技术领域
[0001] 本
发明涉及
煤矿领域，特别涉及一种矿井断层构造预测方法。
背景技术
[0002]
煤层小断层是指仅出现于煤层(尤其厚煤层、中厚煤层)、顶板或
底板内，其平面分布范围不大、垂向距离有限的小型断层。煤层小断层是影响煤矿生产的重要地质因素之一，它对巷道掘进和工作面回采等具有极大的影响和安全威胁。近年来，由于对
地层结构和小断层发育情况了解不清，致使煤矿开采过程中造成了很大的经济损失，甚至引发事故。对煤层小断层进行定量化预测预报具有重要的理论指导意义和实用价值。
[0003] 由于煤层小断层的发育具有隐蔽性和有限性，一般不易被探测，预测预报难度较大。自20世纪70年代中期以来，国内外学者对地质构造预测做了大量的研究工作。在定性预测和数理统计预测的
基础上，国内学者相继提出了等性
块段法、构造
力学成因解释法、地质构造规律法、地球物理探测法、几何作图法、灰色模糊法、统计分析法等。这些传统方法对解决矿井地质构造的预测预报难题起到了积极作用，但由于预报的构造太宏观、或多解多译问题难以解决、或探测
费用太高、或
精度有限等问题，未能很好的预测预报煤层小构造。近年来，相关学者对于小构造的预测高度重视，提出了多种预测方法。
[0004] 王生全在2001年第23卷第1期的西安工程学院学报期刊上公开了一种小断层预测的方法，论文名为：煤系
变形介质条件研究在煤层小断层预测中的应用。该方法利用灰色关联分析选取了定量化预测参数，建立了基于多元线性回归的小断层定量
预测模型。但是由于断层定量参数与沉积介质参数间线性关系较差使得回归模型预测精度较差，且未考虑沉积介质参数之间的相关性，导致信息重叠，加大了预测误差。
[0005] 黄乃斌等在2006年第34卷第4期的煤田地质与勘探期刊上公开了一种利用回采巷道的中线
水平间距或曲线图预测小构造的方法，论文名为：煤矿开采工作面内小构造预测研究。该方法利用工作面两条回采巷道(
风巷、机巷)的实测资料，通过制图预测隐伏构造的出现及其性质，简单实用，但是人工操作误差较大，若工作面内存在小构造的情况预测结果较差，且没有给出小构造的发育程度。
[0006] 武强等在2010年第35卷第3期煤炭学报期刊上公开了一种基于环套原理的ANN型矿井小构造预测方法，论文名为：基于环套原理的ANN型矿井小构造预测方法与应用。该文章应用“多重环套理论”和
人工神经网络(ANN)技术，提出了预测预报矿井小构造的一套完
整理论体系和工作方法，解决了诱发矿井重大灾害事故小构造的预测预报难题。但是该方法只对工作面前方是否存在小构造作出了判断，并未定量预测工作面内小断层的发育程度。
[0007] 针对上述问题，本发明提出GRA、PCA和Elman神经网络相结合的小断层定量化预测方法。利用灰色关联分析法选取预测小断层的主控因素，使预测参数易于选择；利用主成分分析法进行主成分建模，消除原始
输入层数据的相关性，提取新变量作为Elman神经网络的新输入变量，提高模型的预测速度和精度。
发明内容
[0008] 为满足煤矿生产和安全的需求，本发明的目的是提供一种费用低廉、参数易选择、学习速度快、预测精度高的矿井断层构造预测方法。
[0009] 为解决上述技术问题，作为本发明的一个方面，提供了一种矿井断层构造预测方法，包括：步骤10，确定并统计已开拓区和未开拓区的沉积介质定量参数、以及已开拓区内各统计单元的煤层小断层定量参数；步骤20，利用灰色关联分析法，对沉积介质定量参数进行筛选，从而得到对煤层小断层发育起决定性作用的主控因素；步骤30，利用主成分分析法对主控因素进行
降维处理，以消除主控因素之间的相关性，得到多个主成分；步骤40，将仅包含主成分的数据作为样本数据，利用Elman神经网络建立煤层小断层定量化预测模型；步骤 50，根据预测模型，预测未开拓区域的煤层小断层。
