety, Anhui University of Science and Technology, Huainan 232001, China; 2. Qianziying Coal Mine, Wanbei Coal Group, Suzhou 234000, China） Abstract:According to the spot condition of geological and mining technology in an certain coal mine, this paper researchs the relation of mining velocity and strata behaviors, working resistance the fully-mechanized coal mining by the method of spot observation，and of supports, some laws are obtained. These laws have a positive guidance in determining the proper mining velocity. Key words:mining velocity; fully mechaized caving face; strata behaviors falling of 0 引言 些因素与工作面推进速度的关系，确定合理的工作 面推进速度，在某煤矿综放面进行了矿压观测实测， 得到大量资料，达得预期的目标。 1 8104 大采高综放工作面概况 在工作面开采技术条件已经确定的情况下，工 作面推进速度是制约煤矿安全高产高效的重要因 素。特别是大采高综放工作面，煤壁高度增加，工作 面工序多，推进速度缓慢，造成了一些列的问题，如 煤壁片帮、顶部冒顶、支架倒斜压死等。为了得到这 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 型得到的误差波动比较平稳，平均误差明显低于另 外两种方法，对于瓦侧突出的预测可以得到较高精 度的结果。 4 结论 某煤矿 3#~5 # 煤层煤厚 11.44~20.55 m，平均 13.27 m，该面煤层稳定，煤层结构复杂，煤层硬度 参考文献： [1] 聂百胜，刘贞堂，撒占友.煤与瓦斯突出预测技术研究现状及发 [2] 李维，杨宝贵，王正标，等.Excel 回归分析及其在矿井瓦斯涌出 [3] 白秀琴，李瑞阁.多元回归分析方法应用实证分析与比较[J].河南 量预测中的应用[J].中国煤田地质,2006,18(6):17-19. 展趋势[J].中国安全科学学报,2003,16(6):40-43. （1）将多元线性回归方法与 BP 神经网络相结 合，形成了极强的互补性，得到一种极佳的函数逼近 能力的预测模型，充分利用了多元线性回归模型的 非线性特性和神经网络的时序特性。该预测模型能 够达到较好的逼近效果，从而达到最优拟合，有效提 高预测精度。 （2）利用基于多元线性回归与 BP 神经网络组 合建立的瓦斯含量预测模型，克服了传统的数学计 算方法精确建模和求解两方面的困难，它不受井下 条件和时间的限制，模型精度高，可以实现对瓦斯涌 出量的准确和动态预测。 科学,2010,28(9):1083-1088. [4] 肖利哲，乔毅红，沈英，等.多元回归模型在企业人力资源规划中 的应用[J].科技与管理,2010,12(4):123-125. [5] 刘丹丹，冯利华，王宁，等.基于 BP 神经网络的义乌市水资源需 求量预测[J].水资源与水工程学报,2010,21(4):114-117. [6] 赵淑芳，陈立潮.BP 神经网络在煤矿排水设备监测中的应用[J]. 计算机技术与发展,2010,20(8):250-252. [7] 谷松，张振文，李国军.矿井瓦斯涌出量的灰色小波神经网络预 测模型[J].煤炭技术,2009,28(10):123-125. [8] 李涛，贺勇军，刘志俭，等.Matlab 工具箱应用指南—应用数学篇[M]. 北京：北京出版社，2000. [9] 张振文，高永利，代凤红，等.影响未开采煤层瓦斯含量的地质因 素定量分析—一铁法盆地晓南矿 14# 煤层为例 [J]. 现代地质， 2007,21(3):950-955. （责任编辑 王凤英） 收稿日期:2011-03-28;修订日期:2011-08-10 作者简介:张学会(1987-)，男，安徽宿州人，安徽理工大学在读硕士研究生，研究方向：矿山压力与顶板控制，E-mail：zxhuini－ hao@163.com。 中国煤炭期刊网 www.chinacaj.net