开采影响下建筑物损害程度的人工神经网络预测模型.pdf

第 23 卷 第 4 期 岩石力学与工程学报 234583～587 2004 年 2 月 Chinese Journal of Rock Mechanics and Engineering Feb.， 2004 2002 年 4 月 1 日收到初稿，2002 年 5 月 20 日收到修改稿。 * 河南省优秀中青年骨干教师基金项目和河南省教育厅自然科学基金2003440222资助项目。 作者 郭文兵 简介男，34 岁，1991 年毕业于焦作工学院采矿工程专业，现任副教授、中国矿业大学在读博士，主要从事“三下”采煤与特殊开采 方面的科研和教学工作。 开采影响下建筑物损害程度的人工神经网络开采影响下建筑物损害程度的人工神经网络 预测模型预测模型 * * 郭文兵 1，2 吴财芳3 邓喀中1 1焦作工学院资源与材料工程系 焦作 454000 2中国矿业大学环境与测绘学院 徐州 221008 3中国矿业大学资源与地球科学学院 徐州 221008 摘要摘要 在综合分析开采影响下建筑物损坏程度影响因素的基础上，采用自适应 BP 神经网络技术建立了建筑物采 动损坏程度的预测模型。以大量的建筑物采动损坏实例作为学习训练样本和测试样本，对模型预测结果与实际值 进行了对比分析。结果表明，用人工神经网络方法预测建筑物采动损害程度是可行的。为开采影响下建筑物损坏 程度预测和评价探索出了一种新的方法。 关键词关键词 地下工程，采动损害，建筑物，神经网络，智能预测 分类号分类号 TD 823.83，TP 183 文献标识码文献标识码 A 文章编号文章编号 1000-6915200404-0583-05 ARTIFICIAL NEURAL NETWORK PREDICTION MODEL OF MINING-INDUCED DAMAGE OF BUILDINGS Guo Wenbing1 ，2，Wu Caifang3，Deng Kazhong1 1Department of Resource and Material Engineering，Jiaozuo Institute of Technology， Jiaozuo 454000 China 2College of Environment and Spatial Inatics，China University of Mining and Technology， Xuzhou 221008 China 3College of Resource and Earth Science，China University of Mining and Technology， Xuzhou 211008 China Abstract The main factors affecting the mining-induced damage degree of buildings are comprehensively analyzed. Then the model is established to predict the damage degree of buildings by applying the theory of artificial neural networkANN. Based on a large amount of cases related to buildings damaged by mining，the predicted results of the model and the measured values are compared and analyzed. The results show that it is feasible to predict the mining-induced damage degree of buildings by ANN technology. Key words underground engineering，mining-induced damage，building，artificial neural networks，intelligent prediction 1 引引 言言 我国建筑物下压煤量占“三下”建筑物下、水 体下、铁路下压煤量的 60以上。开采建筑物下压 煤会使建筑物受到不同程度的影响，甚至威胁建筑 物的安全和使用，其采动影响破坏程度是煤炭企业 和建筑物所有者都十分关心的问题。它将影响到煤 矿地下开采方法的选择、建筑物下采煤的技术经济 效果和建筑物保护措施的选择等方面。