浅谈基于神经网络的矿压控制研究.pdf

1 2 李树 刚黄 庆享浅 谈基 于神 经 网络 的 矿压控 制研 究 第 4期 ／, j - 浅谈基于神经网络的矿压控制研究 ⋯ 多 ‘ 西 安 矿 业 学 院 资 管 系 西 安 。 。 就 fl前 此 领 域 的研 究 成果 进行 浅析 。 关键词神 经同络顶扳 类型巷道支护 1 前 言 尽 管岩石 力学理 论和 计算 方法近 2 0年 来取 得 了丰硕 的成果 ， 但 由于岩体 的复杂性 和 采矿 的多 变性 ， 岩 石工程 的设计 与决策 在 许多情况下， 还主要凭借专家经验和工程类 比。 随着 计算机科学 ， 尤其是 人工智能 神经 同 络 的发展 ， 才使 知识和 经验 的科学 利用成 为 可能“ ] 。把 人工智 能专 家 系统应用于岩 石 尹 力学， 可以把各种行之有效的方法 专家经 验 、 工程经验 、 理论分析 、 数 值计 算 、 实验模拟 及现场观 测 综 合到一 个基 于知识 的智 能 系 统 中 。 只要领 域专家提 供范例及相应 的解 ， 通 过 特定 的算法对 样本进行 学 习 ， 经过 同络 内 部自适应算法 ， 不断修改权值， 把专家求解实 际 问题 的启发式知识分配到 同络的拓朴结构 及权值分布上 。神经 同络 的知识获取过程与 它 的知识表示 同时完成 ， 当同络学 习结束 ， 系 增长 ， 体积将产生微膨胀作用 。为此 ， 又对上 述两种配 比进行 了膨胀性能试验 。 试验表 明 ， 这两 种配合 比的充填材料 在硬化 过程 中， 体 积 具 有 微 膨 胀 特 性 ， 其 膨 胀 率 分 别 为 0 ． 2 0 5 和 0 ． 1 6 9 。 4充填 施工 目前 在支架壁后充填旃工方面 ， 国内主 要有手工 充填 、 充填袋充填、 泵送 充填和喷射 充填等方式 。 其中前二者施工 工艺 固然简单 ， 但难 以充填密 实 ， 尤其是对支架的顶都 ， 效果 不够理想 。至 于充填泵 充填 ， 已如上述 ， 目前 尚不成熟 。看来采 用混凝土 喷射机进行直接 喷射充填 ， 是一种简便实用的有效方式 。 它 能 使充填料进入狭小 空间， 而且喷射充填时 ， 先 下部 ， 后上 部 ， 从而解决 了封顶 的难题 。其施 工工艺与喷射混凝土基本相 同0 ] 。 该新型充填材料 目前 已在某矿一 回风石 门支护 中得到应用 。该石 门多次穿过煤层和 断层 ， 岩石松散破碎 底臌 明显 。 巷 道掘 进后 ， 首 先架 设 u 型钢支 架 ， 安 装钢 筋 网背板 ， 然 后铺 设 一层塑料编 织布 ， 以防充填料 在未凝 固前漏 失。喷射前 ， 原材 料保 持干燥状况 ， 含 水率不大于 4 。喷射 时， 先两 帮后棚顶 。通 过观察 t 充填密实 ， 效果较好 。 参考文献 i 吴绍情 被兰I 蕞矿的巷遭支护 ． 井巷地压与支护， 19 8 9 1 2 惟 甫矿业 学院编 ．井 巷工程 ．北京 煤炭 工业 出版 社 ， 1 9 8 0 ． 7 收 稿 日期 1 9 9 5 0 6 0 8 维普资讯 4期 李树刚黄戎享浅谈基于神经网络的矿 压控制研究 1 3 斗 手 昕获得的知识表示为权值矩阵或阀值 向 量 ， 从而解 决了传统专家 系统的 瓶颈” 问题 。 我 国矿压及其控制的专家 系统及人工智 能研 究始于 8 0年代 末 ． 而基于 神经 网络 系 统的研究 只是近几年的事 。