深部开采岩爆预测的神经网络方法.pdf

深部开采岩爆预测的神经网络方法 第六图书馆 岩爆是深部高地应力岩石地下工程中的一种常见灾害,其影响因素之间存在着极其复杂的非线性关系。在综合分析基础上,选 取开采深度、围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值、岩石冲击性倾向指数作为岩 爆预测的评判指标。应用人工神经网络方法,建立了岩爆预测的计算模型,利用国内外一些深部开采、岩石地下工程资料作为 学习样本和测试样本对模型进行训练。该模型成功应用于某矿巷道的岩爆预测,预测结果与实际情况一致,此研究为深部开采 岩爆预测提供了新的途径。岩爆是深部高地应力岩石地下工程中的一种常见灾害,其影响因素之间存在着极其复杂的非线性 关系。在综合分析基础上,选取开采深度、围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值 、岩石冲击性倾向指数作为岩爆预测的评判指标。应用人工神经网络方法,建立了岩爆预测的计算模型,利用国内外一些深部 开采、岩石地下工程资料作为学习样本和测试样本对模型进行训练。该模型成功应用于某矿巷道的岩爆预测,预测结果与实 际情况一致,此研究为深部开采岩爆预测提供了新的途径。深部开采 岩爆 非线性 开采深度 神经网络河北科技师 范学院学报王万德 张延新 [1]黔西金坡煤业有限责任公司,贵州毕节地区551519 [2]燕山大学建筑工程与力学学 院2007第六图书馆 第六图书馆 河北科技师范学院学报第 2 1 卷第2 期 ， 2 0 0 7 年 6 月 J o u rnal o f He b e i No r ma l Un i v e r s i t y o f S c i e n c e＆ T e c h n o l o g y Vo 1 ． 2 1 No ． 2 J u n e 2 0 0 7 深部开采岩爆预测 的神经 网络 方法 王万德 ， 张延新 1 黔西金坡煤业有限责任公司， 贵州 毕节地区， 5 5 1 5 1 9 ； 2燕山大学 建筑工程与力学学院 摘要 岩爆是深部高地应力岩石地下工程中的一种常见灾害， 其影响因素之间存在着极其复杂的非线性关 系。在综合分析基础上， 选取开采深度、 围岩最大切向应力与岩石单轴抗压强度比值、 岩石单轴抗压强度和抗 拉强度 比 值、 岩石冲击性倾向指数作为岩爆预测的评判指标。应用人工神经网络方法， 建立了岩爆预测的计 算模型， 利用国内外一些深部开采、 岩石地下工程资料作为学习样本和测试样本对模型进行训练。该模型成 功应用于某矿巷道的岩爆预测 ， 预测结果与实际情况一致， 此研究为深部开采岩爆预测提供了新的途径。 关键词 深部开采 ； 岩爆 ； 非线性； 开采深度 ； 神经网络 中图分类号 T D 3 2 4 文献标志码 A 文章编号 1 6 7 2 - 7 9 8 3 2 0 0 7 0 2 - 0 0 3 5 - O 4 岩爆是一种复杂的动力灾害， 对它进行及时有效的预测和评价一直是人们关心的重要问题。随着 矿山开采向深部发展， 岩体处于“ 三高一扰动” 的复杂地质力学环境， 岩爆发生的可能性增加。资料显 示， 岩爆和采深有密切关系， 即随着开采深度的增加， 岩爆的发生次数、 强度和规模会随之上升⋯。 关于岩爆发生的机理， 国内外众多学者从强度、 刚度、 能量、 稳定、 断裂、 损伤和分形等理论进行了分 析， 提出了各种假设和判据。一些学者也尝试利用地质分析法、 数值分析法、 应力应变量测法、 声发射 法、 层次分析模糊数学综合评价法、 灰色系统评价法等方法对岩爆进行预测和评价， 并取得了一定的 效果 ] 。岩爆是非常复杂的动力学现象 ， 岩体的动力行为的非线性决定了岩爆的演化和形成与其影 响因素之间存在非常复杂的非线性关系。岩石力学从工程岩体稳定性研究向极端灾害的非线性动力过 程的预测及防治进军成为一种必然 J 。 岩爆问题属于复杂的开放巨系统问题 ， 其发生不仅仅取决于某个单一因素， 而是多种因素共同作用 的结果， 这些影响因素有些是确定的、 定量的， 有些则是随机的、 定性的、 模糊的， 用数学或力学的方法很 难全面而准确地描述。采用人工神经网络 A N N 进行岩爆预测， 能减少人为的干扰， 更具客观性， 同时 该方法可以综合考虑更多的影响因素， 适合非线性问题。