基于GWO-Elman神经网络的底板突水预测

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18.748 2和0.014 435,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。