CN105260793B - 一种巷道围岩变形实时预测方法 - Google Patents

Abstract

本发明涉及一种巷道围岩变形实时预测方法，包括以下步骤：1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入到历史数据库中；2)将历史数据库中存储的围岩变形数据作为时间序列进行处理提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据分别进行相空间重构；4)利用粒子群支持向量机对步骤3)得到的相空间重构得到的数据分别进行预测，获得预测值；5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

Description

一种巷道围岩变形实时预测方法

技术领域

本发明涉及矿山巷道围岩预测领域，特别是关于一种基于混沌-粒子群支持向量机的巷道围岩变形实时预测方法。

背景技术

随着国民经济的不断发展，对于矿产资源的需要也在日益增长，这样使得采矿技术不断发展和矿井开采深度不断增加。由于开采深度的持续增加，使得在开采过程巷道围岩的应力发生显著变化，导致围岩发生显著变形。巷道围岩变形有很多影响因素，如矿体的特性、岩层的特征、地应力的变化等，就现在的研究状况而言，对于这些特征与围岩变形之间的影响关系的研究仍十分有限，而且在实际的开采过程中，还存在着诸多不可预知的影响因素，如地层陷落、地下水涌出等，这些因素发生也使得我们使用传统方法无法对巷道围岩变形进行较为准确的预测，也就无法进行定量分析。鉴于现阶段的特殊条件，我们需要碍于现有阶段的特殊条件，急需一种能对非线性问题进行处理的学习系统，来解决现在面对的棘手问题。

近年来，随着各种新方法在采矿领域中的应用。巷道围岩变形预测也出现出了多种人工智能方法，如基于人工神经网络的巷道围岩变形预测、巷道围岩稳定性的模糊聚类方法研究、基于灰色系统理论围岩变形预测、基于神经网络的软岩巷道变形预测研究等。这些人工智能方法较传统的围岩预测方法有着一定优势：人工智能方法易于程序实现、精度有所提高等。然而，通过大量的实证研究表明，上述方法并未很好解决巷道围岩变形动态预测问题，这是因为巷道围岩变形与岩体特性、矿体特征、日进度和日产量等多种因素密切相关，而这些影响因素本身存在着复杂的非线性关系，传统方法已经无法对巷道围岩变形情况进行准确预测。

发明内容

针对上述问题，本发明的目的是提供一种能够对巷道围岩变形情况进行准确预测的基于混沌-粒子群支持向量机的巷道围岩变形实时预测方法。

为实现上述目的，本发明采取以下技术方案：一种巷道围岩变形实时预测方法，其特征在于包括以下步骤：1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入历史数据库中；2)将历史数据库中存储的围岩变形数据作为时间序列进行处理并提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据；4)利用粒子群支持向量机进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3)获得不同序列数据分别进行预测；5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

进一步，所述步骤3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据，具体过程为：假定有一序列数据X_i,i＝1,2,…,n，n是序列长度，通过Takens定理获知，可以找到一个合适的嵌入维m，m≥2d+1，d为混沌吸引子的关联维数，可以用时间延迟τ对相空间R^m重构如下，重构后相空间为：

{Y_i}＝(X_i,X_i+τ,X_i+2τ,…,X_i+(m-1)τ),i＝1,2,…,n-(m-1)τ (1)

式中，X_i为相空间的点，m作为嵌入维数，τ为延迟时间，相空间总共点数为n-(m-1)；根据Takens定理得知，肯定存在一个光滑映射F:R^m→R^m，则：

X_i+1＝F(X_i),i＝1,2,…,n (2)

式中，F为重构函数；

对于一个混沌时间序列X_i,i＝1,2,…,n，通过Takens得知，肯定存在一个重构函数f，使得下式成立：

X_i+1＝f(X_i),i＝1,2,…,n-(m-1)τ (3)。

进一步，所述步骤4)利用粒子群支持向量机进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3)获得不同序列数据分别进行预测，具体过程为：假定给定训练数据{(x_i,y_i),i＝1,2,…,l}，其中x_i∈R^d是第i个学习样本的输入值，且为d维向量x_i＝(x_i ¹,x_i ²,…,x_i ^d)，y_i∈R为对应的目标输出值，定义ε不敏感损失函数为：

考虑所讨论问题的非线性特征，通过定义适当的核函数k(x_i,x_j)＝φ(x_i)·φ(x_j)将输入样本空间非线性变换到另一特征空间进行线性回归估计，因此假定非线性回归估计函数为：

f(x)＝w·φ(x)+b (5)