现就 回采面顶板 类 型的识别和巷通支护的设计决策两个方面 予 以综 述 。回采面顶 扳类型的识别固赋存环 境 、 生 产 条 件 复 杂 多 变 ， 受 制 于 岩 石 强 度 Rc ， 裂隙间距 I 、 分层厚 度 h 、 垮落步 距 L 等诸多 因素 ， 为一典型的非线性 系统 。至 于巷道 支护设 计 ， 既利用神 经 网络的 自学 习 特性 ， 从积 累的大量 的工程 实例 中学 习支 护 设计知识 并 添加到专家 系统 知识库 中 ； 又 通 过 神 经 网络 的非 线性 动 态处 理 与 自适 应 模 式 ， 进行 巷道支护方案 的 自适应类 比 ， 作 为一 条新的支 护决 策途径 ． 服务 于巷道辅 助设计 系统 。 图 1 神经元 模型 神经网络模型有许多种。本文的分析类 型 为其中 的误 差反向传播 网络 ， 即 B P网络 。 它的简要 原理如 图 2所 示 ， 为一典型 的三 层 网络 ， 包括 输入层 、 隐含 层和输 出层。网络执 行两个 过程 学 习训练过程和识别过程 层 图 2 B P 同 培 示 意 图 1 学习训练过程 网络任选 一组神经元 间的连接强度 。 对于每一实例 的学 习分两步 ， 即 前 向 传 递 F o r wa r d P a s s 和 后 向 传 递 B a c k P a s s 。B P包括 比较 网络输 出与 目标 输 出的误差 ， 然后通过 改变 直接 强度 来 减少 误差 。 这个 较正过程也分 两步 ． 先将 误差分配 到 隐节点 ， 再将 误差传递到输入节 点 ， 通过对 连接 强度 的反复修 正 ， 使 网络的输 出与 目标 输 出 的误 差 最 小 ， 从 而 得 到 满 意 的 连 接 强 度 。 训练结束后 ， 获得稳定的 网络结构 、 连接 强度及阈值。 2 识 别过 程 网络经过 学 习训练后 ， 将 待识 别样本 的输入 向量代入 网络 ， 利 用 已获 得 的稳 定 网络结构 、 连接 强度 及 阈值 对该样 本识别 对于输 出层 ， 即得识 别样 本之输 出。 3 回采面顶板类型识别模型 基 于上述 识别 原理研 究 ， 编 制相应 的识 别软件 ] ， 将实测权据 初始化后代入软件运 行 ， 即可建立回采面顶板类型识别模型 。 实例 数据 I 自徐 州、 阜新 、 开 渫 、 峰 峰 、 阳泉 ， 鸡西 等 矿务 局的统计 资料 。 在建立识 别模型时， 以 R c 、 I ， h和 L为 输入向量， 将 目标输出值作为输出向量 ， 首先 维普资讯 1 4 陕西媒炭技术 第 4期 进行 网络 的学习训练 。学习后 建立识 别模 型 冈络 采用三层 B P网络 ， 网络结构 4 4 3 或 、 迭 代 { 炙数 2 0 0 0次 ， 误差 为 0 ． 0 0 0 9 6 ， 即 可识别 。从其 对 4 7个样本的 识别结果看 ， 神 经 网络识 别模型 的识 别 正确 率 为 1 0 0 ， 高 于 目前 国内所采用的模糊 数学 聚类方法 4 巷道 支护设计方案的神经网络识别 1 支护设计知 识的学 习 首先 建 立支 护设 计神经 网络 系统结 构 ， 其 中含有地 质特 征和工程 实例数据 库 ， 存储 巷道 的工 程地 质特征 ， 开采信 息及 巷道支护 的实倒 方案。含神经 网络模型和学 习算法 的 神经 网络 学 习器 以支护 实倒为学 习样本 ， 经 网络的多 次迭代 后获取 支护设 计的知识 ， 并 分 门别类地存储到专家 系统知识库和神经 网 络知识 库 中， 让网络继续学习 。 