CN101436264A - 基于分段模糊bp神经网络的矿山井下泥石流预测方法 - Google Patents
基于分段模糊bp神经网络的矿山井下泥石流预测方法 Download PDFInfo
- Publication number
- CN101436264A CN101436264A CNA2008102276294A CN200810227629A CN101436264A CN 101436264 A CN101436264 A CN 101436264A CN A2008102276294 A CNA2008102276294 A CN A2008102276294A CN 200810227629 A CN200810227629 A CN 200810227629A CN 101436264 A CN101436264 A CN 101436264A
- Authority
- CN
- China
- Prior art keywords
- neural network
- debris flow
- error
- downhole debris
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了矿山井下生产安全保障技术领域中的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法。技术方案是,提出影响井下泥石流形成的关键因素;将定量因素和定性因素进行预处理,提出串形结构的分段模糊BP神经网络;对原有神经网络模型进行改进,设计新的评估模型;形成网络学习训练样本;进行网络学习训练;对评价结果进行危险度识别;计算系统误差;调整系统误差,直到系统平均误差小于设定要求为止。本发明为减轻、延缓以及遏制矿山井下泥石流的发生,合理有效的控制其对矿山安全生产造成的影响提供了依据。
Description
技术领域
本发明属于矿山井下生产安全保障技术领域,尤其涉及一种基于分段模糊BP神经网络的矿山井下泥石流预测方法。
背景技术
目前我国一部分地下金属矿山随着采矿的深入进行,形成地表塌陷,造成涌泥量的急剧增加。每当汛期来临时,雨水、黄泥、砂石夹杂一起,极易形成井下泥石流地质灾害,而且有越来越严重威胁矿山正常安全生产的趋势。因此,在排除人为隐患的前提下,十分有必要对矿山井下泥石流形成过程、诱发机理进行全面系统的研究,并提出相应的工程控制对策措施,以减少泥石流的发生次数,避免人身伤亡和财产损失,确保矿山安全生产。
而现有的矿山泥石流的机理及预报理论、方法及发展状况,主要集中在露天泥石流方面,对于地下金属矿山井下泥石流的机理及预测预报研究则少之甚少。与露天相比,地下金属矿山井下泥石流的形成更为复杂,关键在于其复杂的地层结构、多变的采场边界条件以及众多的采矿因素的影响,在采场围岩中还潜在着大小不同和形状各异的空区、空洞。同时,其介质的力学性质、变形破坏机理以及空区、空洞在复杂多变的采矿因素影响下,随空间和时间的变化而变化。因此,对地下金属矿山的井下泥石流机理及预测预报至今仍是一个空白。
发明内容
本发明的目的在于,通过深入分析矿山井下泥石流的形成因素,提出矿山井下泥石流的预测方法,解决目前矿山露天泥石流预测不能满足矿山安全生产的实际需要。
本发明的技术方案是,一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是,所述方法包括下列步骤:
步骤1:进行专家调查、资料分析和井下泥石流形成因素宏观分析,提出影响井下泥石流形成的关键因素;
步骤2:将定量因素和定性因素进行预处理,提出串形结构的分段模糊BP神经网络;
步骤3:对原有神经网络模型进行改进,设计新的评估模型;
步骤4:形成网络学习训练样本;
步骤5:进行网络学习训练;
步骤6:对评价结果进行危险度识别;
步骤7:计算系统误差;
步骤8:如果误差不能满足设定要求,则跳到步骤2,重复以上各步,直到系统平均误差小于设定要求为止。
步骤9:结束。
所述影响井下泥石流形成的关键因素包括塌陷坑深度、塌陷面积、地表相对高差、黄土层厚度、上覆岩层垫层厚度、矿体埋藏深度、开采深度、液塑性、渗透性、含水率、单口持续出矿。
所述对原有神经网络模型进行改进,设计新的评估模型,是将传统的神经网络S型函数 替换为新的S型函数
所述形成网络学习训练样本,就是给出顺序赋值的输入向量Xi=(x0,x1,...,xn-1)和对应的期望输出向量Di=(d0,d1,...,dm-1),其中下标i为第i个样本的输入或输出模式。
所述进行网络学习训练,包括下列步骤:
步骤52:使用递归算法,从输出层开始逆向传播误差,直到第一隐含层为止;并用公式ωij(t+1)=ωij(t)+ηδjxi,调整权值,若节点j是一个输出节点,则:δi=yj(1-yj)(dj-yj);若节点j是一个内部的隐节点,则: 其中,wij为权值、θj为阈值、η为增益项,在计算开始时把所有的权值wij和阈值θj,都设置成较小的随机数;
步骤53:调整阈值,使用神经网络中递归算法从输出层开始逆向传播误差,直到第一隐含层为止。
所述计算系统误差,其方法是对于每一个输入和输出模式,其误差计算公式为 在有p个样本的情况下,系统的平均误差为 其中dik对应于第i个输入模式第k个输出层节点的期望输出,yik为相应的计算输出。
基于分段模糊BP神经网络的矿山井下泥石流预测方法,为减轻、延缓、甚至遏制矿山井下泥石流的发生,合理有效的控制其对矿山安全生产造成的影响提供科学依据。
附图说明
图1是基于分段模糊BP神经网络的矿山井下泥石流预测方法流程图。
