CN107944163A - 一种粉煤灰膏体管道输送水力坡度模型的建立方法 - Google Patents

Abstract

本申请公开了一种粉煤灰膏体管道输送水力坡度模型的建立方法，该方法将最大最小蚁群算法(MMAS)和BP神经网络结合应用于水力坡度的预测中，建立了水力坡度预测模型。经实践应用表明，该预测模型具有最大最小蚁群算法的快速收敛和全局性，又具有BP神经网络强大的映照效果，预测结果完全满足实际应用需要，为膏体充填开采系统设计提供了重要方法。

Description

一种粉煤灰膏体管道输送水力坡度模型的建立方法

技术领域

本申请属于采矿技术领域，具体地说，涉及一种粉煤灰膏体管道输送水 力坡度模型的建立方法。

背景技术

绿色采矿势在必行，充填采矿是绿色采矿重要组成部分。粉煤灰膏体即 能解决粉煤灰污染环境的问题，又能满足充填开采的需要，有利于煤炭企业 可持续发展膏体管道输送属于充填系统的关键环节，水力坡度作为管道输送 最重要的参数之一，结果精度对工程实际应用起到至关重要的作用。水力坡 度的影响因素复杂，它与材料物化性质、膏体特性和管道特性等诸多因素都 存在密切的关系。对水力坡度的研究，主要经历了三个过程：有1931年前 苏联学者B·M·Makaeebb最早提出基于扩散理论的计算；1944年前苏联学者M·A·Bennkahob提出基于重力理论的计算；前苏联煤矿科学研究院提出基于 能量理论的计算；国内以鞍山矿山设计院和金川矿业提出的公式为主。然而， 水力坡度呈非线性多因素影响，以上研究多以孤立因素和经验总结为主，目 前还未有一套统一的指导方法和通用的公式，而且研究多集中输沙、输油气 和输矿石相关方面，对粉煤灰膏体管道输送水力坡度研究的文献较少。

发明内容

有鉴于此，本发明提供一种基于MMAS-BP神经网络应用于煤矿粉煤灰 膏体充填水力坡度的预测思路，建立相应模型，预测结果精度高，完全满足 实际需要，为膏体充填系统设计提供了全新而又重要的理论方法，具有重要 的现实意义。

为了解决上述技术问题，本申请开了一种粉煤灰膏体管道输送水力坡度 模型的建立方法，包括以下步骤：

(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：

式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望 输出；

(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；

(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈 值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获 得粉煤灰膏体输送的水力坡度预测模型；

其中，所述水力坡度的影响因素包括浓度、流速和管径；

所述粉煤灰膏体输送的水力坡度预测模型中，第一层为输入层，3个神经 元，分别为浓度、流速和管径，第二层为隐层，第三层为输出层，1个神经 元，为输送水力坡度。

进一步地，如上所述的方法，所述粉煤灰膏体输送的水力坡度预测模型 是基于MMAS的BP神经网络的建模，先将试验数据模糊化，再作为BP神 经网络的输入和输出，同时利用MMAS配合BP神经网络学习训练，得到参 数与有关指标之间的非线性映照模型。

进一步地，如上所述的方法，基于MMAS的BP神经网络其训练过程如 下：

第一，初始化，基本参数包括最大信息素a_max、最小信息素a_min、随机的 个体数量M、隐层数量W、每隐层节点最大值W_i、最大循环次数D_cmax和蚂蚁 数量s；

第二，蚂蚁并行从第一个节点开始，逐一的顺序处理，直至最后节点； 对于第n只蚂蚁情况，具体操作为首先分析节点，判断节点的基本情况，然 后根据元素选择规则计算概率，按照轮盘转动的方式，分别在前一个节点对 应的权值和阈值集合中选择一个元素，元素选择规则按下述公式(1)进行：

式中O_b——权值和阈值集合；j——元素；a_i(O_b)——集合O_b中的信息素 a_i；

第三，在每次迭代中，建立整个蚁群解对应的神经网络，输入样本，计 算神经网络的均方误差MSE，记载蚂蚁所寻最优路径均方误差MSE_best1，用 BP神经网络学习训练，再记载训练后的均方误差MSE_train，具体表示如下述 公式(2)：

MSE_best＝min{MSE_best1,MSE_train} (2)

第四，更新元素和信息素，对于每一个节点，更新的方式按公式(3) 和公式(4)进行：

式中ρ——信息素挥发因子；

△a＝1/MSE_best (4)

第五，重复第二至第四步，直至D_c≥D_cmax时，循环中止；

第六，MMAS找到的最优路径解建立BP神经网络，进行学习训练，对 神经网络的权值、阈值和结构进行微调。

与现有技术相比，本申请可以获得包括以下技术效果：

(1)对于多因素非线性影响分析管道输送水力坡度，是基于MMAS-BP 神经网络思想，将影响粉煤灰膏体水力坡度的主要因素浓度、流速和管径与 水力坡度建立起预测模型，从而通过输入不同的浓度、流速和管径，预测膏 体的水力坡度，模拟证明，该模型绝对误差最大-0.064kPa/m，最小-0.006 kPa/m；它的相对误差最大-1.7％，最小-0.1％，在试验允许误差范围内，预 测精度相当高，满足实际应用要求。

