CN102496059A - 矿山竖井工程围岩人工智能分级方法 - Google Patents
矿山竖井工程围岩人工智能分级方法 Download PDFInfo
- Publication number
- CN102496059A CN102496059A CN201110380107XA CN201110380107A CN102496059A CN 102496059 A CN102496059 A CN 102496059A CN 201110380107X A CN201110380107X A CN 201110380107XA CN 201110380107 A CN201110380107 A CN 201110380107A CN 102496059 A CN102496059 A CN 102496059A
- Authority
- CN
- China
- Prior art keywords
- rock
- network
- classification
- vertical shaft
- level
- 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.)
- Pending
Links
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明矿山竖井工程围岩人工智能分级方法,包括:㈠、建立神经网络模型;㈡、训练样本集;㈢、网络训练;㈣、网络仿真。其优点是:该网络系统操作简单,能够消除人为因素的影响,能够自动找到各因素间的相互作用关系,对于缺乏深部分级经验的竖井工程,该系统可以很好的解决竖井深部高地应力、高地下水压力、高地温等复杂条件下的岩体的稳定性分级,具有很强的工程应用价值。
Description
技术领域
本发明涉及工程勘探技术领域,具体地说是一种竖井工程围岩稳定性分级评价的人工智能方法,是一种科学合理的竖井工程围岩定量分级方法,可避免目前采用的定性或半定量分级法的缺陷,并消除人为因素产生的误差。
背景技术
目前工程围岩稳定性分级评价方法多采用事后地质调查获得的资料经常规确定性概率统计的方法处理分析确定经验公式,无法考虑各个影响围岩稳定的因素间的相互作用。
随着矿业开采的深度不断加大,竖井工程的数量和深度的不断增加,积累了更多的竖井工程数据,尤其是深度大的竖井资料,在采用层次分析方法充分分析影响矿山竖井围岩稳定性的基础上,找出了影响围岩稳定性的主要因素,这些因素之间与围岩稳定级别之间具有一定的对应关系,但这种关系无法应用数学公式明确表示,而随着科学手段的不断进步,人工神经网络技术适合于建立这些因素与围岩稳定级别的对应关系,神经网络在自学习过程可以自动完成这种相互作用关系权重匹配,对于定量评价竖井工程围岩稳定分级具有重要意义。
发明内容
本发明的目的是建立一种矿山竖井工程围岩人工智能分级方法。
本发明矿山竖井工程围岩人工智能分级方法,包括:
(一)、建立神经网络模型
神经网络模型的建立首先是确定影响围岩稳定的主要因素,根据主要因素确定了网络模型的输入、输出信息,然后据此建立模型结构及算法。
1)影响围岩稳定分级主要因素
八个关键因素:(1)埋置深度(自重应力);(2)岩石饱和单轴抗压强度;(3)围岩完整性指数;(4)岩石质量指标RQD;(5)岩石重度(自重应力);(6)地下水;(7)岩石软化系数;(8)主要结构面倾角与竖井轴线的夹角。
对地下水、主要结构面倾角与竖井轴线的夹角等定性指标进行量化处理.如表1,表2。
地下水量化表 表1
地下水状态 | 完全干燥 | 潮 | 湿 | 淋水 | 涌水 |
权值 | 15 | 10 | 7 | 4 | 0 |
主要结构面倾角与竖井轴线的夹角量化评价 表2
2)网络模型的输入、输出信息
根据影响围岩的主要因素确定8个输入变量:
(1)埋置深度(自重应力);(2)岩石饱和单轴抗压强度;(3)围岩完整性指数;(4)岩石质量指标RQD;(5)岩石重度(自重应力);(6)地下水;(7)岩石软化系数;(8)主要结构面倾角与竖井轴线的夹角。
根据围岩稳定分级确定输出结果:
输出结果为围岩稳定性分级用1表示I级;用2表示II级;用3表示III级;用4表示IV级;用5表示V级。因此网络设计中设计一个神经元表示五种分类状态。
3)建立网络结构
神经网络结构建模是一个复杂的问题,究竟采用什么样的结构对于模型的准确有很大影响,这里采用的模型结构是根据本人以往研究所确定的,采用四层网络结构,输入节点数目为输入变量个数,输出层等于输出变量个数。BP神经网络可以看成是一个从输入到输出的高度非线性映射,即:R8→R1。对于样本集合:输入(xi∈R8)和输出(yi∈R1),BP神经网络结构如说明书附图1所示。
隐含层节点数的确定:
第一层神经元数目确定为18个。
第二隐含层神经元数目应为第一层的三分之一,确定为6个。
(二)、训练样本集
为保证神经网络的合理性和正确性,除了设计合理的网络结构,选取合适的学习参数外,还应具备一定数量的代表性训练样本。本研究是在已有的工程地质勘察资料与围岩实际调查稳定情况资料的基础上选择了有代表性的79个样本,作为网络学习样本,建立矿山竖井围岩稳定性分级评价的神经网络系统(具体见表3)。
样本集表 表3
(三)、网络训练
应用上述样本对神经网络系统进行训练,说明书附图2给出了学习步数与训练系统误差的关系,网络训练次数10000次,系统误差达到3.25993e-013精度。
(四)、网络仿真
神经网络分级的检验,通过下表4所示样本的仿真学习,验证网络的分类准确性较好。
表4
从表4可以看出,使用神经网络进行分级具有较好的拟合性能,其与现场实际稳定分级结果吻合性较好,完全能满足工程实际应用。该网络系统操作简单,能够消除人为因素的影响,能够自动找到各因素间的相互作用关系,对于缺乏深部分级经验的竖井工程,该系统可以很好的解决竖井深部高地应力、高地下水压力、高地温等复杂条件下的岩体的稳定性分级,具有很强的工程应用价值。