图2是分段模糊BP神经网络层次结构图。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
图1是矿山井下泥石流预测方法的流程图。图1中,步骤101:进行专家调查、资料分析和井下泥石流形成因素宏观分析,提出影响井下泥石流形成的关键因素。
步骤102:将定量因素和定性因素进行预处理,提出串形结构的分段模糊BP神经网络。
图2是分段模糊BP神经网络层次结构图。图2中,分段模糊神经网络由三部分组成,为分段模糊处理层、神经网络学习层(包括输入层、隐含层和输出层)和反模糊数据处理层。
根据定量因素隶属函数表(见表1)以及定性因素量化处理方法(见表2)对数据进行预处理。
表1:定量因素隶属函数表
表2:定性因素量化处理方法
分段模糊量化部分主要是根据输入因素和输出因素的数据分布区间或定性分类进行分段模糊处理,处理后的数据样本遵循模糊数学中最大隶属度的原则进行相应的排列。
步骤103:对原有神经网络模型进行改进,设计新的评估模型。对原有神经网络模型进行改进,设计新的评估模型104,将传统的神经网络S型函数 替换为新的S型函数
步骤104:形成网络学习训练样本即给出顺序赋值的输入向量Xi=(x0,x1,...,xn-1)和对应的期望输出向量Di=(d0,d1,...,dm-1),其中下标i为第i个样本的输入或输出模式。
然后,使用递归算法,从输出层开始逆向传播误差,直到第一隐含层为止;并用公式ωij(t+1)=ωij(t)+ηδjxi,调整权值,若节点j是一个输出节点,则:δi=yj(1-yj)(dj-yj);若节点j是一个内部的隐节点,则: 其中,wij为权值、θj为阈值、η为增益项,在计算开始时把所有的权值wij和阈值θj,都设置成较小的随机数。
最后,调整阈值,使用神经网络中递归算法从输出层开始逆向传播误差,直到第一隐含层为止。
步骤106:对评价结果进行危险度识别。根据表3输出因素量化进行危险度识别。
表3:输出因素量化
输出因素名称 | 1 | 2 | 3 | 4 |
井下泥石流发生危险度 | 十分正常 | 正常 | 危险 | 十分危险 |
步骤107:计算系统误差,检验模型。求系统的平均误差:对于每一个输入、输出模式,对i,其误差计算公式为 系统的平均误差为(假设有p个样本): 其中dik对应于第i个输入模式第k个输出层节点的期望输出,yik为相应的计算输出,若误差不能满足要求则转求2,多次重复以上各步,直到系统平均误差小于规定的要求为止;
步骤108:如果误差不能满足设定要求,则跳到步骤102,重复以上各步,直到系统平均误差小于设定要求为止。
步骤109:结束预测。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1、一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是,所述方法包括下列步骤:
步骤1:进行专家调查、资料分析和井下泥石流形成因素宏观分析,提出影响井下泥石流形成的关键因素;
步骤2:将定量因素和定性因素进行预处理,提出串形结构的分段模糊BP神经网络;
步骤3:对原有神经网络模型进行改进,设计新的评估模型;
步骤4:形成网络学习训练样本;
步骤5:进行网络学习训练;
步骤6:对评价结果进行危险度识别;
步骤7:计算系统误差;
步骤8:如果误差不能满足设定要求,则跳到步骤2,重复以上各步,直到系统平均误差小于设定要求为止;
步骤9:结束。
2、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是所述影响井下泥石流形成的关键因素包括塌陷坑深度、塌陷面积、地表相对高差、黄土层厚度、上覆岩层垫层厚度、矿体埋藏深度、开采深度、液塑性、渗透性、含水率、单口持续出矿。
3、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是所述对原有神经网络模型进行改进,设计新的评估模型,是将传统的神经网络S型函数 ,替换为新的S型函数
4、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是所述形成网络学习训练样本,就是给出顺序赋值的输入向量Xi=(x0,x1,...,xn-1)和对应的期望输出向量Di=(d0,d1,...,dm-1),其中下标i为第i个样本的输入或输出模式。
5、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是所述进行网络学习训练,包括下列步骤:
步骤52:使用递归算法,从输出层开始逆向传播误差,直到第一隐含层为止;并用公式ωij(t+1)=ωij(t)+ηδjxi,调整权值,若节点j是一个输出节点,则:δi=yj(1-yj)(dj-yj);若节点j是一个内部的隐节点,则: 其中,wij为权值、θj为阈值、η为增益项,在计算开始时把所有的权值wij和阈值θj,都设置成较小的随机数;
步骤53:调整阈值,使用神经网络中递归算法从输出层开始逆向传播误差,直到第一隐含层为止。
6、根据权利要求1所述的一种基于分段模糊BP神经网络的矿山井下泥石流预测方法,其特征是所述计算系统误差,其方法是对于每一个输入和输出模式,其误差计算公式为 在有p个样本的情况下,系统的平均误差为 其中dik对应于第i个输入模式第k个输出层节点的期望输出,yik为相应的计算输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102276294A CN101436264B (zh) | 2008-11-28 | 2008-11-28 | 基于分段模糊bp神经网络的矿山井下泥石流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008102276294A CN101436264B (zh) | 2008-11-28 | 2008-11-28 | 基于分段模糊bp神经网络的矿山井下泥石流预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101436264A true CN101436264A (zh) | 2009-05-20 |