因此，在建 筑物下压煤开采之前，准确预测和评价地下开采对 地表建筑物的影响程度一直是建筑物下采煤技术领 584 岩石力学与工程学报 2004 年 域研究的重要内容。 实践表明，影响建筑物采动损害程度的因素很 多，这些因素有些是确定的、定量的，有些则是随 机的、模糊的、定性的，并且存在着复杂的非线性 关系，难以用确定的数学或力学模型准确描述。因 此，用数学或力学的方法预测开采影响下建筑物的 损害程度往往比较困难和繁琐。如传统的方法一般 是先根据岩移观测资料和具体的地质采矿条件确定 地表移动参数，然后预测建筑物所处位置的地表变 形值，再根据所建立的建筑物损害程度与地表变形 值之间的关系，确定建筑物的损害程度和等级。据 文[1～10]，我国自 20 世纪 60 年代进行建筑物下采 煤试验以来，积累了大量的现场观测资料和丰富的 经验，为进一步探索新的建筑物采动损害程度预测 理论奠定了可靠的基础。 从文[11～13]可知，近年来发展起来的人工神 经网技术为这一问题的解决提供了有力保证，它具 有自组织、自学习和强容错性能，能建立复杂的非 线性映射关系。因此，在岩石力学、采矿工程等领 域得到了越来越广泛的应用，见文[14～18]。本文 在综合分析砖混结构建筑物采动损害影响因素的基 础上，结合现场工程实例，首次利用人工神经网络 技术的高度的非线性映射能力，建立了建筑物采动 损害程度的预测模型，为开采影响下建筑物采动损 害程度预测和评价探索出了一种新的方法。 2 建筑物采动损害程度的影响因素 及损害等级的划分 建筑物采动损害程度的影响因素 及损害等级的划分 2.1 影响建筑物采动损害程度的因素分析影响建筑物采动损害程度的因素分析 影响砖混结构建筑物采动损害程度的因素，不 仅有地质采矿方面的因素，而且有建筑物本身方面 的因素[2 ～4，7]，归纳起来主要有 1 开采深度 H 和开采厚度 M。 开采深度越大， 开采煤层厚度越小，对地表移动变形及其建筑物影 响程度越小。 故本文采用采深与采厚的比值 H/M 来 综合反映该 2 因素对建筑物的影响程度。 2 工作面尺寸。沿工作面走向和倾向的尺寸 分别反映了这 2 个方向的采动程度，由于非充分采 动时地表最大下沉值与这 2 个方向的采动程度系数 有关，故用采动程度综合影响系数表征沿工作面走 向和倾向尺寸对地表建筑物的影响。综合影响系数 n 按下式计算[2 ，8] 31n nn 1 式中 1 n， 3 n分别为沿倾向和走向的采动程度系数， 1 n 0.8D1/H，n30.8D3/HD1和D3分别为沿倾向和 走向的工作面尺寸m，H为平均采深m。当n1， n3大于 1 时，则取 1 代入上式。 3 覆岩平均坚固性系数f。覆岩强度对煤层开 采以后上覆岩层的移动和变形起着重要作用。如覆 岩平均坚固性系数越小，覆岩岩性越软，下沉系数 就越大，对建筑物就越不利。f按下式计算 i ii m Rm f Σ Σ 10 2 式中mi为覆岩第i层的法向厚度m，Ri为第i层 的单向抗压强度MPa。 4 煤层倾角α。 煤层倾角对上覆岩层及地表的 移动形态有一定影响，并且地表最大下沉值与煤层 倾角有关。 5 顶板管理方法和采煤方法。顶板管理方法 对上覆岩层及地表的移动和变形起着至关重要的作 用。本文只考虑全部垮落法和充填法，充填法开采 时，输入变量取 1，全部垮落法开采时，输入变量 取 0。采煤方法主要指我国普遍采用的长壁式采煤 法。对特殊的采煤方法和顶板管理方法如房柱式采 煤、条带开采法和刀柱法管理顶板，本文暂不作讨 论。 6 建筑物与采空区的位置关系。建筑物与采 空区的位置关系不同，即建筑物在移动盆地内的位 置不同，受到的开采影响破坏程度差别很大。对走 向长壁开采而言，根据建筑物所处位置的不同及利 害情况，本文按表 1 划分为 5 种情况。 表表 1 建筑物在移动盆地中的位置建筑物在移动盆地中的位置 Table 1 Position of buildings in the moving basin 位置关系评价建筑物在移动盆地中的位置关系描述 1 2 3 4 5 有利 较有利 一般 较不利 不利 充分采动位于移动盆地中央，长轴垂直于煤层走向 位于移动盆地边缘以内，长轴平行于煤层走向 位于移动盆地中央附近，长轴平行于煤层走向 位于移动盆地边缘以内，长轴垂直于煤层走向 位于移动盆地内拉伸区，长轴与煤层走向斜交 注若建筑物在移动盆地内的位置不属于以上 5 种情况，可根据实际位 置情况插值。 7 建筑物尺寸。建筑物平面尺寸越大，对建 筑物越不利。本文采用建筑物长与宽的乘积作为变 量输入来反映建筑物的尺寸效应。 8 建筑物状况。主要指建筑物的修建年限、 地基、基础性质、建筑材料和结构以及建筑质量等 第 23 卷 第 4 期 郭文兵等. 