附图说明
图1为四层BP神经网络结构示意图。
图2为网络训练情况示意图。
具体实施方式
根据图1、图2所示,一种矿山竖井工程围岩人工智能分级方法,包括:
(一)、建立神经网络模型
神经网络模型的建立首先是确定影响围岩稳定的主要因素,根据主要因素确定了网络模型的输入、输出信息,然后据此建立模型结构及算法。
确定八个输入变量,一个输出变量,建立的BP神经网络模型可以看成是一个从输入到输出的高度非线性映射,即:R8→R1。输入(xi∈R8)和输出(yi∈R1),BP神经网络结构如说明书附图1所示。
第一层神经元数目确定为18个。
第二隐含层神经元数目应为第一层的三分之一,确定为6个。
(二)、训练样本集:
训练样本集表
(三)、网络训练
应用上述样本对神经网络系统进行训练,说明书附图2给出了学习步数与训练系统误差的关系,网络训练次数10000次,系统误差达到3.25993e-013精度。
实例应用
神经网络分级的检验,通过下表4所示样本的仿真学习,验证网络的分类准确性较好。
表4
从表4可以看出,使用神经网络进行分级具有较好的拟合性能,其与现场实际稳定分级结果吻合性较好,完全能满足工程实际应用。该网络系统操作简单,能够消除人为因素的影响,能够自动找到各因素间的相互作用关系,对于缺乏深部分级经验的竖井工程,该系统可以很好的解决竖井深部高地应力、高地下水压力、高地温等复杂条件下的岩体的稳定性分级,具有很强的工程应用价值。
Claims (4)
1.一种矿山竖井工程围岩人工智能分级方法,其特征在于:
㈠、建立神经网络模型
神经网络模型的建立首先是确定影响围岩稳定的主要因素,根据主要因素确定了网络模型的输入、输出信息,然后据此建立模型结构及算法;
1)影响围岩稳定分级主要因素:
八个关键因素:(1)埋置深度;(2)岩石饱和单轴抗压强度;(3)围岩完整性指数;(4)岩石质量指标RQD;(5)岩石重度;(6)地下水;(7)岩石软化系数;(8)主要结构面倾角与竖井轴线的夹角;
2)网络模型的输入、输出:
根据影响围岩的主要因素确定8个输入变量:
(1)埋置深度;(2)岩石饱和单轴抗压强度;(3)围岩完整性指数;(4)岩石质量指标RQD;(5)岩石重度;(6)地下水;(7)岩石软化系数;(8)主要结构面倾角与竖井轴线的夹角;
根据围岩稳定分级确定输出结果:
输出结果为围岩稳定性分级用1表示Ⅰ级;用2表示Ⅱ级;用3表示Ⅲ级;用4表示Ⅳ级;用5表示Ⅴ级;因此网络设计中设计一个神经元表示五种分类状态;
3)建立网络结构
神经网络结构建模是一个复杂的问题,究竟采用什么样的结构对于模型的准确有很大影响,这里采用的模型结构是根据本人以往研究所确定的,采用四层网络结构,输入节点数目为输入变量个数,输出层等于输出变量个数;BP神经网络可以看成是一个从输入到输出的高度非线性映射,即:R8→ R1 ;对于样本集合:输入(xi∈R8)和输出(yi∈R1),BP神经网络结构;
㈡、训练样本集
为保证神经网络的合理性和正确性,除了设计合理的网络结构,选取合适的学习参数外,还应具备一定数量的代表性训练样本;本研究是在已有的工程地质勘察资料与围岩实际调查稳定情况资料的基础上选择了有代表性的79个样本,作为网络学习样本,建立矿山竖井围岩稳定性分级评价的神经网络系统;
㈢、网络训练
应用上述样本对神经网络系统进行训练根椐给出了学习步数与训练系统误差的关系,网络训练次数10000次,系统误差达到3.25993e-013精度;
㈣、网络仿真
神经网络分级的检验,通过仿真学习,验证网络的分类准确性较好。
2.根椐权利要求1所述的一种矿山竖井工程围岩人工智能分级方法,其特征在于:对地下水、主要结构面倾角与竖井轴线的夹角等定性指标进行量化处理:所述的地下水状态分为完全干燥、潮、湿、淋水、涌水;其权值分别为15、10、7、4、0;主要结构面倾角与竖井轴线的夹角为<30,30-60,>60;其系数分别为0.4-0.6,0.2-0.4,0-0.2。
3.根椐权利要求1所述的一种矿山竖井工程围岩人工智能分级方法,其特征在于:隐含层节点数的确定:第一层神经元数目确定为18个;第二隐含层神经元数目应为第一层的三分之一,确定为6。
4.根椐权利要求1所述的一种矿山竖井工程围岩人工智能分级方法,其特征在于:根据围岩稳定分级确定输出结果:输出结果为围岩稳定性分级用1表示Ⅰ级;用2表示Ⅱ级;用3表示Ⅲ级;用4表示Ⅳ级;用5表示Ⅴ级;因此网络设计中设计一个神经元表示五种分类状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110380107XA CN102496059A (zh) | 2011-11-25 | 2011-11-25 | 矿山竖井工程围岩人工智能分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110380107XA CN102496059A (zh) | 2011-11-25 | 2011-11-25 | 矿山竖井工程围岩人工智能分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102496059A true CN102496059A (zh) | 2012-06-13 |
Family
ID=46187884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110380107XA Pending CN102496059A (zh) | 2011-11-25 | 2011-11-25 | 矿山竖井工程围岩人工智能分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496059A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759430A (zh) * | 2012-06-28 | 2012-10-31 | 北京自动化控制设备研究所 | 基于bp神经网络的谐振筒压力传感器高精度校试方法 |