CN101436264B CN101436264B (zh) | 2012-05-09 |
Family
ID=40710696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008102276294A Expired - Fee Related CN101436264B (zh) | 2008-11-28 | 2008-11-28 | 基于分段模糊bp神经网络的矿山井下泥石流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101436264B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867123A (zh) * | 2012-09-11 | 2013-01-09 | 中国科学院水利部成都山地灾害与环境研究所 | 一种泥石流一次性冲出量期望值的优化方法及其应用 |
CN103364533A (zh) * | 2013-06-27 | 2013-10-23 | 山东科技大学 | 一种煤矿承压含水层上开采底板扰动破坏程度的分析方法 |
CN103778469A (zh) * | 2013-01-23 | 2014-05-07 | 辽宁工程技术大学 | 一种基于神经网络优化遗传算法的爆破方案选择方法 |
CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
CN105259331A (zh) * | 2015-11-06 | 2016-01-20 | 三峡大学 | 一种节理岩体单轴强度预测方法 |
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN107180220A (zh) * | 2016-03-11 | 2017-09-19 | 松下电器(美国)知识产权公司 | 危险预测方法 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
CN110969559A (zh) * | 2019-12-23 | 2020-04-07 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
CN111191388A (zh) * | 2020-03-06 | 2020-05-22 | 桂林理工大学 | 一种基于深度学习的岩溶塌陷预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100470416C (zh) * | 2006-12-28 | 2009-03-18 | 上海电力学院 | 一种电厂热工设备智能状态诊断分析系统 |
-
2008
- 2008-11-28 CN CN2008102276294A patent/CN101436264B/zh not_active Expired - Fee Related
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867123B (zh) * | 2012-09-11 | 2016-02-03 | 中国科学院水利部成都山地灾害与环境研究所 | 一种泥石流一次性冲出量期望值的优化方法及其应用 |
CN102867123A (zh) * | 2012-09-11 | 2013-01-09 | 中国科学院水利部成都山地灾害与环境研究所 | 一种泥石流一次性冲出量期望值的优化方法及其应用 |
CN103778469A (zh) * | 2013-01-23 | 2014-05-07 | 辽宁工程技术大学 | 一种基于神经网络优化遗传算法的爆破方案选择方法 |
CN103364533A (zh) * | 2013-06-27 | 2013-10-23 | 山东科技大学 | 一种煤矿承压含水层上开采底板扰动破坏程度的分析方法 |
CN103364533B (zh) * | 2013-06-27 | 2016-08-17 | 山东科技大学 | 一种煤矿承压含水层上开采底板扰动破坏程度的分析方法 |
CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
CN105259331A (zh) * | 2015-11-06 | 2016-01-20 | 三峡大学 | 一种节理岩体单轴强度预测方法 |
CN107180220A (zh) * | 2016-03-11 | 2017-09-19 | 松下电器(美国)知识产权公司 | 危险预测方法 |
CN107180220B (zh) * | 2016-03-11 | 2023-10-31 | 松下电器(美国)知识产权公司 | 危险预测方法 |
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN106128035B (zh) * | 2016-06-30 | 2018-10-02 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