(2)将MMAS和BP神经网络结合应用于水力坡度计算中，能够更好 的预测粉煤灰膏体的水力坡度，方法可靠，运算效率高，完全满足实际要求， 为充填管路降低能量损失，管路系统设计提供重要依据。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部 分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的 不当限定。在附图中：

图1为本发明MMAS-BP神经网络模型预测水力坡度的效果对比图。

具体实施方式

以下将配合实施例来详细说明本申请的实施方式，藉此对本申请如何应 用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以 实施。

水力坡度主要影响因素

粉煤灰膏体是将粉煤灰、复合胶结料和水混合制成无临界流速的牙膏状 浆体，它的输送需要克服与管壁产生的阻力和内部流层间的阻力，即管道输 送的阻力损失，又称水力坡度。要研究水力坡度，需从其影响因素着手，影 响水力坡度的因素较多，也比较复杂。通过分析大致可以从三个方面进行概 括：

(1)粉煤灰物化特性。粉煤灰化学性质对膏体输送不是直接影响，直 接影响的因素主要是粉煤灰物理性能，具体表现为粉煤灰颗粒特性，主要包 括颗粒形状、粒径、密度。其中颗粒形状的影响目前还未证实；颗粒粒径越 大，需维持其悬浮的能量也越大，水力坡度也越大，粉煤灰粒径一般在10μ m～100μm范围内，影响基本可以忽略；颗粒密度在一般情况下，颗粒密度 越大，产生的管道阻力损失也越大，水力坡度也越大，但总的来说也可以忽略。

(2)膏体特性。粉煤灰膏体特性主要指流变特性，就是对膏体流型和 粘性及其相关性质的探讨，具体体现为膏体浓度、粘度和温度。对于稀浓度 浆体一般属于牛顿体，而对于高浓度的粉煤灰膏体一般属于宾汉体，随着粘 度不断增加，粘度对管道水力坡度所起的作用越发明显。温度升高，分子距 离增大，引力减小，因而粘性下降，同时实验温度在15℃至25℃之间变化 时，膏体的粘度波动范围不大，因此，在实际应用中可以不考虑温度对粘度 的影响。

(3)管道特性，主要是指管道的特征参数，具体内容为流速、管径和 粗糙度。水力坡度的大小与膏体的流速有直接的关系，也与不同管径息息相 关。流速越大，管径越小，阻力损失也越大。管道粗糙度是流动处于水力粗 糙状态才会显现，主要受管材和输送的固体颗粒有关，但是当雷诺数比较小 的时候，管道粗糙度对水力坡度影响较小。

通过综合比较分析，粉煤灰膏体水力坡度的主要影响因素有浓度、流速 和管径。

MMAS-BP神经网络基本思路

BP神经网络

神经网络主要包括生物和人工神经网络。BP神经网络是人工神经网络 应用最多的一种，它是多层前馈神经网络，拓扑结构为输入层、隐含层和输 出层，训练方式采用误差逆向传播算法，BP神经网络的主要特征：一是， 层与层之间的神经元连接方式为全连接；二是，训练过程分正向和反向两个 过程训练，其中，正向训练过程是指信号的正向传播，样本从输入层输入， 经隐含层调整处理，传至输出层，如输出层的值与期望值相差较大，则反向训练，反向训练是指误差的反向传播，通过将误差沿原来路线返回，分摊给 各层神经元，修改各单元权值，使误差变小。这两种训练过程不断重复进行， 直至误差在允许范围内，网络的学习训练中止。实践表明，BP神经网络具 有强大的非线性映照能力。

最大最小蚁群算法

蚁群算法是一种用来寻找最佳路径的优化概率型算法，最早是意大利学 者MarcoDorigo提出的，基于的思路是蚂蚁寻找食物的行为方式，蚂蚁群通 过随机的方式选择一条通往食物的行走路径，所有路径上均被释放出信息 素，最短路径的信息素累积量会越来越多，从而吸引的蚂蚁数量也越多，在 正反馈的机制作用下，蚂蚁群就集中在最佳的路径上，该算法具有搜索过程 的实时性、搜索过程快、分布式的计算效率和搜索的全局性等优点，主要应 用于优化组合寻找最优解。最大最小蚁群算法(MAX-MIN ant system)是蚁 群算法的一种改进，不仅能优化BP神经网络的权值和阈值，更能优化BP 神经网络的结构，具有更好的性能。

基于MMAS的BP神经网络训练

为了克服BP神经网络存在训练速度慢、易陷入局部最低点等缺点，将 MMAS引入BP神经网络，训练BP神经网络的权值、阈值和结构，利用MMAS 的优点弥补BP神经网络的不足，基于MMAS的BP神经网络训练过程如下：

第一，初始化。基本参数包括最大信息素a_max、最小信息素a_min、随机的 个体数量M、隐层数量W、每隐层节点最大值W_i、最大循环次数D_cmax和蚂蚁 数量s。