CN103898890A (zh) * | 2014-03-20 | 2014-07-02 | 中冶集团武汉勘察研究院有限公司 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
CN104751227A (zh) * | 2013-12-31 | 2015-07-01 | 安徽科大讯飞信息科技股份有限公司 | 深度神经网络的构建方法及系统 |
CN105911256A (zh) * | 2016-06-17 | 2016-08-31 | 清华大学 | 量化围岩等级的测试方法 |
CN106153853A (zh) * | 2015-03-27 | 2016-11-23 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种工程围岩等级遥感预先判定方法 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109872311A (zh) * | 2019-02-01 | 2019-06-11 | 中国铁建重工集团有限公司 | 一种岩体完整性判识方法 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
CN110805469A (zh) * | 2019-05-31 | 2020-02-18 | 中国铁路总公司 | 山岭隧道钻爆法施工掌子面稳定性分级方法 |
CN112365054A (zh) * | 2020-11-12 | 2021-02-12 | 山东科技大学 | 一种深井巷道围岩综合分级预测方法 |
CN113944511A (zh) * | 2021-09-28 | 2022-01-18 | 武汉理工大学 | 地下矿多采场环境生成方法 |
CN115271636A (zh) * | 2022-07-01 | 2022-11-01 | 中铁二十局集团有限公司 | 高原隧道围岩分级系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1752356A (zh) * | 2005-08-11 | 2006-03-29 | 西安理工大学 | 洞室围岩稳定性分析智能模型的构建方法 |
-
2011
- 2011-11-25 CN CN201110380107XA patent/CN102496059A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1752356A (zh) * | 2005-08-11 | 2006-03-29 | 西安理工大学 | 洞室围岩稳定性分析智能模型的构建方法 |
Non-Patent Citations (4)
Title |
---|
盛建龙等: "巷道围岩变形的神经网络模型", 《爆破》 * |
赵建海等: "超深竖井工程围岩分级探讨", 《资源环境与工程》 * |
饶运章等: "神经网络方法在围岩稳定性分级评价中的应用", 《黄金》 * |
马双杰等: "矿山竖井围岩工程地质评价中的几个重点问题", 《林业科技情报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759430A (zh) * | 2012-06-28 | 2012-10-31 | 北京自动化控制设备研究所 | 基于bp神经网络的谐振筒压力传感器高精度校试方法 |
CN104751227A (zh) * | 2013-12-31 | 2015-07-01 | 安徽科大讯飞信息科技股份有限公司 | 深度神经网络的构建方法及系统 |
CN104751227B (zh) * | 2013-12-31 | 2018-03-06 | 科大讯飞股份有限公司 | 用于语音识别的深度神经网络的构建方法及系统 |
CN103898890A (zh) * | 2014-03-20 | 2014-07-02 | 中冶集团武汉勘察研究院有限公司 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
CN103898890B (zh) * | 2014-03-20 | 2017-01-18 | 中冶集团武汉勘察研究院有限公司 | 一种基于bp神经网络的双桥静力触探数据的土层量化分层方法 |
CN106153853A (zh) * | 2015-03-27 | 2016-11-23 | 中国人民解放军沈阳军区司令部工程科研设计所 | 一种工程围岩等级遥感预先判定方法 |
CN105911256A (zh) * | 2016-06-17 | 2016-08-31 | 清华大学 | 量化围岩等级的测试方法 |
CN105911256B (zh) * | 2016-06-17 | 2017-12-19 | 清华大学 | 量化围岩等级的测试方法 |
CN109635461A (zh) * | 2018-12-18 | 2019-04-16 | 中国铁建重工集团有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109635461B (zh) * | 2018-12-18 | 2022-04-29 | 中国铁建重工集团股份有限公司 | 一种应用随钻参数来自动识别围岩级别的方法和系统 |
CN109872311A (zh) * | 2019-02-01 | 2019-06-11 | 中国铁建重工集团有限公司 | 一种岩体完整性判识方法 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