[0010] 本发明选取的沉积介质参数是在勘探或开拓过程中获得的，费用低廉，且将参数定量化，实现了煤层小断层定量化预测；利用灰色关联分析法选取了预测煤层小断层的主控因素，使预测参数易选择；利用主成分分析法进行主成分建模，消除原始输入层数据的相关性，对Elman输入数据进行压缩，减少输入维数，提供了Elman神经网络的预测精度和速度，具有费用低廉、参数易选择、学习速度快、预测精度高的特点。
附图说明
[0012] 图2为利用灰色关联分析法对众多沉积介质定量参数进行筛选的流程图；
[0013] 图3为利用主成分分析法对主控因素进行降维的流程图；
[0014] 图4为本发明
实施例已开拓区7煤层小断层
密度专题图；
[0015] 图5a为本发明实施例7煤层厚度等值线专题图；
[0016] 图5b为本发明实施例7煤层直接顶板厚度等值线专题图；
[0017] 图5c为本发明实施例7煤层底板厚度等值线专题图；
[0018] 图5d为本发明实施例7煤层直接顶板与底板岩性组合类别专题图；
[0019] 图5e为本发明实施例7煤层顶板强岩厚度等值线专题图；
[0020] 图5f为本发明实施例7煤层底板强岩厚度等值线专题图；
[0021] 图5g为本发明实施例7煤层顶底板强岩厚度之和等值线专题图；
[0022] 图5h为本发明实施例7煤层顶板强岩层效应值等值线专题图；
[0023] 图5i为本发明实施例7煤层底板强岩层效应值等值线专题图；
[0024] 图5j为本发明实施例7煤层顶底板强岩层效应总值等值线专题图；
[0025] 图6为本发明实施例试验网络的煤层小断层密度预测相对误差图；
[0026] 图7为本发明实施例Elman网络训练预测值与实际值对比图；
[0027] 图8为本发明实施例煤层小断层定量预测专题图。
具体实施方式
[0028] 以下对本发明的实施例进行详细说明，但是本发明可以由
权利要求限定和
覆盖的多种不同方式实施。
[0029] 本发明涉及一种矿井断层构造预测方法，特别是一种基于灰色关联(Grey Relation Analysis，简称GRA)-主成分分析(Principal Component Analysis，简称PCA)-Elman神经网络的煤层小断层定量化预测方法。
[0030] 请参考图1，本发明提供了一种矿井断层构造预测方法，包括：
[0031] 步骤10，确定并统计已开拓区和未开拓区的沉积介质定量参数、以及已开拓区内各统计单元的煤层小断层定量参数；
[0032] 步骤20，利用灰色关联分析法，对所述沉积介质定量参数进行筛选，从而得到对煤层小断层发育起决定性作用的主控因素；
[0033] 步骤30，利用主成分分析法对所述主控因素进行降维处理，以消除所述主控因素之间的相关性，得到多个主成分；
[0034] 步骤40，将仅包含所述主成分的数据作为样本数据，利用Elman神经网络建立煤层小断层定量化预测模型；
[0035] 步骤50，根据所述预测模型，预测未开拓区域的煤层小断层。以未开拓区内钻孔统计的介质参数为样本首先进行主成分分析，得到Elman神经网络的输入样本，然后利用前面建立好的模型进行模拟仿真，可得到各钻孔处的煤层小断层定量参数预测值。以开拓区内统计的煤层小断层定量参数值和未开拓区内煤层小断层定量参数预测值，绘制等值线图，即可得到研究区煤层小断层定量预测专题图。
[0036] 本发明选取的沉积介质参数是在勘探或开拓过程中获得的，费用低廉，且将参数定量化，实现了煤层小断层定量化预测；利用灰色关联分析法选取了预测煤层小断层的主控因素，使预测参数易选择；利用主成分分析法进行主成分建模，消除原始输入层数据的相关性，对Elman输入数据进行压缩，减少输入维数，提供了Elman神经网络的预测精度和速度。
[0037] 优选地，步骤10中，所述沉积介质定量参数包括：煤层厚度、直接顶板厚度、底板厚度、直接顶板与底板岩性组合类别、顶板强岩厚度、底板强岩厚度、顶底板强岩厚度之和、顶板强岩层效应值、底板强岩层效应值、顶底板强岩层效应总值；其中，将所述直接顶板与底板岩性组合类别按照弱岩层-煤层- 弱岩层、弱岩层-煤层-强岩层、强岩层-煤层-强岩层、强岩层-煤层-弱岩层4种类别进行划分，分别定量化赋值依次为1、2、3、4；所述煤层小断层定量参数是指煤层小断层密度或煤层小断层强度指数。
