智能信息处理系统在开采沉陷预测中的应用.pdf

- 1 - 智能信息处理系统在开采沉陷预测中的应用智能信息处理系统在开采沉陷预测中的应用1 郑艳 1，麻凤海2，杨帆1，3，4 1 辽宁工程技术大学测绘与地理科学学院，辽宁阜新123000； 2 大连大学岩土与结构控制工程研究中心，辽宁大连116622； 3 中国矿业大学（北京）土地复垦与生态重建研究所，北京100083； 4 中国矿业大学（北京）煤炭资源与安全开采国家重点实验室，北京 100083； E-maillovely-emily 摘摘 要要 矿山开采引起的地表沉陷受地质条件和采矿条件等诸多因素的影响， 这些因素又具 有非线性关系，很难用数学模型加以描述。因而，针对开采沉陷的特点，本文采用遗传算法 和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行 全局训练，再用 BP 算法进行精确训练，使网络收敛速度加快和避免局部极小。改进的 BP 神经网络算法预测结果好于灰色理论预测和 BP 算法预测。作为实例，通过建立基于遗传算 法的改进 BP 神经网络开采沉陷预测模型，利用矿区大量的地表沉陷实际观测数据样本对该 神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预测。结果表明，改进 的 BP 神经网路具有收敛速度快、预测参数精度高的优点，为采动地表沉陷预测提供了实用 的方法。 关键词关键词人工神经网络，BP 算法，遗传学习算法，开采沉陷，地表沉陷预测 中图分类号中图分类号TD8 1. 引言引言 十九世纪末至今，随着能源需求量的增加，矿区开采范围逐步扩大，“三下”开采问题被 提到采矿的议事议程，如何最大限度地开采地下矿藏，同时又能有效地保护受护目标，成为 人们日益关注的课题。 作为矿山开采沉陷学科的核心内容之一， 开采沉陷预测对开采沉陷的 理论研究也有着重要意义， 利用预测结果可以定量地研究受开采影响的岩层和地表移动在时 间和空间上的分布规律。近几十年来，开采地面沉陷预测的理论和方法已取得巨大进展，形 成了预测开采地面沉陷的经验方法、剖面函数法、数值模拟法以及随机介质理论法等等，但 这些理论和方法都缺乏自学习能力， 对于在实际中获得含有噪声的信息时很难得出令人满意 的结果。同时，地下开采的对象岩体是经过长期的地质作用形成的，岩体具有复杂的结 构和构造， 因此岩体在变形和破坏的过程中表现出来的力学特性非常复杂， 具有高维的非线 性。 开采沉陷量与各影响因素之间所组成的是一个典型的非线性系统， 难以用传统的数学方 法建立较为精确的模型， 使得理论预测结果与实际情况不符， 这是开采沉陷学发展过程中还 不能明确解决的问题。在这方面，人工智能、专家系统、模糊系统和神经网络等技术提供了 有效的处理手段，特别是神经网络和遗传算法的结合为解决系统建模、寻优、清晰化等方面 的问题提供了新的途径。智能信息处理系统是神经网络与模糊系统、遗传算法等学科交叉、 渗透而形成的新型智能处理系统， 其积极意义在于基于物理符号相结合的各种智能理论、 模 型、方法的综合集成，以利于发展思想更先进、功能更强大、能解决更复杂系统的智能行为 [1] [2] [5]。 80 年代中期出现的 BP（back-propagation）算法，有效地解决了前向多层神经网络的 学习问题，从而极大地推动了这一领域的研究工作。但是从本质上讲，BP 算法属于梯度下 1 本课题得到本课题得到辽宁省高等学校优秀人才支持计划培养基金（RC-04-13）,辽宁省企业项目博士后 培养基金,国家自然科学基金（No.50604009），辽宁工程技术大学地理空间信息技术与应用实验室开放基 金No.2004014资助。 - 2 - 降算法，其网络模型初始权值的随机性容易产生两方面问题一、每次训练的次数和最终权 值会不相同，网络的寻优不具有唯一性，会出现局部极小；二、初始权值给定的随机性还导 致了训练次数较多，收敛速度慢。这两方面问题限制了它在开采沉陷预测中的应用。 遗传算法（GA）是一种高效的并行全局搜索算法，该算法具有很好的鲁棒性，在解决 全局优化问题方面取得了成功， 算法具有寻优的全局性。 所以可以将遗传算法应用于神经网 络的学习过程中，这样可以避免传统的 BP 算法容易陷入局部极小的问题，并且由于适应度 函数无需可导， 因此基于遗传算法的学习算法适应的神经元激活函数类型更广， 同时可以提 高 BP 算法的训练速度，降低收敛时间[4]。本文将遗传算法和神经网络有机结合起来，先应 用遗传算法来进行网络训练， 再用 BP 算法来进行精确求解。 