开采影响下建筑物损害程度的人工神经网络预测模型 585 方面的综合反映。文中综合考虑这些因素的影响， 评价方法可参考文[3]。本文将建筑物状况按好坏划 分为 5 个等级，即好、较好、一般、较差、差； 并分别用 1，0.8，0.6，0.4，0.2 作为输入变量。 2.2 建筑物损害等级建筑物损害等级 对砖混结构建筑物的损害等级，文[8]作了具体 规定， 本文参照该规定将建筑物损害等级分为 1， 2， 3，4 级，并相应给出建筑物的最大裂缝宽度。 3 建筑物采动损害程度的人工神经 网络预测模型 建筑物采动损害程度的人工神经 网络预测模型 3.1 对对 BP 学习算法的改进学习算法的改进 由于 BP 神经网络模型具有自学习、自组织、 强容错性、计算简单、并行处理速度快等优点，因 此应用最为广泛。根据 Komogorov 定理，它在理论 上可以任意逼近任何非线性映射，但在应用中，容 易陷入局部误差极小点，而且网络收敛速度与学习 精度之间也存在矛盾。故本模型采用自适应算法来 克服固定学习速率的弊端，以使网络收敛速度快， 可靠性强。 对 BP 网络而言，隐层神经元数目的确定至关 重要隐层神经元数目太少，网络所能获得的有效 信息就可能太少，即网络不够强壮，预测、推广能 力和容错性较差，不能很好地识别陌生样本；隐层 神经元数目太多，不仅增加训练时间，而且过多的 隐节点将使网络出现“过度吻合”问题，从而使网 络预测性能较差。为了解决上述问题，克服人为调 整隐层神经元数目的繁琐性的弊端，在网络训练过 程中，采用自适应调整隐层神经元数目的方法。结 果表明，采用上述方法形成的改进型 BP 网络具有 较好的收敛性和较强的自适应能力，提高了网络的 学习速度和模型的精度。 3.2 学习训练样本学习训练样本 笔者根据文[1，2]给出的工程实例以及近年来 所做的有关调研报告， 筛选出较规范的 38 个建筑物 采动损害的实例作为学习训练和测试样本，见表 2。 将其中 1～32 个实例作为学习样本对网络进行训 练，余下的 6 个实例作为预测样本，用于检验网络 的性能。 3.3 网络的结构及学习训练网络的结构及学习训练 综上所述，所建立的建筑物采动损害程度预测 网络基本结构为输入层为 8 个节点，与 8 个输入 变量相对应， 即 8 个影响因素。 输出层为 2 个节点， 与 2 个输出变量相对应，即损害等级及最大裂缝宽 度。隐含层为 1 个节点，隐含层节点由网络自适应 确定为 20，即网络结构为8，20，2，如图 1 所示。 图 1 建筑物采动损坏程度预测人工神经网络结构 Fig.1 Artificial neural network model for prediction of damage degree of buildings effected by mining 根据表 2 中学习训练样本的数据特点，首先， 将它们处理到[0，1]区间内，然后，在 BP 网络学习 算法改进的基础上，对网络进行学习训练。经过 5 079 次迭代达到收敛精度 0.005。训练误差随迭代 次数变化趋势如图 2 所示。学习率自适应变化曲线 如图 3 所示。 图 2 训练误差随迭代次数的变化趋势 Fig.2 Changing tendency of error with iteration times 图 3 学习率自适应变化图 Fig.3 Self adaptability variation of learning rate 输入变量 损害等级 裂缝宽度 586 岩石力学与工程学报 2004 年 表表 2 建筑物采动损害典型实例建筑物采动损害典型实例 Table 2 Typical cases of buildings damaged by mining 样本 序号 建筑物名称 建筑物 状况 与采空区 位置关系 建筑物尺寸 /mm 采动程度综 合系数 n 深厚比 H/M 覆岩平均坚 固性系数 f 煤层倾角 α/ 顶板管 理方法 损害 等级 最大裂缝 宽度/mm 1 峰峰五矿 11 号房 1 2 266 0.922 5 188/2.2 4.8 22 0 2 10 2 峰峰五矿 13 号房 0.6 5 3613 0.922 5 188/2.2 4.8 22 0 4 60 3 鹤壁六矿 1 号房 0.6 5 27.86.7 0.816 5 270/7.5 3 25 0 4 56 4 本溪彩屯住院处 0.6 5 2012 0.334 6 541/4.3 5 13.5 0 3 28 5 本溪彩屯门诊部 0.8 5 27.511 0.331 7 565/3.255 14 0 3 