因此， 采用神经网络方法预测岩爆， 是一条有 效的研究途径 。 1 深部开采岩爆的影响因素 l 4 1 1 ． 1 岩爆和开采深度有关 i 南非B l y v o o r u i t Z i c h t 金矿开采深度与岩爆发 鍪 8 生次数的关系如图 l所示 。这说 明， 随着矿 山开 采深度加大， 地应力逐渐提高， 围岩应力增加， 岩 2 爆发生的数量、 强度以及造成的损失也必然随之 增大。地应力的大小与岩爆的发生密切相关， 开 采深度加大是地应力提高的重要原因之一， 所以 开采深度是深部开采岩爆发生不可忽视的因素。 2 00 40 0 60 0 8 00 1 0 00 1 2 00 开采深度 ／ Ⅲ 图 1 开采深度与岩爆发生次数的关系 从国内发生的一些岩爆的工程来看， 埋深一般大于 1 5 0 m。对于以重力作用为主、 水平应力与垂直 应力的比 值小于0 ． 5 的地区， 岩爆的产生有一个临界深度 rc r [ ㈩ 收稿 日期 2 0 0 7 - 0 2 - 0 8 ；修改稿收到 日期 2 0 0 7 -05 ． 1 8 维普资讯 第六图书馆 第六图书馆 河北科 技师范学 院学报 2 1 卷 式中， 为岩爆临界深度 为岩石的泊松比； y为岩石容重； 为单轴岩石抗压强度。 对主要采矿国家岩爆临界深度进行统计， 结果如表 1 所示。从表 1 提供的数据可以看到， 不同国家 岩爆发生的临界深度差别很大， 从 1 5 0 m到 6 0 0 m不等， 规律性不强。由此可以认为， 开采深度与岩爆 发生有密切关系 ， 开采深度是判断岩爆发生可能性的重要依据。 1 ． 2 岩爆判别准则 表1 主要采矿国家岩爆临界深度 1 ． 2 ． 1 R u s s e n e s岩爆判别准则 岩爆 的发生必 须具备两方面的条件， 一是岩体地应力高、 洞室开 挖时围岩具有足够大的切向应力 ， 二是围岩新鲜、 完整 、 坚硬且贮存有足够 的弹性应变能 表 2 。 1 ． 2 ． 2 王元汉岩爆判别准则 以上岩爆准则 中， 。 为围岩最 大切 向应 力 它一般是最 大主应 力 叮 的两倍 ； 叮 和叮 。 分别为岩石单轴抗压、 抗 拉强度 ； w。 。 为岩石 冲击倾 向指数 ， 它反映围岩岩 石存储弹性应变能的能力， 如表 3 所示。 综上所述， 在进行理论分析和实例研究的基 础上， 选择开采深度 日 、 围岩最大切向应力与岩石 单轴抗压强度 比值 。 ／ t r 岩石单轴抗压强度和 抗拉强度比值 ／ tr 及岩石冲击倾向指数 作 为岩爆分析的主要影响因素。 2 深部开采岩爆预测的神经网络模型 国家 临界深度 ／ m 国家 临界深度 ／ m 美国 1 5 0 德国 3 0 0 加拿大 1 8 0 南非 3 0 0 前苏联 2 0 0 印度4 8 0 波 兰 2 4 0 英 国 6 0 0 表 2 R u s s e n e s岩爆标准 人工神经网络有较强的非线性动态处理能力， 在无需知道数据间的分布形式和变量间关系时， 能自 组织地根据大量实测资料通过训练学习知识， 建立各种输入向量与输出向量间的非线性映射关系。它 是通过将网络输出误差反馈对网络参数进行修正， 自动调节各影响因素间的权值， 从而实现网络的映射 能力。 根据上述人工神经网络理论解决深部开采岩爆预测应包括4个步骤 ①建立合适的网络结构， 即确 定输入层、 输出层神经元数 目， 隐层数和每个隐层中的神经元数 目； ②建立学习样本集和期望输出； ③训 练网络直至其收敛； ④用收敛的网络进行预测。 2 ． 1 建立改进的 B P网络 误差逆传播网络简称为 B P B a c k P r o p a g a t io n 网络。应用 B P算法的主要缺点是容易陷入局部误 差极小点， 而且网络收敛速度与学习精度之间也存在矛盾。为克服上述弊端， 进行一些算法的改进。自 适应调整学习率缩短了学习时间， 其算法为 ∞ k1 ∞ k k D k k 2 k一1 2 A s i g n [ D k D k 一 1 ] 式中， ∞ k 为单个的权值或权值向量； o r 为学习率； D k 为k 时刻的负梯度。 理论证明， 具有一个隐含层的 3 层 B P网络能逼近任何有理函数， 增加隐含层数可进一步降低误 差， 提高精度， 但同时使网络复杂化， 从而增加了网络权值的训练时间。