基于GWO-Elman神经网络的底板突水预测

作     者：施龙青 张荣遨 徐东晶 李越 邱梅 高卫富 SHI Longqing;ZHANG Rongao;XU Dongjing;LI Yue;QIU Mei;GAO Weifu

作者机构：山东科技大学地球科学与工程学院山东青岛266590 山东科技大学资源与土木工程系山东泰安271000 

出 版 物：《煤炭学报》 (Journal of China Coal Society)

年 卷 期：2020年第45卷第7期

页      面：2455-2463页

核心收录：

学科分类：0819[工学-矿业工程] 081903[工学-安全技术及工程] 08[工学] 

基　　金：国家自然科学基金资助项目(41807283,51804184) 中国煤炭工业协会2018年度科学技术研究指导性计划资助项目(MTKJ2018-263) 

主　　题：底板突水 灰狼优化算法 Elman神经网络 熵值法 华北型煤田 

摘      要：我国是世界最大的煤炭生产国和消费国,特别是在我国的华北地区,煤炭储量非常丰富,但由于华北地区的水文地质条件复杂,煤炭实际生产过程中事故频发,特别是煤层底板突水事故,一旦发生往往会造成较为严重的人员伤亡和财产损失。因此煤层底板突水预测已经成为煤矿安全生产领域研究的重点。山东巨野煤田红旗煤矿是典型的华北型煤田,其主要可采煤层3煤层平均厚度5.48 m,实际生产过程中受底板突水威胁严重,在矿井的建设及生产过程中多次出现底板突水。为了对3煤层进行底板突水预测,在分析收集红旗煤矿相关矿井水文地质资料的基础上,选取断裂分维值、取心率、隔水层厚度、单位涌水量、渗透系数、底板含水层总厚度、承压含水层水压共7个因素,作为进行底板突水预测的主要影响因素;以现场实际数据为输入样本,通过灰狼优化算法(Grey Wolf Optimizer,GWO)得到Elman神经网络优化的最佳权重和阈值,分别为18.7482和0.014435,之后建立相应的GWO-Elman神经网络底板突水预测模型;在此基础上通过测试样本输入模型验证,结果准确率达到100%,再用熵值法确定权重的脆弱性指数法进行对比,证明神经网络模型准确度更高,可以用于工程实际。最后,利用所建立的神经网络模型对2个未开采工作面进行了底板突水预测,将预测结果指导矿井实际安全生产。