一種基于bp神經網絡建模的沖擊地壓動態預測方法
【技術領域】
[0001] 本發明涉及一種礦山沖擊地壓預測方法，特別是關于一種基于BP神經網絡建模 的沖擊地壓動態預測方法。
【背景技術】
[0002] 礦山的沖擊地壓作為礦山壓力的一種特殊表現形式，是指當礦山開采達到一定深 度時，由于采動應力、構造應力、地應力以及環境擾動共同作用而產生的一種地壓災害。在 沖擊地壓發生的過程中，礦體常常被劇烈粉碎并拋入巷道中，從而對支架、巷道、工作面造 成破壞，甚至造成人員傷亡。同時，周圍巖體還伴有震動等災害。大多數礦井均存在不同程 度的沖擊地壓威脅。
[0003] 對于沖擊地壓的研究主要側重分析其形成機理，研究其預測預報方法。而各種預 測方法則需針對具體地質條件，通過理論聯系實際方法來對沖擊地壓進行預測預報。目前， 除了經驗類比法外，沖擊地壓的預測方法可分為以下兩大類：一是以鉆肩法為主的局部探 測法，主要用于探測采掘局部區段的沖擊危險程度。但其預測工作在時空上不具有連續性。 二是系統監測法，主要有微震、地音及地球物理系統監測方法。原理是通過連續監測礦體內 出現的動力現象來預測沖擊地壓的危險級別，所依據的基本條件是巖體結構的破壞過程， 可以被視為動力破壞的前兆。此類方法可解決時空不連續問題，但維護較為困難，數據本身 存在極為復雜的非線性關系，故通過分析數據判定礦體的力學狀態難度較大。
[0004] 近年來，人工智能方法被普遍的應用到沖擊地壓的預測中，如利用混沌時間序列 方法來預測沖擊地壓，采用灰色理論建立了沖擊地壓預測模型。然而，通過大量的實證研究 表明，上述方法并未很好解決沖擊地壓動態預測問題。這是因為，沖擊地壓與巖體深度、巖 體厚度、巖體間距、日進度和日產量等多種因素密切相關，而這些影響因素又存在復雜的非 線性關系。傳統方法無法準確對沖擊地壓進行預測。
【發明內容】
[0005] 針對上述問題，本發明的目的是提供一種基于BP神經網絡建模的沖擊地壓動態 預測方法，該方法可靠性較高，克服了目前沖擊地壓預測過程中并未與其影響因素相聯系 的缺陷，實現了沖擊地壓中短期動態預測。
[0006] 為實現上述目的，本發明采取以下技術方案：一種基于BP神經網絡建模的沖擊地 壓動態預測方法，其特征在于：所述預測方法包括以下步驟：1)根據礦井實際情況，確定沖 擊地壓影響因素，并采集這些影響因素的特征數據；2)對步驟1)中的影響因素指標中定性 描述部分進行定量化處理，獲得初始種群，將沖擊地壓分為四個危險級別：無明顯沖擊、微 弱沖擊、較強沖擊和強烈沖擊；3)將采集到的八項影響因素的全部數據存儲到數據庫中， 并分別進行BP神經網絡訓練，獲得BP神經網絡模型參數和輸入層和隱藏層之間的連接權 重W 1,、隱藏層和輸出層之間的連接權重W]k;4)利用遺傳算法對神經元個數h、算法學習率 η及動量因子α尋優，獲得最優隱含層節點數目；5)利用步驟3)及步驟4)訓練得到BP 神經網絡算法模型對礦井的沖擊地壓進行預測，獲得礦井沖擊地壓的危險級別。
[0007] 所述步驟1)中，所述影響因素包括礦體厚度、礦體傾角、埋深、地質構造情況、傾 角的變化程度、礦體厚度變化情況、頂板管理情況和采前卸壓情況。
[0008] 所述步驟2)中，所述量化方法為：地質構造 ：I表示簡單地質構造，II表示地質構 造一般，III表示地質構造較為復雜，IV表示地質構造極為復雜；礦體間傾角變化：I表示無 明顯變化，II表示有較小變化，III表示有較大變化；礦體厚度變化：I表示無明顯變化，II 表示有較小變化，III表示有較大變化；頂板管理情況：I表示支護差，II表示支護一般，III 表示支護較好；采前卸壓情況：I表示無卸壓措施，II表示卸壓情況一般，III表示卸壓情況 較好，IV表示卸壓情況很好。
[0009] 所述步驟3)中，所述BP神經網絡訓練算法如下：（1)隨機給各輸入層和隱藏層之 間的連接權重W 1 i和隱藏層和輸出層之間的連接權重W jk賦一個初始權值，要求各連接權重 值互不相等，且都為一較小的非零數，在（-1. 0, 1. 0)之間取值；(2)對樣本集中每一個樣本 (Χρ，γρ)確定網絡的實際輸出值〇p;其中，P = 1、2、一i ;(3)計算實際輸出Op和相應的理 想輸出Yp之間的差；(4)按網絡結構的極小誤差方式調整權值矩陣；（5)判斷最大迭次數N 是否大于預先給定的大數，大于則判斷網絡結構的誤差是否小于較小的值ε ;反之將網絡 結構誤差反向傳播，修正各個連接權重，返回步驟（1)。