CN110969559A (zh) * | 2019-12-23 | 2020-04-07 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
CN110969559B (zh) * | 2019-12-23 | 2023-05-09 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
CN111191388A (zh) * | 2020-03-06 | 2020-05-22 | 桂林理工大学 | 一种基于深度学习的岩溶塌陷预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101436264B (zh) | 2012-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101436264B (zh) | 基于分段模糊bp神经网络的矿山井下泥石流预测方法 | |
CN108681635B (zh) | 一种致密储层体积压裂可压性评价方法 | |
Khamehchi et al. | A novel approach to sand production prediction using artificial intelligence | |
CN103995947B (zh) | 改进的煤层底板突水脆弱性评价方法 | |
Shi et al. | Sustainable development and utilization of groundwater resources considering land subsidence in Suzhou, China | |
CN104018831B (zh) | 一种压裂井储层评价方法 | |
CN103530621B (zh) | 一种基于bp神经网络的煤岩图像识别方法 | |
CN107044277A (zh) | 低渗透非均质油藏水平井重复压裂增产潜力评价方法 | |
CN104732070A (zh) | 一种基于信息向量机的岩爆等级预测方法 | |
CN102968806A (zh) | 一种不规则边界区域内自适应网格的生成方法 | |
Huang et al. | Machine learning-based automatic control of tunneling posture of shield machine | |
Mahdiabadi et al. | Prediction of uniaxial compressive strength and modulus of elasticity in calcareous mudstones using neural networks, fuzzy systems, and regression analysis | |
CN106779211A (zh) | 一种用于油田注采井网驱替开发的产能预测方法 | |
CN104200292A (zh) | 一种导水裂隙带高度预测方法 | |
Ramah et al. | Prediction of fold-of-increase in productivity index post limited entry fracturing using artificial neural network | |
CN106326624A (zh) | 一种预测地层破裂压力的方法 | |
Bahari et al. | Intelligent drilling rate predictor | |
CN110924935B (zh) | 致密油藏井底流压调控方案确定方法、装置和设备 | |
Moradi et al. | Drilling rate prediction using an innovative soft computing approach | |
Javadi | Estimation of air losses in compressed air tunneling using neural network | |
Zhou et al. | An online hybrid prediction model for mud pit volume in the complex geological drilling process | |
CN111810107B (zh) | 一种确定集团井重复压裂最佳时机的方法 | |
CN104133864B (zh) | 煤层底板突水变权区间阈值确定方法 | |
Onyelowe et al. | Evolutionary Prediction of Soil Loss from Observed Rainstorm Parameters in an Erosion Watershed Using Genetic Programming | |
Kulga | Development of an Artificial Neural Network for hydraulically fractured horizontal wells in tight gas sands |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120509 Termination date: 20131128 |