22 6 本溪彩屯文化宫 0.6 5 27.820 0.332 1 559/3.5 5 14 0 3 25 7 枣庄小学 5 号房 0.4 4 246.7 0.875 6 120/2 3.2 6 0 4 44 8 甘霖矿汽车磅房 0.6 3 108 0.803 2 217/1.013.7 15 0 1 1 9 甘霖矿五七厂房 0.6 3 2812 0.894 4 196/1.0 3.7 16 0 1 2 10 甘霖矿某俱乐部 0.6 4 26.422.5 0.701 6 260/1.013.7 12 0 1 1 11 峰峰五矿某仓库 0.8 4 12.68.5 0.922 5 188/2.2 4.8 22 0 4 44 12 云盖山矿某民房 1 1 2 15.15.5 0.591 6 163/4.8 4.2 17 0 3 20 13 云盖山矿某民房 2 0.8 2 10.85.5 0.591 6 163/4.8 4.2 17 0 2 14 14 焦作冯营矿民房 1 0.6 2 14.15.8 0.904 5 132/2.1 5.2 19 0 3 22 15 焦作冯营矿民房 2 1.0 1 14.15.8 0.904 5 132/2.1 5.2 19 0 1 3 16 鹤壁六矿 50 号房 0.6 4 17.85.2 0.816 5 170/7.5 3 25 0 4 65 17 胜利矿小儿科 0.2 4 5610 0.489 9 514/40 2 27 1 4 30 18 老虎台矿东岗村 1.0 3 10.55.5 0.409 4 454/26 2 47 1 2 8 19 胜利矿官街某宅 1.0 2 15.53.9 0.211 6 576/38 2 25 1 1 2 20 韩庄二矿办公楼 1.0 1 3514.7 0.411 9 132/4.8 4.6 8 0 2 12 21 胜利矿某办公室 0.6 2 36.112 0.323 8 543/20 2 24 1 2 9 22 胜利矿某机务室 0.6 1 3512 0.323 8 534/20 2 24 1 2 5 23 七里岗 1 矿建筑物 0.6 2 274.5 0.341 1 110/2.1 4.2 11 0 3 20 24 鹤壁六矿 51 号房 0.8 5 21.56.2 0.816 5 270/7.5 3 25 0 4 48 25 甘霖矿平房宿舍 1.0 4 226.2 0.803 2 217/1.013.7 15 0 1 1 26 峰峰五矿铁工房 0.8 3 3710 0.922 5 188/2.2 4.8 22 0 4 40 27 鹤壁二矿木材库 0.2 5 29.28.49 0.831 1 325/1.923.2 17 0 4 39 28 鹤壁二矿某办公室 1 1 14.16 0.833 1 325/1.923.2 17 0 1 4 29 焦作九里山民房 1 0.4 3 12.14.2 0.711 3 168/2.8 5.1 15 0 3 23 30 焦作九里山民房 2 0.6 2 10.53.8 0.711 3 168/2.8 5.1 15 0 2 15 31 永城葛店矿民房 1 0.6 3 144.5 0.496 2 390/2.9 2.6 6 0 2 10 32 永城葛店矿民房 1 1 12.53.8 0.496 2 390/2.9 2.6 6 0 1 1 33 焦作冯营矿民房 3 0.8 2 14.15.8 0.904 5 132/2.1 5.2 19 0 2 10 34 胜利矿某变电所 0.6 3 2012 0.489 9 514/40 2 27 1 2 14 35 韩庄二矿宿舍楼 0.4 4 3612 0.411 9 132/4.8 4.6 8 0 4 48 36 韩庄二矿招待所 0.6 2 357 0.411 9 132/4.8 4.6 8 0 3 28 37 辛寺庄村某民房 0.4 1 1514 1.000 0 437/1.1 4.8 14.5 0 1 2 38 胜利矿某夜校办 0.4 4 225.4 0.323 9 530/20 2 24 1 3 27 第 23 卷 第 4 期 郭文兵等. 开采影响下建筑物损害程度的人工神经网络预测模型 587 3.4 预测网络的性能测试预测网络的性能测试 用表2中的33～38测试样本对训练好的网络模 型进行检验，测试结果见表 3。从检测结果可知， 建筑物采动损害等级的判对率为 100。最大裂缝 宽度最大绝对误差为 1.98 mm。 相对误差虽然较大， 但不影响建筑物损害等级的判断。因此，预测的结 果正确可靠，模型预测精度高，可以满足工程实际 需要。 