来 自 1 0个矿 务局 5 0个矿 山巷道的 2 3 0 个工 程实 例 提供于 网络n ] ． 所涉及 的巷 道类 型有 回采 巷道和 准备巷道 ， 断 面形 状有 着半 圆拱形 ， 三 心拱形和 梯形 等 从这些实例 中抽 取 隐含 的、 复杂的地质特征和采矿 信息 ， 并用 作 神经 网络学 习的输入 。确定 的输入 信息有 巷道 顶底板 及两 帮岩石 的单 轴抗压 强度 ， 节 理发育程度 ， 结构 面类型 巷道顶板岩层中软 弱夹 层的厚度 和位置 、 巷道 岩层 中含膨 胀岩 石 的岩 层厚度 、 原岩应力 及应力集 中情况 、 巷 道 埋深 、 地 下水影响 程度 巷道 的使用 跨度 、 巷道类 型与服务年限 、 回采面采高 ， 巷旁 的煤 柱宽度 、 煤层倾角 、 主要软弱结 构面的走向与 巷道轴向的夹角、 主要软弱结构面的倾角以 及爆破震 动等 动载 的影响程度 为遵 循支 护类 型与围岩稳定性 的级别相 对应 的原则 ， 构造两个神经 同络 ， 即围岩稳 定 性分级 神经 同络 RC NN 根据 围岩 的地 质特 征等 信 息识别 出巷道 围岩 的稳 定性 级别 和 支 护 方案选 择神经 网络 O S D NN 根 据 围岩 的稳定性 分级结 果和地 质特征进行支 护方案 设 计 。 2 支 护方案的人工 神经网络 识别 采用 自适 应模式识 别方法 ， 将待 识别巷 道的特征与学习的实例进行模式 匹配， 联想 出巷道 的支护方案 文献” 进行 了 R C NN 网 络的识 别 ， 围岩稳定性 推广预 测的准 确率 为 9 5 。 O S D NN网络所得的支护方案， 与实际 情况对比， 它所预报的支护类型与实际基本 相 符 。 5 几个 结论 1 神经元 网络不 同于其它 机器 的学 习 方法 ， 它可以 自适应地 调整网络权值 当新的 学 习样 本加 入时 ， 可 以以前学 习获得 的优化 网络结构和权值作 为初始值进行连续 的 自适 应 学 习 2 建 立 的回采面顶 板类 型识别 的神经 网络模型 ， 识 别的正确率高 ， 原因是 随着样 本 的 日益丰富 ， 识 别模 型将 不断地扩 充和完善。 3 神经 网络能通过 类似 巷道 模 式 的 回忆 ． 使 系统在个 别数据 缺项甚 至部 分有错 的情况下 ， 正 确决 策。 这一点对于现场 的采矿 工程设 计至为重要 。 神经网络是借鉴真实神经 系统 的某些功 能 ， 抽象 、 概括 、 简化 而成 的一类数学模 型 ， 它 不 同于～ 般的抽象教 学研 究 ， 具 有 明确的 目的性 和极大 的 自由度“ 我国应用神经同络 原理研 究矿 压控制 尚 处 于初级阶段 文献 ] 0 等在岩 石力学智能 化的研究领域开展了卓有成效的工作 ， 他们 应 用人工智能 、 神经网络 、 模 糊数学 等近代科 学 的 基 本 理 论 ， 探 讨 了 智 能 岩 石 力 学 I n t e l l i g e n t R o c k Me c h a n i c s 的推 理方 法 自 适 应模式识别 方法 ， 联 想、 不确定性 处 理 、 专 家系统等问题 ， 提高了岩石力学解决工程宴 际生产的能力 正如 神经 同络研究 的先 驱之一 ， 意大 利 著名科学家 E ． R ． C a a n i e ll o 教授指出的， 神 维普资讯