[0010] 所述步驟4)中，所述尋優方法為：（1)采用十進制整數編碼；(2)根據礦井實際情 況確定初始種群染色體數目，生成初始種群；（3)計算每個染色體的適應度值g (Xi)，Xi為種 群中第i個染色體；(4)累加所有染色體的適應度值sum = Σ g(Xi)，同時記錄對于每一個 染色體的中間累加值S-mid，其中S為總數目；并生成一個隨機數M，0〈M〈sum;選擇其對應 的中間累加值S-mid多M的第一個染色體進入交換集；(5)重復步驟（4)，直到交換集中包 含足夠多的染色體為止；(6)任意選擇步驟（5)中產生的兩個染色體進行單點雜交和兩點 雜交，得到新的兩個染色體；(7)利用各種偶然因素引起的基因突變進行變異運算，以給定 的概率隨機地改變遺傳基因的值；(8)通過步驟（1)至步驟（7)獲得BP神經網絡算法神經 元個數h、算法學習率Tl及動量因子α，得到最優隱含層節點數目。
[0011] 本發明由于采取以上技術方案，其具有以下優點：1、本發明首先通過相關監控系 統及記錄資料采集到有關指標的數據值，再利用BP神經網絡算法對其進行訓練，訓練過程 中利用遺傳算法對BP神經網絡算法相關參數進行尋優，然后得到BP神經網絡算法模型，最 后利用這一模型對礦井未來一段時間的沖擊地壓情況進行預測。在實際生產過程易于實 現，可靠性較高，克服了目前沖擊地壓預測過程中并未與其影響因素相聯系的缺陷。2、本發 明采用遺傳算法-BP神經網絡模型進行動態預測，由于BP神經網絡含有豐富的隱含層，而 礦井采集的原始數據就蘊含了對沖擊地壓影響的各個物理因素。因此，利用本發明對礦井 沖擊地壓進行動態預測，精度高，預測過程蘊含物理機制，改變憑經驗預測的局面，進而為 礦山安全生產提供技術支撐。本發明可以廣泛在礦山沖擊地壓預測領域中應用。
【附圖說明】
[0012] 圖1是本發明基于BP神經網絡沖擊地壓預測方法基本原理示意圖；
[0013] 圖2是本發明基于BP神經網絡沖擊地壓動態預測流程示意圖；
[0014] 圖3是本發明的三層進化神經網絡結構示意圖。
【具體實施方式】
[0015] 下面結合附圖和實施例對本發明進行詳細的描述。
[0016] 如圖1、圖2所示，本發明提供一種基于BP神經網絡建模的沖擊地壓動態預測方 法，其步驟如下：
[0017] 1)根據礦井實際情況，確定沖擊地壓影響因素，并采集這些影響因素的特征數據， 即獲得初始染色體；
[0018] 其中，影響因素包括以下八項：
[0019] (1)礦體厚度：巖體的厚度直接體現巖體的性質，巖層厚度變化代表其積累能量 的變化；
[0020] (2)礦體傾角：巖體傾角反映巖體的賦存條件；
[0021] (3)埋深：礦體的埋深直接反映了礦體的應力分布及集中情況；
[0022] (4)地質構造情況；
[0023] (5)傾角的變化程度；
[0024] (6)礦體厚度變化情況；
[0025] (7)頂板管理情況；
[0026] (8)采前卸壓情況，卸壓情況反映了對具有沖擊傾向性的地方所采取防范措施的 效果。
[0027] 2)為適合BP神經網絡算法模型對數據的要求，需對步驟1)中的影響因素指標 中定性描述部分進行定量化處理，獲得初始種群，將沖擊地壓分為四個危險級別：無明顯沖 擊、微弱沖擊、較強沖擊和強烈沖擊；
[0028] 其中，量化方法如下：
[0029] 地質構造：I表示簡單地質構造，II表示地質構造一般，III表示地質構造較為復 雜，IV表示地質構造極為復雜；
[0030] 礦體間傾角變化：I表示無明顯變化，II表示有較小變化，III表示有較大變化；
[0031] 礦體厚度變化：I表示無明顯變化，II表示有較小變化，III表示有較大變化；
[0032] 頂板管理情況：I表示支護差，II表示支護一般，III表示支護較好；
[0033] 采前卸壓情況：I表示無卸壓措施，II表示卸壓情況一般，III表示卸壓情況較好， IV表示卸壓情況很好。
[0034] 3)將采集到的八項影響因素的全部數據存儲到數據庫中，并分別進行BP神經網 絡訓練，獲得BP神經網絡模型參數和輸入層和隱藏層之間的連接權重W u、隱藏層和輸出層 之間的連接權重Wjk;
[0035] 由于進化神經網絡就是采用BP(Back propagation)算法進行訓練的網絡，該網絡 具有一個輸入層，一個輸出層和至少一個隱藏（中間）