基于模糊聚类神经网络的煤炭资源分类研究_地理论文

摘要：采用模糊聚类神经网络方法建立了煤炭资源分类模型，通过自适应算法与误差逆传播算法相结合，解决了以往神经网络不能处理模糊问题的缺陷，从而更适应现实评价条件的需要。

关键词：资源评价；煤炭资源；模糊；神经网络

中图分类号：TP18；P618.11

文献标识码：A

文章编号：1000－3037(2001)03－0275－08

1　引言

　　煤炭资源分类是煤炭资源评价的基本前提与主要内容，也是对煤炭企业进行资产化管理、开采权流转、合理计取资源税及资源补偿费的重要基础。通过对煤炭资源进行正确的分类与评价，可以估算经营者开采煤炭资源所获得的超额利润（即绝对地租）与由于开采不同等级资源所获得的级差收益（即级差地租）。从而确定开采者所应缴纳的资源租金，促使政企分开、经营权与所有权的分离。因此，煤炭资源的可靠性直接影响煤炭资源资产评估的准确性及资源评价的正确性，故煤炭资源分类研究具有重要的意义。

　　目前煤炭资源分类的方法有多种，如模糊综合分类法、灰色聚类综合分类法及近 10 年间发展起来的人工神经网络理论 (Artificial Neural Network，简称 ANN)。然而对于模糊综合分类法和灰色聚类法来讲，其分类具有主观性，分类结果不稳定；ANN 虽然有很强的分类功能，结果准确，但它只是一种二值性的网络，即输出结果要么属于某类，要么不属于某类。而实际在煤炭资源评价中有些指标是模糊的。本文就是在此基础上提出了采用模糊系统与神经网络相结合的方法，充分发挥各自的优势，从而建立了一种能够进行模糊推理和学习的煤炭资源分类方法。

2 煤炭资源评价指标体系及指标值的计算

2.1 煤炭资源评价指标体系的建立

　　煤炭资源分类是一个多因素、多层次的综合评价问题。通过对影响其价值的因素进行具体分析，可将众多因素分为地质条件、开采条件和外部条件三类。通过与有关专家分析讨论，从中筛选主要影响因素，其评价指标体系如图 1 所示。

图 1 煤炭资源分类指标递阶结构图
Fig.1 Classification structure of coal resources

　　在图 1 中，A 类为开发条件，B 类为参数类，C 类为指标项，该体系中条件、参数及指标的内涵和特征取值、赋值标准如下：

　　(1) 地质条件主要指煤炭资源自身的固有特征，是决定可开发利用性的基本因素，它主要由储量、煤质、煤层、地质构造四类参数 12 个指标构成。

　　储量参数包括储量资源量规模和资源丰度，均以评价区已批准的储量资源量取值。前者是决定煤矿开采规模的首要因素，后者则影响矿井（井田）的划分和开发布局。煤质参数包含煤类、灰分、硫分及发热量等指标，决定了煤炭的经济价值、开发效益及可利用方向。煤类按 GB5751－86 确定后综合赋值，其他三项指标均按评价区综合取值。煤层参数包含主采煤层厚度、煤层稳定性、结构等三个指标，它决定着煤矿开采的规模、开采方法和机械化水平。煤层厚度按评价区煤层的平均厚度取值。稳定性对照《煤炭资源地质勘探规范》(1986)（以下简称《规范》）定性描述的四型 6 种情况定级赋值。煤层结构按地质报告的评语赋值。地质构造参数包含复杂程度、煤层倾角、岩浆岩侵入程度，它影响着采区划分、工作面布置、采煤方法，也影响矿井生产能力的确定。其中煤层倾角按评价区一般情况综合取值。构造复杂程度对照《规范》中描述的四类 12 种构造类别归类分级赋值。岩浆岩侵入情况以其对煤层、煤质的影响程度定性赋值。

　　(2) 开采条件：系指直接制约建井、开采难易程度的各种影响因素。其中以埋藏特征、水文工程地质特征及井害三类为重要，共由 6 项指标构成。

　　埋藏特征参数包含冲积层厚度及煤层埋深。它制约着建井条件、开拓方式、采煤方法和辅助生产环节。这两个参数均以评价区预计可能的工业广场所在区域主采煤层—水平的相间关系定量取值。