式中，w∈R^d为权值向量，b∈R为阈值，“·”表示内积运算，φ(x)为某一非线性函数；引入松弛变量ξ_i,ξ_i ^*，最优化问题为：

(w·φ(x_i)+b)-y_i≤ε+ξ_i ^*,ξ_i,ξ_i ^*≥0,i＝1,2,…,l (7)

进行拉格朗日变换，可得其对偶最优化问题：

式中，C为惩罚参数；

求解上述优化问题，对应于(a_i-a_i ^*)≠0的训练样本即为支持向量，可得可学习获得回归分类估计函数为：

进一步，由于惩罚系数C、松弛变量ξ_i,ξ_i ^*均是包括一系列值，因此将每一惩罚系数、松弛变量分别输入到混沌粒子群算法中，通过调整粒子的搜索能力ω和学习能力c₁,c₂，使粒子跳出局部最优，寻找惩罚数C、松弛变量ξ_i,ξ_i ^*的全局最优解，其中，混沌粒子群算法的基本原理为：混沌粒子群算法将粒子按适应度值区分为两部分：

式中，ω、ω₀代表随机数，c₁₀、c₂₀代表学习能力，k₁，k₂，k₃为0～1的常量，μ＝4，x为0～1的随机数分别代表惩罚系数或松弛变量的输入值，如果输入值不在0～1，需要将输入值先进进行归一化后输入，f是第iter代的第i粒子适应度值，f_avg作为第iter代全部粒子的平均适应度；当f>f_avg时，粒子质量较差，公式(11)通过增强粒子的全局搜索能力ω和社会学习能力c₂，减小自我学习能力c₁，使粒子迅速向最优解方向“飞行”；当f<f_avg时，粒子质量较好，公式(12)通过增强粒子的局部搜索能力ω和自我学习能c₁，减小社会学习能力c₂，减少陷入局部最优的可能。

本发明由于采取以上技术方案，其具有以下优点：1、本发明首先根据矿井实际情况采集巷道围岩变形实际观测值，然后利用混沌算法对这些实际观测值进行相空间重构，获得多个重构数据，最后利用具有高度泛化能力的支持向量机对分解得到的多个重构数据分别进行支持向量机预测，由于巷道围岩变形监测数据已经蕴含了影响巷道围岩变形的各个物理因素，而混沌算法已将蕴含在变形数据中的各个物理影响提取出来，因此本发明从理论上是科学的、合理的、可靠的和有效的，因此利用本发明对巷道围岩变形进行中短期预测，不仅改变了以往凭经验预测的历史，预测过程本身已经蕴含丰富的物理机制，而且预测精度高，能够满足矿山日常生产需要，实现矿山安全生产。2、本发明首先通过位移传感器采集得到巷道围岩变形实际观测值，再利用混沌算法和粒子群支持向量机相结合的方法，对巷道围岩变形进行实时预测，在实际生产过程中也便于操作和实现，本发明立足于巷道围岩变形监测数据进行分析，获得巷道围岩变形的物理影响因素建模方法，可以极大提高巷道围岩变形预测及相关理论及技术的发展，可以为巷道围岩变形预测提供一种有效途径和方法。本发明可以广泛应用于巷道围岩变形预测中。

附图说明

图1是本发明的巷道围岩变形实时预测方法基本原理示意图；

图2是本发明的混沌-粒子群支持向量机巷道围岩变形实时预测流程示意图。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

如图1、2所示，本发明提供的巷道围岩变形实时预测方法是基于混沌-粒子群支持向量机进行实现，包括以下步骤：

1、根据已经建立的巷道围岩变形监测系统的实际运行情况，在需要进行变形预测的监测点放置矿用位移传感器，矿用位移传感器实时采集巷道围岩监测点的变形数据，并将采集到的围岩监测点的变形数据传入到监控系统的历史数据库中；

2、将历史数据库中存储的围岩变形数据作为时间序列进行处理，提取需要进行预测的相关监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量，记为X_i,i＝1,2,…,n；

3、利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据，具体过程为：

Packard和Takens共同提出相空间重构理论，其中，Packard提出利用原始系统中的某变量延迟坐标来重构相空间，而Takens则证明可以找到一个合适的嵌入维，在这个嵌入维空间里可以把有规律的轨迹恢复出来，此为相空间重构理论的基础。