为了尽可能减小系统的规模和 复杂性， 采用具有一个输入层、 一个隐含层、 一个输出层的3 层改进的 B P网络模型。对网络进行训练， 网络收敛即得到预测岩爆的B P 人工神经网络模型。利用这个模型， 将需预测岩爆工程的样本参数实 测值作为输入， 按照实际输出判别岩爆等级。 2 ． 2 建立期望输 出和学习样本集 在岩爆预测中输入层、 输出层神经元个数的确定至关重要， 如前所述， 输入层神经元数为4 ，输出层 神经元数为4 。网络的一个输出节点对应一个分类等级， 其值介于0和 1 之间， 设计训练样本时 ，若岩 7 O H 7 ■ O 3 O 维普资讯 第六图书馆 第六图书馆 2期 王万德等深部开采岩爆预测的神经网络方法 爆属于该节点对应的等级， 其值为 1 ， 否则为 0 。例如， 网络输出 0 ， 1 ， 0 ， 0 表示该岩爆属于中级岩爆 ， 1 ， 0 ， 0 ， 0 表示该岩爆属于 强岩爆 ， 典型的岩爆输出见表 4 。 B P网络中隐层数和每个隐层中神经元数目对学习训练效果 和预测精度有较大影 响。根据前人经验 ， 可 以参照以下公式进行 设计 n I 3 式中， ／7, 为隐层节点数， ／7, 为输入节点数， ／7,。 为输出节点数， 为 1 1 0之间的常数。 通过试算， B P网络结构为4 -9 - 4时收敛性好， 即 输 输入层神经元数为评价指标数 4 ， 隐层神经元数为 9 ， 输出神经元数为岩爆等级节点数 4 ， 模型结构见 图 2 。 学习样本集是建立岩爆预测模型的关键， 故此 选取国内外若干深部工程岩爆分析的数据资料， 用 c r o ／ 2 0 个样本作为学习样本集 表5 。从 t a n S i g m o i d 型 非线性函数可知， 为加快收敛， 需将学习样本集归一 ／ 一 化， 使其中各元素在[ 0 ， 1 ] 之间， 处理方法为 k k 甜 ‘ ’ L{ i 1 ， 2 ， ⋯， 2 0 4 m“一t gmi n 2 ． 3 网络模型的训练 采用自适应算法对网络进行学习训练。当收敛 表4 典型岩爆的理想输出 岩爆的分类典型岩爆的理想输出 入层 隐 层 输出层 精度达到0 ． 0 0 0 O 1 时， 共迭代 3 6 4 7 次。 图2 岩爆预测神经网 络结构 表5 B P网络的学习样本和期望输出 维普资讯 第六图书馆 第六图书馆 河北科技师范学院学报 2 1卷 2 ． 4 网络模型的检验 平煤集团八矿三水西大巷属于深部开拓巷道， 埋深为 8 0 0 m， 施工过程中对巷道进行岩爆预测 表 6 。在施工掘进过程中， 部分巷道出现了岩爆现象， 岩爆过程伴随着较大的声响、 震动和岩体片帮， 爆 出岩石 3 4 m ， 给安全掘进造成了威胁， 巷道发生中等岩爆， 这与预测结果基本符合。 表6 A N N预测岩爆实例 3 结 论 分析了岩爆预测的主要因素， 建立了深部开采岩爆预测的人工神经网络计算模型。采用改进的 B P 学习算法， 使网络收敛速度更快， 提高了学习的效率。采用现场样本对网络进行了训练和验证， 结果表 明， 该模型合理、 有效， 具有较高的预测精度。 神经网络预测结果的精度主要依赖样本的代表性及所描述信息的完备性。为了提高神经网络模型 的预测精度， 应多积累现场岩爆实例数据。随工程实践的积累及样本的增多， 网络结构和性能不断完 善， 预测精度提高， 输出结果将更符合实际。 参考文献 [ 1 ] 何满潮， 吕晓俭， 景海河． 深部工程围岩特性及非线性动态力学设计理念[ J ] ． 岩石力学与工程学报， 2 0 0 2 ， 2 1 8 1 2 1 5 ． 1 2 2 4． [ 2 ] 杨健 ， 武雄． 岩爆综合预测评价方法[ J ] ． 岩石力学与工程学报， 2 0 0 5 ， 24 3 4 l 1 - 4 1 6 ． [ 3 ] 谢和平． 岩爆的分形特征和机理[ J ] ． 岩石力学与工程学报， 1 9 9 3 ， 1 2 1 2 8 - 3 7 ． [ 4 ] 王元汉， 李卧东 ， 李启光， 等． 岩爆预测的模糊数学综合评判方法[ J ] ． 岩石力学与工程学报， 1 9 9 8 ， 1 7 5 4 9 3 - 5 0 1 ． [ 5 ] 姜彤， 黄志全 ， 赵彦彦， 等． 灰色系统最优归类模型在岩爆预测中的应用[ J ] ． 华北水利水电学院学报， 2 0 0 3 ， 24 2 3 7 4 1 ． [ 6 ] 王思敬． 