一種基于神經(jīng)網(wǎng)絡(luò)的巷道圍巖變形預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種預(yù)測巷道圍巖變形的方法,尤其涉及一種利用神經(jīng)網(wǎng)絡(luò)預(yù)測巷道 圍巖變形的方法。 技術(shù)背景
[0002] 伴隨著我國社會經(jīng)濟(jì)的快速發(fā)展,人類對地下資源的開發(fā)和利用變的日趨廣泛。 對地下采礦工程而言,要想保證礦山的安全生產(chǎn),首先要解決的問題就是巷道在開挖卸載 后如何保持圍巖的穩(wěn)定性,由此而引發(fā)的關(guān)于地下巷道圍巖穩(wěn)定性問題的研究也日益受到 人們的重視和關(guān)注。越來越多的研究發(fā)現(xiàn),巷道圍巖的失穩(wěn)破壞,往往是巷道周邊圍巖的應(yīng) 力超載或圍巖位移過量所致。為此,為了保證巷道圍巖的穩(wěn)定性,就需要對巷道在開挖之后 圍巖應(yīng)力場的分布規(guī)律及變形破壞做進(jìn)一步的研究,并以此作為根據(jù)采取必要合理、經(jīng)濟(jì) 有效的控制措施。然而,巷道圍巖體的變形是非常復(fù)雜和高度非線性的,目前巷道圍巖體變 形的理論計算方法還不成熟,現(xiàn)有理論公式計算結(jié)果很難應(yīng)用到工程實踐中去;除此之外, 對于影響巷道圍巖變形的因素太多,這也導(dǎo)致了我們要想準(zhǔn)確預(yù)測出巷道圍巖變形的具體 數(shù)值變得非常困難,進(jìn)而也就不可能對其進(jìn)行定量的分析。
【發(fā)明內(nèi)容】
[0003] 技術(shù)問題:本發(fā)明的目的是提出一種采用神經(jīng)網(wǎng)絡(luò)預(yù)測巷道圍巖變形的方法,解 決預(yù)測巷道圍巖頂板下沉量、底板上移量、巷幫位移量及產(chǎn)生的最大塑性區(qū)破壞深度的問 題。
[0004] 技術(shù)方案:實現(xiàn)本發(fā)明目的的基于神經(jīng)網(wǎng)絡(luò)的預(yù)測方法,通過層次分析得到圍巖 的關(guān)鍵影響因素,建立BP神經(jīng)網(wǎng)絡(luò)模型,輸入由前期不同地質(zhì)條件下監(jiān)測得到的數(shù)據(jù)組形 成的訓(xùn)練樣本,該數(shù)據(jù)結(jié)構(gòu)是多維矩陣,訓(xùn)練樣本數(shù)據(jù)通過trainlm函數(shù)對神經(jīng)網(wǎng)絡(luò)系統(tǒng) 進(jìn)行訓(xùn)練;利用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對巷道開挖初期變形量進(jìn)行預(yù)測,根據(jù)輸入的指標(biāo)參數(shù), 得到圍巖頂板下沉量、底板上移量、巷幫位移量及產(chǎn)生的最大塑性區(qū)破壞深度,神經(jīng)網(wǎng)絡(luò)會 根據(jù)預(yù)測請求預(yù)測出開挖初期的巷道變形,選取合適的支護(hù)參數(shù)對巷道進(jìn)行支護(hù)控制,預(yù) 防由于巖體失穩(wěn)所帶來的安全事故。
[0005] 具體步驟如下:
[0006] a.通過層次分析法確定預(yù)測巷道圍巖變形與塑性區(qū)范圍的有8個輸入層節(jié)點指 標(biāo),
[0007] b.將前期的檢測數(shù)據(jù)作為各指標(biāo)數(shù)據(jù)的訓(xùn)練樣本,同時對樣本進(jìn)行歸一化處理, 使所有的樣本數(shù)據(jù)都?xì)w一為[-1,1]之間,歸一化后的樣本為:
[0009] 式中:知為歸一化后樣本數(shù)據(jù),X為原始樣本數(shù)據(jù),X _、x_分別為原始樣本數(shù)據(jù) 中的最小值和最大值;