CN110109895B (zh) * | 2019-03-29 | 2021-05-28 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
CN110805469A (zh) * | 2019-05-31 | 2020-02-18 | 中国铁路总公司 | 山岭隧道钻爆法施工掌子面稳定性分级方法 |
CN112365054A (zh) * | 2020-11-12 | 2021-02-12 | 山东科技大学 | 一种深井巷道围岩综合分级预测方法 |
CN113944511A (zh) * | 2021-09-28 | 2022-01-18 | 武汉理工大学 | 地下矿多采场环境生成方法 |
CN115271636A (zh) * | 2022-07-01 | 2022-11-01 | 中铁二十局集团有限公司 | 高原隧道围岩分级系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496059A (zh) | 矿山竖井工程围岩人工智能分级方法 | |
CN111441767B (zh) | 油藏生产动态预测方法及装置 | |
Refsgaard et al. | Groundwater modeling in integrated water resources management—Visions for 2020 | |
CN105626009B (zh) | 一种缝洞型碳酸盐岩油藏单井注水替油效果定量评价方法 | |
RU2496972C2 (ru) | Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях | |
US8548782B2 (en) | Method for modeling deformation in subsurface strata | |
CN104533400B (zh) | 一种重构测井曲线的方法 | |
CN113901681B (zh) | 一种全寿命周期页岩气储层双甜点三维可压性评估方法 | |
El Ouahed et al. | Application of artificial intelligence to characterize naturally fractured zones in Hassi Messaoud Oil Field, Algeria | |
Jiang et al. | Landslide risk prediction by using GBRT algorithm: Application of artificial intelligence in disaster prevention of energy mining | |
CN104854482A (zh) | 根据取芯井对非取芯井中的岩相预测 | |
CN105138749B (zh) | 一种地质约束下高成熟烃源岩原始有机碳恢复方法 | |
CN110056346B (zh) | 一种基于趋势变化函数的油藏三维原始含水饱和度模拟方法 | |
CA2920506C (en) | Integrated oilfield asset modeling using multiple resolutions of reservoir detail | |
CN105321204A (zh) | 一种三维地质栅格体模型构建方法 | |
CN105242328A (zh) | 古热岩石圈厚度的确定方法及装置 | |
CN104712328A (zh) | 快速评价复杂油藏中单个流动单元动用状况的方法 | |
CN109211745A (zh) | 一种富含有机质泥页岩孔隙度的演化过程的恢复方法 | |
CN107832482B (zh) | 致密储层多尺度裂缝网络建模及模拟方法 | |
CN108763164A (zh) | 煤与瓦斯突出反演相似度的评价方法 | |
Al-Khazraji et al. | Development of heterogeneous immature Brownfield with Waterdrive using dynamic opportunity index: a case study from Iraqi oilfields | |
Wan et al. | Applying reservoir simulation and artificial intelligence algorithms to optimize fracture characterization and CO2 enhanced oil recovery in unconventional reservoirs: A case study in the Wolfcamp Formation | |
Zhang et al. | An application of soft computing for the earth stress analysis in hydropower engineering | |
Beckers et al. | Subsurface characterization and machine learning predictions at brady hot springs | |
Piris et al. | 3DHIP-calculator—A new tool to stochastically assess deep geothermal potential using the heat-in-place method from voxel-based 3D geological models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120613 |