遗传算法和神经网络在煤矿突水预测中的应用研究

[摘 要] 煤矿行业作为我国主要的能源行业在信息化建设中严重不足，目前的安全化管理水平严重制约了煤矿企业的发展。煤矿企业在生产中会发生一些突发事件，比如煤矿突水就是煤矿在开挖过程中极易发生的安全隐患，一旦这种情况在煤矿生产中发生，会给施工带来极大的障碍，给企业的发展带来巨大的挑战，在如何处理煤矿突水事件中就必须寻求一些方法来降低这些事件发生的概率。基于遗传算法和神经网络设计方案算作为一种新型的革命性技术，是以数据可视化技术为主，能对所有任务进行处理，充分的发挥计算机这种媒介的优势，有着强大的功能，完全能适应煤矿企业的发展需要，为解决煤矿企业安全化建设提供技术支持。而本文介绍了一些能适用于煤矿企业的安全化系统，并且分析了遗传算法和神经网络在煤矿突水预测中的应用的优势，为煤矿企业信息化的发展提供了一种具有良好前景的模式。

[关键词] 神经网络； 煤矿突水； 优化设计； 遗传算法

1 引言

煤矿行业作为我国的一种重要的传统能源行业，在国民经济、人民生活等众多领域中起着举足轻重的作用。但现阶段我国的煤矿企业普遍存在着安全化的建设水品严重的滞后，在生产中，安全保障方法严重的不足，开挖的成本居高不下。而与其相对的是近些年来，遗传算法和神经网络技术的兴起，改变了传统安全监测的诸多不足之处，使得信息安全化技术渗透了人们生活的每个角落。在很多地方已经将引进遗传算法和神经网络技术这种重要的辅技术作为一种衡量公司运营好坏的标准。

而现阶段我国的煤矿企业基本上受制于安全化系统不发达，从而使得煤矿生产中的突水事故经常发生，同时，企业内部的各个应用之间也难以连通，不利于系统集成，致使系统内沟通繁琐。不止如此，缺乏有效的安全化技术也使得领导缺乏及时有效的数据用于推断预测企业的发展与行业的发展趋势。这些问题在一定程度上严重的制约了我国的煤矿行业发展，利用现有遗传算法和神经网络技术的煤矿监测技术完全可以大大改善这种现象。

因此，将遗传算法和神经网络的技术引入我们煤矿行业势在必行。而在预测煤矿突水事件的方案中可以有效的将信息资源集中到各个管理机构，从而推进煤矿行业的安全化进程，促进煤矿行业的发展。

2 神经网络在煤矿突水预测中的应用

神经网络是一种符号数值相结合以人工神经网络为核心建造的智能预测系统。其采用一种或多种神经网络算法来学习输入输出之间的关系，摒弃了传统产生式系统的结构和工作周期。该模型的建立过程，一是确定矿井突水的主要影响因素即确定输入层神经元的个数，如含水层条件、构造条件、岩性组合条件、开采条件以及岩性特征等因素；二是确定隐含层的层数和神经元的个数；三是确定输出层神经元的个数。对建立的模型进行训练和检验，准确率高达100%。在突水事故中因构造引起事故的主要控制因素是断裂构造。神经网络非线性特征可以实现数据输入和输出的任意映射，这使得它在许多领域得到了广泛的应用，如模式识别、函数逼近、数据压缩等领域。神经网络的学习过程按照有导师的方式进行网络学习训练，分为网络输入信号正向传播和误差信号反向传播两种形式。在正向传播中，输入数据从输入层经过隐含层逐步计算结果，将其传向输出层，网络的训练过程中输入模式的网络信息与输出层的各神经元输出值对应；在学习的过程中，若输出层得不到预先设定的期望输出，则网络按减小期望输出与实际输出的误差理论原则。

神经网络技术正由于其强大的数值处理能力，因而用于煤矿突水事件的设计，这种设计也是最近几年才开始使用，为生产提供了很好的科学方案设计。在使用了神经网络技术预测突水后，可以大大提高设计效率和质量，还保障了煤矿生产中的安全。基于神经网络技术的煤矿预测突水设计方案优化的目的是让施工中在最少的材料和最低成本的情况下，用最合理的技术完成要求的工作，最大程度的完成施工中不发生突水事件，把巷道内部的强度、刚度、稳定性能都 发挥出来。神经网络技术软件就是比人工系统多出了智能识别，自动的在系统内部生成机械的最有配置。

⑴ 非线性的优化设计法

非线性的优化设计是不同的约定的函数数值所产生的一种安全设计方案。系统在使用时，会自动生成约定之外的函数数值，这些数值直接用于机械的编程使用中，指导施工运行。这种非线性方案可以分为两种。一种是利用目标定位将一次积分和二次积分在相乘的情况下，再次加权，以得到相应的施工设计方案。这种方法具体有共轭替代法、变化模式阶层法以及多普勒开根号法。这些在神经网络技术的安全方案中正是由于稳定性能良好，计算较为简便，所以使用比较广泛。另外一种就是假定一个多元函数，将函数在定义域范围内缩减至有效值，把目标函数的第三种类型编程可分析区域加以利用。这种方法虽然比较简单，但是用于突水预测中却很少，最主要的原因是在转变编程中多次使用神经网络技术，导致系统的数据无法完全复制到程序中，施工所执行的命令和指令都是很片面，具体变现在工作断断续续，不能系统的完成整个工程的协调指令。

