基于人工神經網絡薄煤層采煤方法優選專家系統研究

呂文玉，李維明, 李維紅

(1.西安科技大學能源學院，陜西 西安 710054；2. 四川省煤炭產業集團有限責任公司技術中心，四川 成都 610091；3. 清華大學經濟學研究所博士后流動站，北京 100084；4.中國礦業大學(北京)文法學院，北京 100084)

目前，我國煤炭資源日益短缺，許多煤礦對于薄煤層，一般采取丟棄不采，造成了很大的資源浪費。薄煤層的合理安全高效開采對于提高礦井服務年限和實現我國能源可持續性發展有非常重要的作用。雖然我國很多礦井都加大了對薄煤層的開采力度，但是薄煤層開采技術難度高和效益差嚴重影響到這些礦井的發展。薄煤層開采中存在著很多問題，主要包括采煤空間狹小以至于設備的安裝調試和檢修等都受到極大的限制，工人勞動強度大，工作面瓦斯排放困難等。薄煤層開采也存在自己的優勢，那就是開采對臨近煤層的影響比較小，頂板的運移小。如今，薄煤層采煤方法的確定主要是依靠采礦工程師的經驗，而煤礦地質條件復雜，很難在地質條件和采煤方法之間建立一個等效的方程。薄煤層開采已經嚴重影響到我國煤炭工業的發展，特別是選擇合理的薄煤層采煤方法，是我國煤炭工業發展面臨的一個重要問題。

如今，神經網絡和專家系統相結合可以用于實現采煤方法的優選。這些方法都可以解決離散變量之間的相互耦合問題，在解決多目標、非連續性問題的非常有效，對于薄煤層采煤方法的合理選擇，可以通過建立基于人工神經網絡的薄煤層采煤方法選擇專家系統來實現，并且能夠在薄煤層開采上給予采礦工程師幫助。

1 薄煤層采煤方法

薄煤層采煤方法主要包括四種：螺旋鉆采煤法、滾筒采煤機采煤法、刨煤機采煤法和房柱式采煤法。德國是世界上薄煤層開采機械化水平最高的國家，他們主要使用刨煤機采煤法和螺旋鉆采煤法。

螺旋鉆機采煤的特點是可以實現工作面無人采煤作業、開采安全可靠；可以開采平衡表外的儲量，延長礦井的開采壽命；工人在巷道內工作，可以杜絕像頂板事故、瓦斯和煤層自然發火等自燃災害；巷道的掘進率高，丟煤少；螺旋鉆采煤工效高；結構比較簡單、容易維護、工作面不需支護頂板等。

刨煤機的主要特點是：刨煤機運行相對平穩，比較容易維護；刨煤機可采煤層的厚度低，在薄煤層開采中使用更加廣泛，可實現無人工作面采煤，操作安全，沒有復雜的液壓系統，安裝使用方便，可以實現薄煤層煤炭的采、裝、運的一體機械化等。

薄煤層滾筒采煤機采煤的主要特點能夠適應厚度變化較大的煤層，可以開采含有夾矸的煤層，滾筒采煤機過斷層能力強，對煤層的地質條件適應性強。因為滾筒采煤機開采煤層厚度薄，薄煤層滾筒采煤機與普通滾筒采煤機不同，主要包括兩種，一種是騎輸送機式采煤機，另一種是爬底板式采煤機。

利用連續采煤機的房柱式開采薄煤層在美國和澳大利亞比較多，使用連續采煤機的花費只是普通長壁開采方法的1/5～1/4，但產量卻能達到1/2。連續采煤機設備運轉靈活，移動迅速，可以后方直接跟進錨桿機進行頂板支護。在我國，由于連續采煤機房柱式采煤法采出率低并且通風條件差，所以很少使用。

2 神經網絡自適應學習法

傳統的神經網絡算法訓練速度慢且效率低。如今針對這種情況，出現了神經網絡的改進算法，改進算法一共可以分為兩類,一類是采用數字優化技術的改進算法,包括Levenberg-Marquardt(L-M) 法、擬牛頓法和共軛梯度法；另一類是采用啟發式技術的改進算法，包括彈性BP方法、自適應學習法和附加動量法。以上的六種改進算法全部集成在MATLAB 的神經網絡工具箱中，本神經網絡薄煤層采煤方法選擇專家系統主要采用自適應學習法來訓練網絡。

傳統的神經網絡算法學習速率調整不當而造成收斂速度慢。而神經網絡改進算法自適用學習法可以根據實際情況自動調整學習速率，從而達到減少學習時間。自適應學習法的權重和閾值的計算公式如下:

(1)

式中lr為網絡學習速率。

lr值的選取不易過長或者過短，如果學習的速率選取的太小,就會造成網絡收斂速度過慢；相反，如果學習的速率選取的太大, 會造成網絡修正過多, 從而致使發散。一般情況下，首先要檢查權重的值，分析誤差是不是真正的降低，如果誤差沒有降低，就說明學習速率過大了，就需要減少其值；如果存在誤差降低, 則說明學習速率選取的過小了，需要對學習速率的值增加一個量。在MATLAB中,lr的調整公式如下：

(2)