Takens提出的定理如下：M是d维流形，Ψ:M→M是一个光滑的微分同胚。y:M→R具有两阶连导数，

Φ(Ψ,y):M→R²⁺¹，

式中，Φ(Ψ,y)＝y(x),y(Ψ(x)),y(Ψ²(x)),…,y(Ψ^2d+1(x))，那么Φ(Ψ,y)就是M到R^2d+1的一个嵌入。

假定有一序列数据，n是序列长度，通过Takens定理获知，可以找到一个合适的嵌入维m(m≥2d+1)，d为混沌吸引子的关联维数，可以用时间延迟τ对相空间R^m重构如下，重构后相空间为：

{Y_i}＝(X_i,X_i+τ,X_i+2τ,…,X_i+(m-1)τ),i＝1,2,…,n-(m-1)τ (1)

式中，X_i为相空间的点，m作为嵌入维数，τ为延迟时间，相空间总共点数为n-(m-1)。

根据Takens定理得知，肯定存在一个光滑映射F:R^m→R^m，则：

X_i+1＝F(X_i),i＝1,2,…,n (2)

式中，F为重构函数。

对于一个混沌时间序列X_i,i＝1,2,…,n，通过Takens得知，肯定存在一个重构函数f，使得下式成立：

X_i+1＝f(X_i),i＝1,2,…,n-(m-1)τ (3)。

4、利用粒子群支持向量机(SVM)进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3获得不同序列数据分别进行预测，具体过程为：

假定给定了训练数据{(x_i,y_i),i＝1,2,…,l}，其中x_i∈R^d(这里x_i代表输入数据，也就是步骤3的{X_i,i＝1,2,…,n}，y_i是要得到的预测值)是第i个学习样本的输入值，且为d维向量x_i＝(x_i ¹,x_i ²,…,x_i ^d)，y_i∈R为对应的目标输出值，先定义ε不敏感损失函数为：

考虑所讨论问题的非线性特征，通过定义适当的核函数k(x_i,x_j)＝φ(x_i)·φ(x_j)(φ(x)为某一非线性函数)将输入样本空间非线性变换到另一特征空间进行线性回归估计，因此可假定非线性回归估计函数为：

f(x)＝w·φ(x)+b (5)

式中，w∈R^d为权值向量，b∈R为阈值，“·”表示内积运算。

引入松弛变量ξ_i,ξ_i ^*，最优化问题为：

(w·φ(x_i)+b)-y_i≤ε+ξ_i ^*,ξ_i,ξ_i ^*≥0,i＝1,2,…,l (7)

进行拉格朗日变换，可得其对偶最优化问题：

式中，C是正常数，表示惩罚参数，ε为松弛变量，a_i为Lagrange乘子，k()代表选择的核函数。

求解上述优化问题，对应于(a_i-a_i ^*)≠0的训练样本即为支持向量，可得可学习获得回归分类估计函数为：

为了支持向量机算法具有更好的效果，本发明采用混沌随机性和遍历性，对支持向量机中的参数如惩罚系数C、松弛变量ξ_i,ξ_i ^*分别进行寻优，得到最优化结果，由于惩罚系数C、松弛变量ξ_i,ξ_i ^*均是包括一系列值，因此将每一惩罚系数、松弛变量ξ_i,ξ_i ^*分别输入到混沌粒子群算法中，通过调整粒子的搜索能力ω和学习能力c₁,c₂，使粒子跳出局部最优，寻找惩罚数C、松弛变量ξ_i,ξ_i ^*的全局最优解，其中，混沌粒子群算法的基本原理如下：

混沌粒子群算法将粒子按适应度值区分为两部分，适应度值是衡量粒子质量的标准，通过比较单个粒子适应度值和群体粒子平均适应度值，区分出粒子质量的优劣，合理的调整粒子的搜索能力ω和学习能力c₁,c₂，有利于粒子群快速收敛，并提高粒子群搜索的精度，具有随机性的ω，c₁，c₂避免了粒子全部朝某一方向收敛，减少陷入局部最优的可能。

式中，ω、ω₀代表随机数，c₁₀、c₂₀代表学习能力，k₁，k₂，k₃为0～1的常量，μ＝4，x为0～1的随机数分别代表惩罚系数或松弛变量的输入值，如果输入值不在0～1，需要将输入值先进进行归一化后输入，f是第iter代的第i粒子适应度值，f_avg作为第iter代全部粒子的平均适应度。