这样先得到了权值的一个范围， 在此基础上训练网络就可以在相当大的程度上避免局部极小， 训练次数和最终权值也可以相 对稳定，速度也能大大加快。 2. BP 算法和遗传算法的基本原理算法和遗传算法的基本原理 2.1 BP 神经网络及其算法神经网络及其算法BP BP 网络是一种具有三层或三层以上的单向传播的多层前馈网络[3]。 BP 算法的执行步骤如下 1 对各层权系数 Wji 置一个较小的非零随机数； 2 输入一个样本 X x1, x2,, xn, 以及对应期望输出 Y y1, y2, ，yn； 3 计算各层的输出。对于第 k 层第 i 个神经元的输出有 Uik ∑WijXik-1 , Xik fUik 一般为 sigmoid 函数，即 fx 1/1 exp -x； 4 求各层的学习误差 dik。对于输出层，有 k m ，则 dim Xim 1- XimXim-Yi。对于其他 各层，有 dikXik1-Xik ∑Wlidik1； 5 修正权系数 Wij Wijt1 Wijt- ηdikXjk-1； 当求出各层权系数之后，可判别是否满足要求。如果满足要求，则算法结束；如果未满 足要求，则返回3执行。 BP 网络是人们认识最为清楚、应用最为广泛的神经网络，性能优势主要表现在模式匹 配、模式分类、模式识别与模式分析等方面，具有相当强的输入输出映射能力，但 BP 算法 所固有的速度慢、局部极小点等问题制约了其发展，需要进一步的优化和改进。 2.2 遗传算法遗传算法GA 人工神经网络的主要应用领域之一是求解优化问题， 而遗传算法也是一种求解最优化问 题的有效方法。遗传算法是受到达尔文的进化理论影响而形成的一种寻优方法。 遗传算法基本步骤 首先对可行域中的点进行编码， 然后随机挑选一组编码作为进化起点的第一代群体， 并 计算每个个体的适应度值，接着根据适应度值选择 n 个下一代群体 S，根据各个编码的适应 度值和交叉概率在 S 中随机选择可进行交叉的个体， 并随机配对进行交叉， 根据个体的适应 度值和变异概率在 S 中随机选择可进行变异的父代， 并进行变异， 最后通过新老个体产生下 一代群体，算法不断重复，直到结束条件得到满足为止。 遗传算法具有高度的鲁棒性和极佳的全局搜索能力， 对于多峰值的问题具有最优的全局 把握能力，但与神经网络相比，在局部搜索方面显得不足。为了克服各自的缺陷，本文将遗 - 3 - 传算法与神经网络结合起来，以期取得更佳效果。 2.3 基于遗传算法的基于遗传算法的 BP 神经网络（神经网络（BP-GA）） 基于遗传算法的 BP 神经网络就是在 BP 神经网络的学习过程中，将权重和阈值描述为 染色体，并选取适宜的适应函数，然后进行 GA 迭代，直到某种意义上的收敛。与普通的 BP 神经网络相比，基于 GA 的 BP 神经网络可以处理一些传统方法不能处理的例子，例如 不可导的特性函数或者没有梯度信息存在的节点。 本文采用遗传算法进行网络权值修正，具体步骤是将神经网络算法由遗传算法来代替。 改进后得网络权系的遗传进化步骤如下 （1）给定网络的输入/输出样本集 up/bp, p 1,2,...,n; （2）确定网络权系的编码方式，个体位串的长度，一组权系值（权值和阈值）与遗传算法 空间的个体位串的关系是由编码映射决定的； （3）选定遗传算法操作、设定遗传操作参数及自适应调整算法等； （4）以确定的种群规模 N，随机产生初始种群； （5）译码种群中的每一个体位串，求得 N 组网络权系值，得到具有相同结构参数的 N 个 网络； （6）输入样本集，经前向传播算法，求得 N 组网络输出 ypjj 1,2,...,N ; （7）设定网络的目标函数，将其转换成适应度，对 N 个网络进行评价； （8）依据适应度在遗传网络空间进行选择操作； （9）依据选定的交叉、变异及有关算法、参数进行相应的操作，得新一代种群； 返回步骤（5）直到满足要求，得到一组优化的权系值。 3. 在开采沉陷中的预测应用在开采沉陷中的预测应用 大量的岩石与地表移动观测资料表明， 不同的地质采矿条件对岩层地表移动和破坏有不 同的影响。本文根据实际资料，把影响开采引起地表沉陷的诸因素描述如下，抽出的输入向 量x x1，x2，x3，，x9。其中x1覆岩力学性质坚硬、中硬、软弱用硬度系数来表 示；x2松散层对地表移动特征的影响；x3煤层厚度；x4煤层倾角；x5开采深厚比； x6采区长度；x7采区宽度；x8采动性质；x9顶板管理方法。 - 4 - 表 1 训练样本集 Table 1. Training samples 本文共收集了 14 个开采地面沉陷实例数据，见表 1，其中前 10 个实例作为神经网络进 行自学习的样本集， 余下 4 个实例作为神经网络的测试样本集， 用于检验该方法的正确性和 实用性。 