中国岩石力学与工程的世纪成就与历史使命[ J ] ． 岩石力学与工程学报， 2 0 0 3 ， 2 2 6 8 6 7 - 8 7 1 ． [ 7 ] 周萍， 吴继敏， 孙艳红． 岩爆预测及影响因素的分析[ J ] ． 红水河 ， 2 0 0 4 ， 2 3 1 7 1 - 7 5 ． [ 8 ] 丁向东， 吴继敏， 李健． 岩爆分类的人工神经网络预测方法[ J ] ． 河海大学学报 自然科学版 ， 2 0 0 3 ， 3 1 4 4 2 4 ． [ 9 ] 李希勇 ， 张修峰． 典型深部重大冲击地压事故原因分析及防治对策[ J ] ． 煤炭科学技术， 2 0 0 3 ， 3 1 2 1 5 - 1 7 ． [ 1 0 ] 冀贞文． 浅谈新汶矿区冲击地压防治综合技术[ J ] ． 煤矿安全， 2 0 0 5 ， 3 6 9 1 8 - 2 0 ． [ 1 1 ] 李桂云， 李金 良， 赵晓举． 深部巷道岩爆预测及防治技术[ J ] ． 河南理工大学学报， 2 0 0 6 ， 2 5 4 2 6 6 - 2 6 9 ． 作者简介 王万德 1 9 7 7 ． ， 男， 助理工程师。主要研究方向 煤矿开采技术。 责任编辑 王锦山， 石瑞珍 下转至第7 2页 维普资讯 第六图书馆 第六图书馆 7 2 河北科技师范学院学报 2 1 卷 [ 4 6 ] V A N D O O R N W G， A B A D I E P ， P E T E R J M．A l k y l e t h o x y l a t e s u r f a c t a n t s f o r r e h y d r a t i o n o f r o s e s a n d B o u a r d i a fl o w e r s [ J ] ．P o s t h a r v e s t B i o l o g y and T e c h n o l o gy， 2 0 0 2， 2 4 3 2 73 3 3 ． [ 4 7 ] [ 5 0 ] [ 5 2 ] V O L P I N H， E L A D Y ．I n fl u e n c e o f c a l c i u m n u tr i t i o n o n s u s c e p ti b i l i t y o f r o s e fl o w e rs t o B o t r y t i s b li g h t [ J ] ．P h y t o p a t h o l o - gy， 1 9 9 1 ， 8 1 1 1 1 3 9 0 - 1 3 9 4 ． HAMMER P E， E VEN S E N K B， J ANI S I EWI C Z W J ．P o s t h a r v e s t c o n t r o l o f B o t r y t i s c i n e r e a o n c u t r o s e fl o w e rs w i t h p y r - ro l n i t r i n [ J ] ． P l ant D i s e a s e ． 1 9 9 3 ， 7 7 3 2 8 3 - 2 8 6 ． ME I R S ，D ROB Y S ，D AVI DS ON H ， e t a1．S u p p r e s s i o n o f B o t r y t i s rot i n c u t ros e fl o w e rs b y p o s t h a r v e s t a p p li c a t i o n o f m e thy l j a s mo n a t e [ J ] ．P o s t h a r v e s t B i o l o gy and T e c h n o l o g y ， 1 9 9 8 ， 1 3 2 3 5 - 243 ． S H A U L O， E L A D Y， K I R S HN E R B， e t a1．V e r h o e ff k e d s ． P r o c e e d i n g s o f t h e 1 0 t h I n t e rna t i o n al B o t r y t i s S y m p o s i u m[ C ] ． W a g e n i n g e n P u d o e S c i e n ti fi c P u b li s h e rs ， 1 9 9 2 ． E L AD Y．