[0010] 所述的訓(xùn)練樣本為前期在不同地質(zhì)條件下監(jiān)測的數(shù)據(jù),樣本數(shù)據(jù)是由樣本輸入和 期望輸出組成的樣本對;
[0011] c.對樣本數(shù)據(jù)進(jìn)行訓(xùn)練:采用trainlm訓(xùn)練函數(shù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練,并對訓(xùn)練 樣本進(jìn)行滾動累積,使所建立的神經(jīng)網(wǎng)絡(luò)模型達(dá)到學(xué)習(xí)記憶功能;
[0012] d.建立神經(jīng)網(wǎng)絡(luò)模型:首先,根據(jù)步驟a的8個輸入層節(jié)點指標(biāo),建立具有8個節(jié) 點輸入層;然后,參考公式來確定隱含層節(jié)點數(shù)的范圍:
[0016] 式中:η為輸入層節(jié)點數(shù);1為隱含層節(jié)點數(shù);m為輸出層節(jié)點數(shù);a為1~10之間 的任意實常數(shù);
[0017] 重復(fù)步驟c,訓(xùn)練過程中逐漸增加隱含層節(jié)點數(shù),當(dāng)訓(xùn)練過程中達(dá)到目標(biāo)誤差所需 的步數(shù)相對較少時,即為隱含層的最佳節(jié)點數(shù);通過對輸入變量正向計算與誤差的逆向傳 播逐層調(diào)節(jié)各層權(quán)值和閥值矩陣,最終達(dá)到所要求的訓(xùn)練精度,得到預(yù)測巷道圍巖變形的 BP神經(jīng)網(wǎng)絡(luò)模型;
[0018] e.預(yù)測圍巖巷道圍巖變形:根據(jù)不同的地質(zhì)條件,當(dāng)巷道圍巖為非線性的動態(tài)反 饋系統(tǒng)時,對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行反歸一化處理,得到圍巖變形的預(yù)測結(jié)果。
[0019] 所述的BP神經(jīng)網(wǎng)絡(luò)模型包括三層:8節(jié)點輸入層,12節(jié)點隱含層以及4節(jié)點輸出 層;
[0020] 所述的8節(jié)點輸入層為:巷道斷面尺寸即拱高r和墻高h(yuǎn)、埋深即等效上覆載荷q、 圍巖非均質(zhì)度(D)及巖石力學(xué)參數(shù)的彈性模量E、泊松比μ、巖石黏聚力c和巖石內(nèi)摩擦角 (Φ 〉8個指標(biāo);
[0021] 所述的12節(jié)點隱含層為12個隱層節(jié)點數(shù)目,通過d步驟的參考公式,利用MATLAB 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱結(jié)合試湊法對樣本數(shù)據(jù)進(jìn)行訓(xùn)練,當(dāng)隱層節(jié)點為12時訓(xùn)練達(dá)到 目標(biāo)誤差所需的步數(shù)相對較少,其誤差下降梯度變化平緩。
[0022] 所述的4個節(jié)點輸出層是:預(yù)測巷道圍巖頂板下沉量、底板上移量、巷幫位移量及 產(chǎn)生的最大塑性區(qū)破壞深度。
[0023] 所述8個指標(biāo)是通過層次分析法對這8個指標(biāo)建立判斷矩陣;再根據(jù)經(jīng)驗公式CI =(Amax_n)/(n_l)和CR = CI/RI進(jìn)行一致性檢驗,式中:λ_-為判斷矩陣的最大特征 根;η-參加比較的因素數(shù)目;RI-平均隨機(jī)一致性指標(biāo),CI- 一致性指標(biāo),CR- -致性比 率。
[0024] 有益效果,由于采用了上述方案,對于地質(zhì)條件較為復(fù)雜的巷道,通過綜合分析不 同因素影響下所造成的圍巖體變形量與塑性區(qū)范圍,利用人工神經(jīng)網(wǎng)絡(luò)處理非線性問題的 能力,建立預(yù)測模型,并將其應(yīng)用于實際工程中來,對于及時掌握巷道開挖初期所造成的變 形量與塑性區(qū)范圍;通過BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自反饋、自修正的特點,對現(xiàn)場8個指標(biāo)進(jìn) 行訓(xùn)練,可以比較有效的預(yù)測巷道圍巖的變形量,提高計算效率,對現(xiàn)場施工具有十分重要 的指導(dǎo)意義。