表表 3 网络预测结果与实际值的比较网络预测结果与实际值的比较 Table 3 Comparison of prediction results with actual values 采动损害等级 最大裂缝宽度/mm 样本 序号 预测结果 实际等级 预测值 实际值 绝对误差 相对误差/ 33 2 2 9.31 10 －0.69 6.90 34 2 2 13.98 14 －0.02 0.14 35 4 4 49.98 48 1.98 4.10 36 3 3 27.53 28 －0.47 1.70 37 1 1 1.74 2 －0.26 13.00 38 3 3 27.03 27 0.03 0.10 4 结结 论论 1 首次提出并建立了开采影响下砖混结构建 筑物损害程度的人工神经网络模型，并采用改进的 BP 学习算法， 使网络的收敛速度快， 提高了学习的 效率。由于该网络模型所具有的自学习、自组织、 强容错性以及高度的非线性映射功能等优点，通过 大量建筑物采动损害工程实例对网络模型进行学习 训练和性能测试，证明了人工神经网络技术用于预 测和评定建筑物采动损害程度的可行性和科学性。 2 该方法具有预测速度快、准确性高和实用 性强等特点， 避免了传统的通过选择地表移动参数， 进行地表移动和变形值预测以及建立地表变形值与 建筑物损害程度的关系，来判断建筑物采动损害程 度的繁琐以及各中间环节可能引起的误差。为开采 影响下的建筑物损害程度的预测和评定提供了一个 比较实用的工具。 3 用人工神经网络技术实现建筑物采动损害 准确预测的前提条件是有准确可靠的训练样本。随 着网络模型在某一矿区的长期使用以及准确可靠的 训练样本的增多，使网络不断地得以改进和完善， 将能更好地为建筑物下采煤技术决策提供科学依 据。 参参 考考 文文 献献 1 周国铨，崔继宪，刘广容等. 建筑物下采煤[M]. 北京煤炭工业 出版社，1983 2 王金庄， 邢安仕， 吴立新. 矿山开采沉陷及其损害防治[M]. 北京 煤炭工业出版社，1995 3 何国清，杨 伦，凌赓娣等. 矿山开采沉陷学[M]. 徐州中国矿 业大学出版社，1994 4 克拉茨 H. 采动损害与防护[M]. 马伟民，王金庄，王绍林译. 北 京煤炭工业出版社，1984 5 Gray R E. Coal mine subsidence and structures[J]. Mine Induced Subsidence，1988，569～86 6 邓喀中，郭广礼，谭志祥等. 采动区建筑物移动变形特性分析[J]. 中国矿业大学学报，2001，304354～358 7 郭文兵. 受开采影响建筑物破坏等级的模糊评价[J]. 矿山测量， 1997，４6～9 8 国家煤炭局. 建筑物、水体、铁路及主要井巷煤柱留设与压煤开 采规程[M]. 北京煤炭工业出版社，2000 9 曹胜根，钱鸣高，缪协兴等. 综放开采端面顶板稳定性的数值模 拟研究[J]. 岩石力学与工程学报，2000，194472～475 10 张向东，徐峥嵘，苏仲杰等. 采动岩体分形裂隙网络计算机模拟 研究[J]. 岩石力学与工程学报，2001，206809～812 11 冯夏庭，王泳嘉. 采矿智能系统人工智能与神经网在矿业工 程中的应用[M]. 北京冶金工业出版社，1994 12 袁曾任. 人工神经网络及其应用[M]. 北京清华大学出版社， 1999 13 李学桥， 马 莉. 神经网络工程应用[M]. 重庆 重庆大学出版社， 1996 14 冯夏庭，朱维申. 智能岩石力学在地下工程中的应用[J]. 岩石力 学与工程学报，1999，18增822～825 15 Singh V K， Singh D， Singh T N. Prediction of strength properties of some schistose rocks from petrographic properties using artificial neural networks[J]. International Journal of Rock Mechanics Mining Sciences，2001，382269～284 16 周保生，朱维申，李术才. 神经网络在综放回采巷道锚杆支护设 计中的应用研究[J]. 岩石力学与工程学报，2001，204497～ 501 17 孙豁然，王述红，官永军等. 大型地下硐室开挖过程位移变形智 能预测[J]. 煤炭学报，2001，26145～48 18 孙 钧，袁金荣. 盾构施工扰动与地层移动及其智能神经网络预 测[J]. 岩土工程学报，2001，233261～267