训练时将上述 8 个影响因素作为网络的输入， 将最大下沉值和最大水平移动值作为 网络的输出，中间神经元个数为 15，为 3 层网络，网络结构图见图 2。在样本的训练过程中, 取初始群数为 50，交叉概率 pc为 0.65，变异概率 pm为 0.01，终止进化代数为 500，初始权 值取值范围-1.0，1.0，取神经网络自适应学习速率为 0.7，动量系数为 0.8。误差要求 e 为 0.01。从表 1，可以看出基于遗传算法的神经网络预测要比原来的神经网络算法具有更高的 精度。把表 1 的训练样本集代入学习,经过 104s、1060 次迭代,获得了稳定的网络结构和连接 权值，训练时间较一般神经网络大为减少。网络训练好后，用检测样本集进行预测，预测结 果见表 2。 最大水平移动 mm 最大下沉mm 理论计算 理论计算 样 本 编 号 硬 度 系 数 r 松 散 层 厚 m 煤 层 厚 度 m 煤 层 倾 角 0 开 采 深 厚 比 采 空 区 长 度 m 采 空 区 宽 度 m 采 动 性 质 顶 板 管 理 方 法 BPBP- GA 实 测 值 BP BP- GA 实 测 值 1 5.5 5.8 2.225 56 17382 11350365369930 925 943 2 5.5 7.0 3 4 75 18530 12332341344581 589 595 3 5.5 7.0 25 41 5 19417922241 3 248 0 248 8 103 89 104 10 10401 4 5.5 7.0 3.7838 42 34817812605141 0 630155 6 228 8 1600 5 5.5 7.0 0.9641 52 49026812137 8 140 0 140 0 220 9 229 0 2290 6 3.0 20.0 0.9612 35 30617011271282282818 832 832 7 3.0 20.0 1.4411 43 37020711467480480979 986 986 8 3.0 20.0 2.1522 44 47018311300324324124 0 125 6 1256 9 3.0 20.0 1.2638 40 30411511163175175640 625 652 10 5.5 8.0 1.214 29 1507231235 40 40 400 412 412 - 5 - 表 2 预测结果 Table 2. predicted result 最大水平移动 最大下沉 硬 度 系 数 松散 厚度 煤层 厚度 煤 层 倾 角 开 采 深 厚 比 采 空 区 长 度 采 空 区 宽 度 采 动 性 质 顶 板 管 理 方 法 预 计 实 测 相 对 误 差 预计 实测 相 对 误 差 5.0 9.0 3.00 24 25 18050 1 2 4434215.22200 2050 7.3 5.0 7.0 1.30 7 25 26076 1 2 1901824.4946 912 3.7 4.0 12.0 1.80 7 102 1204201 1 2612523.61190 1216 2.2 4.5 12.0 2.80 8.5 31 2231381 2 4154072.02140 1987 7.7 3.0 18.0 1.02 15 59 4001801 2 1551429.2760 742 2.4 表中定性因素的赋值定义采动性质1-代表初采，2-代表复采；顶板管理方法1-水砂充填， 2-全采全 陷 4. 结论结论 智能信息处理系统是一种新型的信息处理系统，是将遗传算法和神经网络做的进一步的 研究，它的提出有利于发展思想更先进、功能更强大、能解决更复杂系统的智能行为。遗传 算法和神经网络都是基于生物学基础上的科学研究成果， 但两者的本质是不同的， 将其进行 结合研究，一是希望借鉴二者的长处，寻找一条求解复杂问题的途径；另一方面，也借助两 者的结合，使人们更好地理解进化和学习的相互关系，以便改进神经网络的不足。 本文利用遗传算法对 BP 网络权系进行优化， 该改进后的 BP 神经网络预计模型具有收敛 速度快，预测精度高的特点。通过本文可以看出，用智能信息系统进行预测，可以从学习算 法、 模型选择、 模型理解等方面解决开采沉陷预测的高度非线性和信息复杂性等问题。 因此， 智能信息系统在开采沉陷预测中的应用是大有前途的。 参考文献参考文献 [1] 袁冬莉. 人工智能在预测支持系统中的应用[J]. 西北工业大学学报,2001,192300-303. [2] 张祥,丁晶.神经智能信息处理系统的研究现状及其在水文水资源中的应用展望[J]. 