[0038] 优选地，步骤10还包括统计全区内各钻孔的沉积介质定量参数，并绘制专题图。在采掘工程平面图上，将已开拓区内按照一定长度的网格划分为若干统计单元，统计计算出已采区域内每个单元内的煤层小断层定量参数，并绘制专题图。另外在沉积介质定量参数专题图上，可得到每个单元与煤层小断层定量参数相对应的沉积介质定量参数。
[0039] 优选地，所述步骤20包括以下步骤：
[0040] 步骤21：按下述方式构建原始数据矩阵：
[0041]
[0042] 其中，
[0043] 为已开拓区内统计的所述煤层小断层定量参数统计数据构成母序列；
[0044] 为所述沉积介质定量参数统计数据构成子序列，其中，i＝1, 2,…,m,t＝1,2,…,n，且i为m个子因素的标号，t为n个统计单元号；
[0045] 是对第i个因素在第t个统计单元内得到的观测值，其中， i＝0,1,2,…,m，是主因素(i＝0)及m个子因素的标号，t＝1,2,…,n为统计单元号；
[0046] 步骤22：对所述原始数据矩阵进行无量纲化处理，采用如下公式：
[0047]
[0048] 其中，
[0049] n为统计单元个数；
[0050] 步骤23：计算所述子序列与所述母序列之间的关联度为：
[0051]
[0052] 其中：
[0053] ri,0为关联度；
[0054]
[0055]
[0056]
[0057] i＝1,2,…,m；
[0058] t＝1,2,…,n；
[0059] ξ为分辨系数，一般情况下，取0.1～0.5为宜，通常取0.5；
[0060] 步骤24：将所述关联度大于或等于0.4的沉积介质定量参数作为煤层小断层预测的主控因素。
[0061] 优选地，所述步骤30包括：
[0062] 步骤31，取已开拓区内的主控因素数据作为样本集；
[0063] 步骤32，对样本集数据归一化处理，得到样本集矩阵X；
[0064] 步骤33，将样本集矩阵X用下式变换为相关矩阵，即主成分矩阵R：
[0065] R＝(rij)p×p
[0066] 且 (i＝1,2,…p；j＝1,2,…p)
[0067] 其中：xai为第i个主控因素第a个统计单元的数值；
[0068] 为第i个主控因素所有统计单元数值的平均值；
[0069] xaj为第j个主控因素第a个统计单元的数值；
[0070] 为第j个主控因素所有统计单元数值的平均值；
[0071] n为统计单元个数；
[0072] p为主控因素个数；
[0073] rij为第i个主控因素与第j个主控因素的相关系数；
[0074] 步骤34，确定主成分个数，建立主成分模型；
[0075] 根据主成分矩阵R求出特征值、主成分贡献率和累计贡献率，确定主成分个数m，并按下式建立主成分模型：
[0076] Fi＝a1iX1+a2iX2+…+apiXp(i＝1,2,…,m)
[0077] 其中，Fi为第i主成分；每个方程中的系数向量(a1i,a2i,…,api)是分别是特征值λ1，λ2，…，λm所对应的单位
特征向量；
[0078] 步骤35，求取各单元主成分的取值，作为Elman网络的输入。
[0079] 优选地，所述步骤40包括：
[0080] 步骤41，将已开拓区内的观测样本划分为训练集和测试集，将确定的主成分作为Elman网络的输入值，将相应的煤层小断层定量参数作为网络的输出值；
[0081] 步骤42，用训练集样本进行训练，给出训练步长、最大训练步数、均方差最小值、隐层
节点数、输入节点数、
输出节点数，激励函数，在训练过程中每一步随机设定各层的连接权个
阈值，一旦在最大训练步数范围内均方差达到规定值时便结束训练；
[0082] 步骤43，用测试集样本测试Elman网络，判断煤层小断层预测值与实际值是否满足规定的误差要求，若满足，则终止训练，否则，在重新设定隐层节点，然后再重复以上各步，直到满足规定的误差要求为止。