Re g u l a t o rs o f e t h y l e n e b i o s y n t h e s i s o r a c t i v i ty as a t o o l for red u c i n g s u s c e p t i b i li t y o f h o s t p l ant ti s s u e s t o i n f e e - t i o n b y B o t r y t i s c i n e r e a [ J ] ．N e t h e r l and s J o u rnal o f P l ant P a t h o l o gy， 1 9 9 3 ， 9 9 3 1 0 5 ． E L AD Y．An i n h i b i t o r o f p o l y a mi n e b i o s y n the s i s difl u o rome t h y l o mi t h i n e an d t h e p o l y a mi n e s p e r mi din e for t h e c o n t r o l o f g r a y m o l d B o t r y t i s c i n e r e a [ J ] ．P h y t o p a r a s i t i e a ， 1 9 9 1 ， 1 9 3 2 0 1 - 2 0 9 ． 作者简介 王子华 1 9 6 9 一 ， 男， 副教授 ， 博士。主要研究方 向 ， 观 赏植物栽培以及采后生理。 责任编辑 石瑞珍 R e v i e w o f C u t R o s e P o s t ． Ha r v e s t Ha n d l i n g a n d T e c h n o l o g y S u mma r y WA N G Z i ． h u a ， L I S h u q i e ， WU Q i u s h e n g ， X U Xi n g Y O u 1 D e p t o f Ho r t i c u l t u r eL a n d s c a p e ， 2 R e s e a r c h I n s ti t u t e o f Wi l d P l a n t R e s o u r c e s A p p l i c a t i o n， H N U S T ， Q i n h u a n g d a o H e b e i ， 0 6 6 6 0 0， C h i n a Ab s t r a c t T h i s p a p e r r e v i e ws t h e a d v a n c e o f r e s e a r c h i n p o s t h a r v e s t h a n d l i n g an d t e c h n o l o g y o f c u t r o s e s ． Th e r e a s o n i n fl u e n c i n g t h e p o s t h a r v e s t l o s s o f c u t r o s e s i s s u mma r i z e d a n d the me a s u r e s a p p l i e d i n c u t r o s e c i r c u l a ti o n h a r v e s t i ng， p r e c o o l i n g， d u c e d 。