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。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 5.48m， 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