水科学进 展,2000,111105-110. [3] 郭嗣琮,陈刚.信息科学中的软计算方法[M].沈阳东北大学出版社,2001. [4] 周春光,张冰.遗传算法及其在训练前向神经网络中的应用[J].小型微型计算机系统,2006,17654-58. [5] Zhao Dingyuan. Neural Network and Intelligent Ination Processing[J]. 成都大学学报.2006.25（3） 198-201. - 6 - The Application of Intelligence Ination Management System in Predicting Mining Subsidence Zheng Yan1，Ma Fenghai 2，Yang Fan1 ，3，4 1. School of Geomatics，Liaoning Technical University，Fuxin （123000） 2. Rock-Soil and Structure Control Engineering Research Center，DaLian University，Dalian （116622） 3. Institute of Land Reclamation Ecology Reconstruction，China University of Mining Technology Beijing，Beijing（100083） 4. State Key Laboratory of Coal Resources Mine Safety，China University of Mining Technology，Beijing（100083） Abstract Surface subsidence in mining is influenced by lots of factors, such as geological condition and mining condition. These factors have hardly been described by a numerical model because of their non-linear characters. In view of the characters of mining subsidence, a new for training the artificial neural network is presented. In this , the genetic algorithmGA, a general–purpose global search algorithm is used to train the network with updating the weights to minimize the errors between the network output and the desired output. The measure may speed up the convergence and improve the perance. Comparing the forecast results with the Grey theory forecasting or BP algorithm, it is concluded that the improved BP neural network model has a better predicting result. As an example, the means is used to predict results in mined-out. A neural network prediction model was established. Results show that the neural network prediction model has high convergent speed and good prediction precision, so the model offers a useful approach for surface subsidence prediction in mined-out. Keywordsartificial neural network，back propagation algorithm，genetic algorithm，mining subsidence，prediction of the mining subsidence