当f>f_avg时，粒子质量较差，公式(11)通过增强粒子的全局搜索能力ω和社会学习能力c₂，减小自我学习能力c₁，使粒子迅速向最优解方向“飞行”，改善粒子质量。

当f<f_avg时，粒子质量较好，公式(12)通过增强粒子的局部搜索能力ω和自我学习能c₁，减小社会学习能力c₂，保护质量较好的粒子，避免所有粒子趋向同一，保护解的多样性，该算法有利于寻找全局最优解，提高粒子的收敛速度，减少陷入局部最优的可能。

5、判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果，预测过程中按照先入先出的队列顺序进行更新。

上述各实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (2)

1.一种巷道围岩变形实时预测方法，其特征在于包括以下步骤：

1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入历史数据库中；

2)将历史数据库中存储的围岩变形数据作为时间序列进行处理并提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；

3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据；具体过程为：

假定有一序列数据X_i,i＝1,2,…,n，n是序列长度，通过Takens定理获知，可以找到一个合适的嵌入维m，m≥2d+1，d为混沌吸引子的关联维数，可以用时间延迟τ对相空间R^m重构如下，重构后相空间为：

{Y_i}＝(X_i,X_i+τ,X_i+2τ,…,X_i+(m-1)τ),i＝1,2,…,n-(m-1)τ (1)

式中，X_i为相空间的点，m作为嵌入维数，τ为延迟时间，相空间总共点数为n-(m-1)；

根据Takens定理得知，肯定存在一个光滑映射F:R^m→R^m，则：

X_i+1＝F(X_i),i＝1,2,…,n (2)

式中，F为重构函数；

对于一个混沌时间序列X_i,i＝1,2,…,n，通过Takens得知，肯定存在一个重构函数f，使得下式成立：

X_i+1＝f(X_i),i＝1,2,…,n-(m-1)τ (3)；

4)利用粒子群支持向量机进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3)获得不同序列数据分别进行预测，具体过程为：

假定给定训练数据{(x_i,y_i),i＝1,2,…,l}，其中x_i∈R^d是第i个学习样本的输入值，且为d维向量x_i＝(x_i ¹,x_i ²,…,x_i ^d)，y_i∈R为对应的目标输出值，定义ε不敏感损失函数为：

考虑所讨论问题的非线性特征，通过定义适当的核函数k(x_i,x_j)＝φ(x_i)·φ(x_j)将输入样本空间非线性变换到另一特征空间进行线性回归估计，因此假定非线性回归估计函数为：

f(x)＝w·φ(x)+b (5)

式中，w∈R^d为权值向量，b∈R为阈值，“·”表示内积运算，φ(x)为某一非线性函数；

引入松弛变量ξ_i,ξ_i ^*，最优化问题为：

(w·φ(x_i)+b)-y_i≤ε+ξ_i ^*,ξ_i,ξ_i ^*≥0,i＝1,2,…,l (7)

进行拉格朗日变换，可得其对偶最优化问题：

式中，C为惩罚参数；

求解上述优化问题，对应于(a_i-a_i ^*)≠0的训练样本即为支持向量，可得可学习获得回归分类估计函数为：

5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

2.如权利要求1所述的一种巷道围岩变形实时预测方法，其特征在于，由于惩罚系数C、松弛变量ξ_i,ξ_i ^*均是包括一系列值，因此将每一惩罚系数、松弛变量分别输入到混沌粒子群算法中，通过调整粒子的搜索能力ω和学习能力c₁,c₂，使粒子跳出局部最优，寻找惩罚数C、松弛变量ξ_i,ξ_i ^*的全局最优解，其中，混沌粒子群算法的基本原理为：

混沌粒子群算法将粒子按适应度值区分为两部分：

式中，ω、ω₀代表随机数，c₁₀、c₂₀代表学习能力，k₁，k₂，k₃为0～1的常量，μ＝4，x为0～1的随机数分别代表惩罚系数或松弛变量的输入值，如果输入值不在0～1，需要将输入值先进行归一化后输入，f是第iter代的第i粒子适应度值，f_avg作为第iter代全部粒子的平均适应度；

当f>f_avg时，粒子质量较差，公式(11)通过增强粒子的全局搜索能力ω和社会学习能力c₂，减小自我学习能力c₁，使粒子迅速向最优解方向“飞行”；

当f<f_avg时，粒子质量较好，公式(12)通过增强粒子的局部搜索能力ω和自我学习能c₁，减小社会学习能力c₂，减少陷入局部最优的可能。