式中mse為均方差。

在Matlab神經網絡工具箱中，自適應學習法可以通過traingdx.m和traingda.m兩個訓練函數來實現的。

3 神經網絡薄煤層采煤方法選擇專家系統的實現

3.1 組建知識庫

結構知識庫主要是用來存儲各層節點數和網絡層數。神經網絡薄煤層采煤方法專家系統選用采煤方法，工作面單產與工效作為輸出，通過對薄煤層采煤方法選擇的影響因素分析，最終決定了采用三層網絡，并將薄煤層采煤方法選擇和工作面單產以及工效的主要影響因素，包括煤層的賦存條件(傾角、厚度、水文、瓦斯、斷層、夾矸、頂底板、穩定性)以及人為因素和設備水平11個選項作為輸入。

規則知識庫主要是存儲定性變量的概念，其中輸入的設備水平，利用開機率來表示，在網絡中，煤層傾角、煤層厚度和開機率利用其自身的數值來表示。煤層頂底板條件、瓦斯條件、水文條件，主要是利用分類法來表示，其值為1、2、3、4。由于煤層的斷層條件、穩定性、夾矸和人為因素不能夠采用定量表示，網絡中利用公式求解的值來表示,并將其值控制在[0，1]之間。

范例知識庫主要是用來存儲訓練樣本和檢驗樣本，本專家系統一共選用了30個薄煤層開采成功案例，利用前26個樣本作為訓練樣本，帶入網絡中訓練，利用最后4個樣本作為檢驗樣本，用以檢驗網絡的正確性。

在輸出選項中，采煤方法的表示如下：1代表刨煤機采煤法；2代表滾筒采煤機采煤法；3代表螺旋鉆采煤法；4代表房柱式采煤法。

3.2 數據預處理

本專家系統共采用三層網絡(輸入層、隱含層和輸出層)，為了提高網絡預算的精度，將薄煤層開采的四種采煤方法(滾筒采煤機采煤法、刨煤機采煤法、螺旋鉆采煤法和房柱式采煤法)，分別利用二進制[0 1 0]、[1 0 0]、[0 0 1]和[0 1 1]來表示。在網絡中，輸出層神經元的個數為3個(薄煤層采煤方法、工作面的單產和工效)，輸入層個數為11個，網絡中隱含層個數設為12個。最終得到的范例知識庫如表1所示。其中，表1內的輸入變量是按照規則數據庫的標準所得到的數據。

表1 范例知識庫

當網絡獲得數據后，第一步要做的是把所有的數據都換算到一個規定范圍內，即將數據首先進行統一化處理，當換算的數值呈正態分布時，所得到的數據是最有效的。在進行網絡訓練之前，首先要將輸入選項的值進行轉換，轉換完成后還需檢查各個變量的分布，如果輸入選項的值不呈正態分布或者近似正態分布，則還需要對輸入選項的值進行換算，直至最后輸入的數據呈正態分布或者近似正態分布。其換算公式如下：

(3)

式中：ymin為因變量的最小值；ymax為因變量的最大值；yi為因變量第i個分量；y為歸一化后的值。

4 網絡檢驗

將1～26號的樣本帶入網絡中進行學習訓練后，利用最后4個作為檢驗樣本進行網絡正確性檢驗。得出的值如表2所示。

從表1、2對照可以得出，在薄煤層采煤方法上，最小的誤差為0，最大的誤差為0.15，這些誤差值是非常小，可以認為此網絡對薄煤層采煤方法的預測是100%。在工作面單產中，誤差最大的為7.5%，最小的為3.2%，在工效選項上，誤差最大的為8.6%，最小的為2.3%。

從以上檢驗結果可以得出，設計的基于人工神經網絡薄煤層采煤方法選擇專家系統可以達到預測薄煤層采煤方法、工作面單產和工效的目的。

表2 檢驗結果

5 總結

薄煤層開采技術研究是我國煤炭工業迫切需要解決的問題，本文利用30個薄煤層開采的成功案作為范例知識庫。利用前26個樣本作為學習樣本，后4個樣本作為檢驗樣本，網絡采用3層，其中輸出層神經元的個數為3個(薄煤層采煤方法、工作面的單產和工效)，輸入層個數為11個(煤層傾角、厚度、水文、瓦斯、斷層、夾矸、頂底板、穩定性、人為因素和設備水平)，利用Matlab設計神經網絡,并利用自適應學習法訓練網絡，最后通過檢驗得到采煤方法最小的誤差為0，最大的誤差為0.15，這些誤差值是非常小，可以認為此網絡對薄煤層采煤方法的預測是100%。在工作面單產中，誤差最大的為7.5%，最小的為3.2%，在工效選項上，誤差最大的為8.6%，最小的為2.3%。上述模型預測的結果理想，具有較高的科學性,能夠為采礦工程師提供幫助。

[1] 徐永圻.煤礦開采學[M].徐州：中國礦業大學出版社，2001.

[2] 李建平.開灤復雜煤層綜合機械化和開采技術[M].北京：煤炭工業出版社, 2007.

[3] 鄭麗敏.人工智能與專家系統原理及其應用[M].北京：中國農業大學出版社，2004.

[4] 馮夏庭, 王泳嘉.采礦工程智能系統[M].北京：冶金工業出版社, 1994.