[0083] 本发明在分析煤层小断层发育特征和沉积介质条件的基础上，确定出煤层小断层和沉积介质的定量参数；利用灰色关联分析法(GRA)对沉积介质定量参数进行筛选，得到预测煤层小断层的主控因素；利用主成分分析法对主控因素进行降维，消除因素间的相关性，得到新的主成分；将仅包含主成分的数据作为样本，利用Elman网络建立煤层小断层定量预测模型。本发明利用沉积介质定量参数对煤层小断层进行预测，费用低廉；利用GRA筛选主控因素，使预测参数易选择；利用PCA对主控因素进行处理，消除因素间的相关性且提高了 Elman网络的预测精度。
[0084] 实施例：预测对象为某煤矿7煤层小断层，预测步骤如前所述。
[0085] 具体的预测过程和结果如下：
[0086] (1)确定并统计出全区(包括已开拓区和未开拓区)的沉积介质定量参数和已开拓区内各统计单元的煤层小断层定量参数。
[0087] 根据断层指标统计的难易程度及矿井实际情况，7煤层小断层定量参数选择煤层小断层密度；在采掘工程平面图上，将已开拓区内按照300m×300m的网格划分为30个统计单元，统计计算出已采区域内每个单元内的煤层小断层密度，绘制专题图(图4)。统计全区内各钻孔的沉积介质定量参数，包括7煤层厚度、直接顶板厚度、底板厚度、直接顶板与底板岩性组合类别、顶板强岩厚度、底板强岩厚度、顶底板强岩厚度之和、顶板强岩层效应值、底板强岩层效应值、顶底板强岩层效应总值；并绘制专题图(图5)。
[0088] (2)利用灰色关联分析法对众多沉积介质定量参数进行筛选，得到对煤层小断层密度起决定性作用的主控因素。
[0089] 将已开拓区内各单元数据输入计算机内，利用matlab
软件作分析处理，选择7煤层小断层密度为母因素，计算各沉积介质定量参数对母因素在任意一单元内的关联系数，然后计算出各沉积介质定量参数在所有单元内关联系数的均值，即为各沉积介质定量参数对煤层小断层密度的关联度，计算结果如表1所示。
[0090] 表1各沉积介质定量参数与7煤层小断层密度的关联度
[0091]
[0092] 优选关联度≥0.4的沉积介质定量参数作为煤层小断层预测的主控因素，即选取7煤层厚度、直接顶板厚度、底板厚度、直接顶板与底板岩性组合类别、顶板强岩厚度、底板强岩厚度、顶底板强岩厚度之和、顶板强岩层效应值、底板强岩层效应值、顶底板强岩层效应总值作为主控因素。
[0093] (3)利用主成分分析法对主控因素进行降维，消除主控因素间的相关性，得到少数几个新变量(称为主成分)。
[0094] 利用SPSS19.0对选取的10个主控因素进行分析处理，得到10个参数的相关系数矩阵(表2)、特征根与主成分贡献率和累计方差贡献率(表3)、主成分
载荷矩阵(表4)。
[0095] 根据表2，10个变量之间的相关性较高，如果直接用于分析，可能会带来共线性问题，因此有必要进行主成分分析。根据表3可知，前3个主成分的贡献率分别为48.237％、22.204％、15.008％，其特征根分别为4.824、2.220、1.501，第一、第二、第三主成分的累积贡献率为85.448％，且特征根均大于1，已包含了评价因素中所需要的大部分信息。故选用前3个主成分即可。
[0096] 表2相关系数矩阵
[0097]
[0098] 表3特征根与贡献率
[0099]
[0100] 用表4中的数据除以主成分相对应的特征值的平方根便得到3个主成分中每个主控因素所对应的系数。因此，3个主成分的综合决策模型如下(这里的 Xi为第i个主控因素的标准化数据；F1、F2、F3分别为第一、第二、第三主成分)：
[0101] F1＝-0.232X1-0.026X2+0.290X3+0.257X4+0.331X5+0.390X6+0.401X7+0.357X8+ 0.295X9+0.398X10
[0102] F2＝0.104X1+0.461X2+0.422X3-0.341X4-0.355X5-0.039X6-0.217X7-0.070X8+ 0.487X9+0.256X10