【附圖說明】
[0025] 圖1是本發(fā)明的BP算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。
[0026] 圖2是本發(fā)明的預(yù)測巷道圍巖變形與塑性區(qū)深度的BP神經(jīng)網(wǎng)絡(luò)模型示意圖。
[0027] 圖3是本發(fā)明的預(yù)測巷道圍巖變形與塑性區(qū)深度的標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法流程圖。
【具體實施方式】
[0028] 該預(yù)測方法,通過層次分析得到圍巖的關(guān)鍵影響因素,建立BP神經(jīng)網(wǎng)絡(luò)模型,輸 入由前期不同地質(zhì)條件下監(jiān)測得到的數(shù)據(jù)組形成的訓(xùn)練樣本,該數(shù)據(jù)結(jié)構(gòu)是多維矩陣,訓(xùn) 練樣本數(shù)據(jù)通過trainlm函數(shù)對神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行訓(xùn)練;利用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對巷道 開挖初期變形量進(jìn)行預(yù)測,根據(jù)輸入的指標(biāo)參數(shù),得到圍巖頂板下沉量、底板上移量、巷幫 位移量及產(chǎn)生的最大塑性區(qū)破壞深度,神經(jīng)網(wǎng)絡(luò)會根據(jù)預(yù)測請求預(yù)測出開挖初期的巷道變 形,選取合適的支護(hù)參數(shù)對巷道進(jìn)行支護(hù)控制,預(yù)防由于巖體失穩(wěn)所帶來的安全事故。
[0029] 預(yù)測方法的具體步驟如下:
[0030] a.通過層次分析法確定預(yù)測巷道圍巖變形與塑性區(qū)范圍的有8個輸入層節(jié)點指 標(biāo),
[0031] b.將前期的檢測數(shù)據(jù)作為各指標(biāo)數(shù)據(jù)的訓(xùn)練樣本,同時對樣本進(jìn)行歸一化處理, 使所有的樣本數(shù)據(jù)都?xì)w一為[-1,1]之間,歸一化后的樣本為:
[0033] 式中:&為歸一化后樣本數(shù)據(jù),X為原始樣本數(shù)據(jù),X _、x_分別為原始樣本數(shù)據(jù) 中的最小值和最大值;
[0034] 所述的訓(xùn)練樣本為前期在不同地質(zhì)條件下監(jiān)測的數(shù)據(jù),樣本數(shù)據(jù)是由樣本輸入和 期望輸出組成的樣本對;
[0035] c.對樣本數(shù)據(jù)進(jìn)行訓(xùn)練:采用trainlm訓(xùn)練函數(shù)對樣本數(shù)據(jù)進(jìn)行訓(xùn)練,并對訓(xùn)練 樣本進(jìn)行滾動累積,使所建立的神經(jīng)網(wǎng)絡(luò)模型達(dá)到學(xué)習(xí)記憶功能;
[0036] d.建立神經(jīng)網(wǎng)絡(luò)模型:首先,根據(jù)步驟a的8個輸入層節(jié)點指標(biāo),建立具有8個節(jié) 點輸入層;然后,參考公式來確定隱含層節(jié)點數(shù)的范圍:
[0040] 式中:η為輸入層節(jié)點數(shù);1為隱含層節(jié)點數(shù);m為輸出層節(jié)點數(shù);a為1~10之間 的任意實常數(shù);