⑵ 线性优化设计法

在突水预测设计问题大多要使用线性函数，根据线性函数出来数据时又可以分为直接法和间接法。直接法通常有复杂图形静态变现法，在突水预测在运转中会遇到一些人为情况下无法处理的事情，这时利用神经网络技术所生成的处理技术，可以很好的在具体的点位固定目标，将安全设施指引到正确的位置。构造中，函数不断的迭代，自动加载出合适的运行模式，在一系列的数学计算后，得出线性解答，最终得到合理的解决方案。

间接法常见的有共轭函数法、增广矩阵变化法。它是将煤矿突水的线性优化问题转化成非线性优化问题，再通过非线性优化方法来求解，或者非线性优化问题转化成线性规划问题来处理。加运转的指令以坐标的形式发散出去，得到的目标函数在通过重复的验算，再次得到神经网络技术中所要求的优化方案。

3 遗传算法在煤矿突水预测中的应用

基于遗传算法技术的煤矿突水预测设计是在以往传统的机械设计理念上加上了更多的计算机数据编程，是一种更加科学的现代化手段。为在煤矿生产效率中也得到了很好的优化，也能使煤矿生产安全达到更好、更高的要求。接下来，我们将着重介绍在煤矿突水预测中使用安全技术优化方案中的遗传算法。

遗传算法，是20世纪70年代初期由美国密执根大学霍兰教授提出的一种为煤矿突水事故提供预测方法的一种提前预案。GA是一种在人为施工条件下非确定性的拟自然算法，这种算法是根据自然界仿照生物的固有进化规律，对一个大的群体进行随机抽样，观测其繁衍变化以及淘汰机制。其中就会有适者生存，不适者就会被淘汰，按照这样的规律不断重复，使整个群体在繁衍的素质上和种群的数量上都会有很大的提高，时间变长，这样的趋势会显现的更加明显，最终会以一种优化平衡的态势趋于平衡，并且保持最优配合比。遗传算法具有鲁棒性、自适应性、全局优化性和隐含并行性。

主要应用领域有：函数优化方面、机械的组合优化、机器概念学习、设备的控制方面、三维图型显示、机械设备故障诊断、人工生命、神经网络等最近几年中遗传算法在机械工程领域也开展了多方面的应用。本文中提到的煤矿突水预测技术下的设计优化就是选取这样的设计理念，在优势上有了很大的突显，主要表现在：

（1）煤矿整体结构优化设计：在煤矿生产中，多考虑到安全方面的因素，遗产法在结合突水施工行为后，针对多样的遗传算法中的弹性改变量、固定动态与波段概率等是不能够改变机械设备的运行模式，也就不能对煤矿施工安全有任何的优化过程。在提出了交叉适应变于线替改变的方法后，弹性改变量就会维持在一个平稳的状态，遗传算法中的频率会体现在设备的转动上，这种遗传算法为解决煤矿突水在工程使用中结构优化设计、多峰值函数求极值等问题提供了参考。

（2）可行性分析：在安全的整个框架系统中，模拟了固定模式中的运行，加上基于数据可视化技术下的运转方式，把整个系统的优化性再次提升，能够在加工材料和零件上的加工都有很好的保护作用，避免了很多机械设备在使用中对于不明施工环境变化导致的机械损坏，提出框架结构系统可靠性优化的遗传算法在安全设备升级优化都有积极的帮助。

（3）故障诊断：以网络权重和偏差的实数形式作为基因构成染色体向量，采用基因多点交叉和动态变异进行种群最优选择，提出了一种新的基于数据可视化技术的遗传算法，并在此基础上设计出一种基于遗传算法和有毒性气体分析的技术，使得煤矿机械设备会在满负荷工作时自动的对整个电路系统起到测试的作用。

尽管遗传算法在突水预测技术指导下已解决煤矿生产中了许多难题，但还存在许多不足之处，如算法本身的参数优化问题、如何避免过早收敛、如何改进计算机有效的工作时间和工作方法来提高算法的效率、遗传算法与其它优化算法的结合问题等。用遗传算法求解约线性和非线性优化问题时，一般采用共轭发散函数法，如何合理的选择共轭因子是算法的难点之所在。共轭因子取得过小时，可能造成整个发散函数的极小解不是原目标函数的极小解；共轭因子取得过大时，搜索过程增加困难，所以对煤矿突水预测技术中遗传算法中的一系列问题还有待于进一步研究、讨论。

4 结束语

遗传算法和神经网络在煤矿突水预测中的应用设计作为一项革命性的技术，在许多行业中都有着巨大的发展空间及应用价值。在煤矿企业安全化进程中引入遗传算法和神经网络技术有着明显的优势，它在简化管理，加强安全监控等方面具有不可比拟的优势，十分适合我国煤矿企业的发展。利用安全设备的优化方能能实现对煤矿突水事件的规避，使得煤矿行业能可持续发展。

[参考文献]

[1] 濮良贵. 机械零件[M]. 北京高等教育出版社，1982，5（13）：23-26.

[2] 蒲 俊，吉家锋. 数据可视化技术数学手册[M]. 上海浦东电子出版社，2002，9（11）：100-108.

[3] 范垂本，陈立周，吴清一. 机械优化设计方法[J]. 机械制造，1981，16（32）：132-134.

[4] 秦东晨，陈江义，胡滨生，等. 机械结构优化设计的综述与展望[J]. 中国科技信息，2005，8（9）：29-33.