[0103] F3＝0.510X1-0.466X2+0.296X3+0.168X4-0.095X5-0.319X6-0.232X7+0.432X8-0.06 2X9+0.225X10
[0104] 利用上式即可求出3个主成分在各个单元的取值(表5)，作为Elman网络的输入值。
[0105] 表4主成分载荷矩阵
[0106]
[0107] 表5各单元主成分计算值
[0108]单元 F1 F2 F3 单元 F1 F2 F3
1 -0.250 0.916 -2.104 16 1.995 -1.965 0.988
2 -0.230 0.788 -2.247 17 1.910 -1.905 1.323
3 -0.293 0.197 -1.641 18 -2.671 0.267 0.505
4 0.243 -0.365 -0.203 19 -2.746 0.014 0.342
5 0.508 -0.700 -0.032 20 -3.281 0.332 0.822
6 0.553 -1.294 -0.613 21 -3.109 0.475 1.112
7 -0.135 1.031 -1.462 22 -1.949 0.194 1.159
8 -0.109 0.732 -1.498 23 -2.113 -0.526 -0.236
9 -0.015 -0.493 -0.114 24 -3.446 0.295 1.080
10 0.734 -0.371 0.419 25 -1.724 -0.856 0.161
11 1.318 -0.490 -0.070 26 -3.114 0.196 0.929
12 1.167 -0.932 -0.594 27 -3.629 0.697 0.400
13 1.010 -1.270 -0.090 28 1.228 2.444 0.115
14 0.900 -1.162 0.283 29 0.899 3.427 1.158
15 1.764 -1.150 0.505 30 0.776 0.831 1.607
[0109] (4)将仅包含主成分的数据作为样本数据，利用Elman神经网络建立煤层小断层定量化预测模型。
[0110] 将主成分分析得到的3个指标F1、F2、F3作为输入样本，将煤层小断层密度作为网络的输出值；选取第1～27单元的数据作为训练样本，提供给网络进行训练，第28～30单元的数据作为测试样本，对经过训练的网络进行性能测试。
[0111] Elman神经网络设计为4层，其中输入层3个神经元，
输出层为1个神经元。最大训练步数11000，训练步长20，为采用传递函数tansig和purelin，训练函数为trainParam，设定均方误差0.0001。分别设计隐含层神经元个数(n) 为6、8、10和12，即试验网络1：3:6:1；试验网络2：3:8:1；试验网络3：3:10:1；试验网络4：3:12:1。
[0112] 对设计的4个神经网络进行网络训练，分别检测网络性能。本实施例中通过训练，试验网络2(3:8:1)的性能最好，其预测的相对误差如图6所示。因此，选取试验网络2(3:8:1)作为模型结构进行网络训练，训练预测值与实际值对比如图7所示。
[0113] 采用测试样本(第28～30单元)对训练好的神经网络进行计算和检验，将神经网络的预测结果与实际统计值、单纯采用Elman神经网络的预测结果进行比较，见表6。从本例来看，该发明方法预测结果比较接近实际，最大误差9.9％，精度高，可以满足实际需要，且比单纯采用Elman神经网络的预测精度高。
[0114] 表6该发明方法与实际值及单纯采用Elman网络的预测结果对比表
[0115]
[0116] (5)利用步骤(4)建立的模型预测未开拓区域的小断层。
[0117] 按照上面方法对未开拓区煤层小断层密度进行预测，预测结果见图 7，该研究区煤层小断层定量预测专题图见图8。
[0118] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