[0041] 重復(fù)步驟c,訓(xùn)練過程中逐漸增加隱含層節(jié)點數(shù),當(dāng)訓(xùn)練過程中達(dá)到目標(biāo)誤差所需 的步數(shù)相對較少時,即為隱含層的最佳節(jié)點數(shù);通過對輸入變量正向計算與誤差的逆向傳 播逐層調(diào)節(jié)各層權(quán)值和閥值矩陣,最終達(dá)到所要求的訓(xùn)練精度,得到預(yù)測巷道圍巖變形的 BP神經(jīng)網(wǎng)絡(luò)模型;
[0042] e.預(yù)測圍巖巷道圍巖變形:根據(jù)不同的地質(zhì)條件,當(dāng)巷道圍巖為非線性的動態(tài)反 饋系統(tǒng)時,對BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果進(jìn)行反歸一化處理,得到圍巖變形的預(yù)測結(jié)果。
[0043] 所述的BP神經(jīng)網(wǎng)絡(luò)模型包括三層:8節(jié)點輸入層,12節(jié)點隱含層以及4節(jié)點輸出 層;
[0044] 所述的8節(jié)點輸入層為:巷道斷面尺寸即拱高r和墻高h(yuǎn)、埋深即等效上覆載荷q、 圍巖非均質(zhì)度(D)及巖石力學(xué)參數(shù)的彈性模量E、泊松比μ、巖石黏聚力c和巖石內(nèi)摩擦角 (Φ ) 8個指標(biāo);
[0045] 所述的12節(jié)點隱含層為12個隱層節(jié)點數(shù)目,通過d步驟的參考公式,利用MATLAB 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱結(jié)合試湊法對樣本數(shù)據(jù)進(jìn)行訓(xùn)練,當(dāng)隱層節(jié)點為12時訓(xùn)練達(dá)到 目標(biāo)誤差所需的步數(shù)相對較少,其誤差下降梯度變化平緩;
[0046] 所述的4個節(jié)點輸出層是:預(yù)測巷道圍巖頂板下沉量、底板上移量、巷幫位移量及 產(chǎn)生的最大塑性區(qū)破壞深度。
[0047] 所述8個指標(biāo)是通過層次分析法對這8個指標(biāo)建立判斷矩陣;再根據(jù)經(jīng)驗公式CI =(Amax_n)/(n_l)和CR = CI/RI進(jìn)行一致性檢驗,式中:λ_-為判斷矩陣的最大特征 根;η-參加比較的因素數(shù)目;RI-平均隨機(jī)一致性指標(biāo),CI- 一致性指標(biāo),CR- -致性比 率。
[0048] 下面結(jié)合附圖對本發(fā)明技術(shù)方案進(jìn)行詳細(xì)完整的描述:
[0049] 圖1是根據(jù)本發(fā)明的BP算法的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖。根據(jù)圖1所示,該算法正向 計算過程和誤差反傳過程是構(gòu)成BP神經(jīng)網(wǎng)絡(luò)算法的主要兩部分;正向計算過程為:輸入信 息從輸入層輸入經(jīng)隱含層逐層處理,最終傳至輸出層,在信息正向傳播的過程中,下一層神 經(jīng)元的狀態(tài)只受上一層神經(jīng)網(wǎng)絡(luò)的狀態(tài)的影響。如果輸出層與期望值誤差較大,則轉(zhuǎn)入誤 差反向過程,誤差通過修改各層神經(jīng)元的權(quán)值沿原來的連接通路返回,使最終的輸出誤差 達(dá)到最小。
[0050] 其學(xué)習(xí)規(guī)則的指導(dǎo)思想是:對網(wǎng)絡(luò)權(quán)值和閾值的修正要沿著傳遞函數(shù)下降最快的 方向一負(fù)梯度方向進(jìn)行。
[0051] 圖2是根據(jù)本發(fā)明預(yù)測巷道圍巖變形與塑性區(qū)深度的BP神經(jīng)網(wǎng)絡(luò)模型示意圖。所 建立的BP神經(jīng)網(wǎng)絡(luò)模型包括三層:8節(jié)點輸入層,12節(jié)點隱含層以及4節(jié)點輸出層。