T h e p o s t h a r v e s t t e c h n o l o gy c h e mi c a l me tho d s ． g r a d i n g ， b u n c h i n g ， p a c k a g i n g， s t o r a g e a n d t r ans p o r t a t i o n are a l s o i n t ro o f c u t r o s e s h o u l d b e an i n t e gra t e d ma n a g e me n t o f p h y s i c a l me a s u r e s a n d Ke y wo r d s Cu t fl o w e r ； r o s e； p o s t h a rve s t ； h a n d l i n g ； t e c h n o l o gy 上接笫3 8页 Ar t i fi c i a l Ne u r a l Ne t wo r k s f o r Pr e d i c t i n g Ro c k b u r s t i n De e p Mi n i n g WANG Wan d e ，Z HANG Y a n ． x i n 1 Q i a n x i J i n p o C o a l C O，L T D，G u i z h o u ， 5 5 1 5 1 9 ； 2 S c h o o l o f C i v i l E n g i n e e ri n g and M e c h anic s ， Y a n s h an U n iv e r s i t y ； C h i n a Ab s t r a c t Ro c k b u rst i s a k i n d o f d y n a mi c u n s t a b l e p h e n o me n o n f o r the s u r r o u n d i n g r o c k ma s s i n d e e p mi n i n g ． T h e r e e x i s t s a c o mp l i c a t e d n o n l i n e a r r e l a t i o n s h i p b e t we e n roc k b u rst ’ s f a c t o rs ．We s e l e c t e d a s the b l a s t i n g i n d e x e s b a s e d o n a n a n a l y s i s o f t h e me c h ani s m o f roc k b u rst the mi n i n g d e p th ， the r a t i o o f ma x i ma l t a n g e n t i al s t r e s s a n d ， u n i axi a l c o mp r e s s i v e s tr e n g t h o f the s u rro u n d i n g r o c k s ， the r a t i o o f u n i axi a l c o mp r e s s i v e s t r e n g t h an d u n i axi a l t e n s i l e s t r e n g t h，an d the e l a s t i c e n e r gy i n d e x ．A roc k b u r s t p r e d i c t i o n mo d e l i s p rop o s e d b y u s e o f a r t i fi c i al n e u r a l n e t w o r k A N N ．T h e mo d e l i s tr a i n e d t o c o n v e r g e b y u s e o f s o m e s am p l e s f r o m r o c k u n d e r g r o u n d p r o j e c t s a t h o m e and a b r o a d ．The r e s u l t s s h o w tha t i t i s f e a s i b l e a n d a p p r o p ri a t e t o p r e d i c t r o c k b u r s t i n d e e p mi n i n g ． ‘ Ke y wo r ds d e e p mi n i n g ； roc k b u r s t ；n o n l i n e ar；mi n i n g d e p th ；a r t i fi c i a l n e u r a l n e t wo r k 维普资讯 第六图书馆 第六图书馆