　　水文工程地质包含矿井水与主采层顶底板特征，它对煤矿开采及经济技术效益有重要影响。矿井水按《规范》的煤矿床水文地质勘探类型的组合情况定性赋值。工程地质特征则以含煤地层和主采煤层顶底板岩性特征及稳定性综合定性赋值。井害参数包含瓦斯和地温热害，是威胁矿井生产安全的主要潜在因素。矿井瓦斯等级在地质勘探阶段尚无条件确定，以煤层瓦斯含量或以邻近矿井瓦斯含量等级来确定。地温热害按含煤岩系的原始岩温，以地温异常热害区范围定性赋值。

　　(3) 外部条件主要指影响煤炭资源开发建设的社会环境和自然环境。煤炭资源开发建设的投入和产出必须考虑其所处的外部条件，包括经济地理与自然地理两类参数 6 项指标。

　　经济地理环境是比较活跃的因素，它随着社会经济的发展而变化，对煤炭资源经济价值影响甚大，需要从宏观（时间的、地域的）角度长远考虑，它以评价区距经济中心城市的距离来定性赋值。市场质量与规模着眼于资源所处地域在煤炭可持续发展中的重要程度，具体参照《中国煤炭资源预测与评价》。运输条件既立足于当前评价区外围的运输干线布局、运力，也着眼于在中、近期规划新建运输干线的可能。经济地理的 3 个参数均定性赋值。

　　自然地理是客观存在的因素，宏观地制约着煤炭资源开发的可能性。供水水源在我国中西部尤为重要。气候与地形地貌按气候区划和地形形态划分，定性赋值。

　　根据图 1，将指标 C₁～C₂₄（其具体指标见表 1）作为模糊聚类神经网络的输入向量，即网络输入层存在 24 个输入神经元。

表 1 各因素的评价标准与评价值
Table 1 Evaluation standard and value of all factors

注：①地区经济中，各省市区所属经济级别见表 3；②地形地貌中，分级级别见表 4；③市场规模与质量中，分级级别见表 5。

2.2 煤炭资源分类指标评价值的确定

　　由图 1 所给出的煤炭资源主要影响因素评价指标的量纲、数值大小及取值范围各不相同。而神经网络模型要求输入层的输入向量应为取值范围相同的数据，因此，我们将各因素的专业评价指标进行归一化处理，将其转化为 0～1 区间内的无量纲值。在处理过程中，对煤炭开发越有利的指标值其无量纲值越大；否则越小。煤炭资源各因素的评价标准与评价值如表 1 所示。

2.3 煤炭资源的备择集

　　备择集就是因素的各种可能评价结果组成的集合。不论因素为多少，任一样本只能从备择集中对应一个分类结果。煤炭资源的评价结果一般采用优、良、中、较差、差或 I 级、II 级、III 级、IV 级和 V 级来表示。其每项结果的具体特征见表 2 所示。

表 2 煤炭资源评价结果分类及特征
Table 2 Classification and features of the coal resources evaluation results

表 3 所属地区经济级别
Table 3 The economic level of affiliating area

表 4 主要地形地貌类型
Table 4 The main geomorphological types

表 5 市场规模与质量分级标准
Table 5 Classification standard of the scale and quality of the markets

3 基于模糊聚类神经网络的分类方法

3.1 模糊聚类神经网络基本原理

　　Carpenter 等人将神经网络发展成为模糊网络 (FART)。但这种网络的分类效果并不明显，而将 FART 网的竞争学习规则与结构自适应能力同 BP 网的误差修正规则和具有隐含层、记忆能力强的优点相结合，则上述问题即可迎刃而解。新网简称为 FAB 网，由两个子网组成：FART 与 FBP。样本经 FART 子网后得到的输出作为 FBP 子网的期望输出。在 FART 子网中，输入一个样本 x，输出节点进行竞争，输出值最大者获胜。并求出该样本 x 的隶属度

式中，V_k 为输出节点的权向量。

3.2 FAB网进行煤炭资源分类

　　我们以资源条件与开发价值比较合理的 15 个矿井为典型代表，作为样本进行网络学习。样本的各项具体指标值见表 6。

表 6 学习样本评价指标特征值
Table 6 Characteristic values of the evaluating Indicators of new models