第二，蚂蚁并行从第一个节点开始，逐一的顺序处理，直至最后节点。 对于第n只蚂蚁情况，具体操作为首先分析节点，判断节点的基本情况，然 后根据元素选择规则计算概率，按照轮盘转动的方式，分别在前一个节点对 应的权值和阈值集合中选择一个元素。元素选择规则按下述公式(1)进行：

式中O_b——权值和阈值集合；j——元素；a_i(O_b)——集合O_b中的信息素 a_i。

第三，在每次迭代中，建立整个蚁群解对应的神经网络，输入样本，计 算神经网络的均方误差MSE，记载蚂蚁所寻最优路径均方误差MSE_best1，用 BP神经网络学习训练，再记载训练后的均方误差MSE_train。具体表示如下述 公式(2)：

MSE_best＝min{MSE_best1,MSE_train} (2)

第四，更新元素和信息素。对于每一个节点，更新的方式按公式(3) 和公式(4)进行：

式中ρ——信息素挥发因子。

△a＝1/MSE_best (4)

第五，重复第二至第四步，直至D_c≥D_cmax时，循环中止。

第六，MMAS找到的最优路径解建立BP神经网络，进行学习训练，对 神经网络的权值、阈值和结构进行微调。

水力坡度预测模型建立

通过前面的分析，管道水力坡度的受管道特性、粉煤灰特性、膏体特性 等诸多因素影响，在实际应用过程中，主要研究浓度、流速和管径等3个因 素与水力坡度之间的关系。由于它们之间的关系是多输入、单输出，影响因 素时刻变化，呈非线性的模糊系统，不能用数学的方程来建立。正因为如此， 利用BP神经网络强大的非线性映照能力和泛化功能，Kosmogorov定理指出， 若隐节点可以根据需要自由设置，则用1个3层前馈网络就可以一任意精度 逼近任意复杂的连续函数。因此就可以建立3层粉煤灰膏体输送的水力坡度预测模型。第一层为输入层，3个神经元，分别为浓度、流速和管径，第二 层为隐层，第三层为输出层，1个神经元，为输送水力坡度。

由于BP神经网络也存在缺点，所以为了建立粉煤灰膏体输送的水力坡 度预测模型是基于MMAS的BP神经网络的建模思想：先将试验数据模糊化， 再作为BP神经网络的输入和输出，同时利用高效率、分布性特点和全局性 的MMAS配合BP神经网络学习训练，得到参数与有关指标之间的非线性映 照模型。

算法实现

建立粉煤灰膏体输送的水力坡度预测模型的算法实现过程如下：

(1)目标函数的确定。目标函数采用最小二乘目标函数，如公式(5)表 示：

式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望 输出；

(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；

(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈 值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获 得粉煤灰膏体输送的水力坡度预测模型。

实际应用

为了建立粉煤灰膏体料浆输送的水力坡度精确预测模型，以环管试验所 测数据为基础，将11组数据作为样本，其中1号～9号试验是训练样本，10 号和11号试验为检验样本。由于影响因素数值单位和大小差别较大，需对 样本进行归一化处理。

在MATLAB环境下编程，模型的预测计算结果见表1，预测的效果见 图1。

表1样本数据及预测结果

从表1和图1可以得出，所预测值的相对误差：粉煤灰膏体的水力坡度 绝对误差最大-0.064kPa/m，最小-0.006kPa/m；它的相对误差最大-1.7％， 最小-0.1％。网络模型模拟值与样本实测值之间的误差在允许误差范围内， 证明该模型预测精度高，完全满足实际生产中的要求。同时该模型在实际的 应用中还具有操作简便、较强的适应性和可靠性。

上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理 解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除， 而可用于各种其他组合、修改和环境，并能够在本申请构想范围内，通过上 述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变 化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围 内。

Claims (3)

1.一种粉煤灰膏体管道输送水力坡度模型的建立方法，其特征在于，包括以下步骤：

(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>X</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>r</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>s</mi> </msubsup> <mo>-</mo> <msubsup> <mi>U</mi> <mi>i</mi> <mi>q</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow>

式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望输出；

(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；

(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获得粉煤灰膏体输送的水力坡度预测模型；

其中，所述水力坡度的影响因素包括浓度、流速和管径；

所述粉煤灰膏体输送的水力坡度预测模型中，第一层为输入层，3个神经元，分别为浓度、流速和管径，第二层为隐层，第三层为输出层，1个神经元，为输送水力坡度。

2.根据权利要求1所述的方法，其特征在于，所述粉煤灰膏体输送的水力坡度预测模型是基于MMAS的BP神经网络的建模，先将试验数据模糊化，再作为BP神经网络的输入和输出，同时利用MMAS配合BP神经网络学习训练，得到参数与有关指标之间的非线性映照模型。

3.根据权利要求2所述的方法，其特征在于，基于MMAS的BP神经网络其训练过程如下：

第一，初始化，基本参数包括最大信息素a_max、最小信息素a_min、随机的个体数量M、隐层数量W、每隐层节点最大值W_i、最大循环次数D_cmax和蚂蚁数量s；

第二，蚂蚁并行从第一个节点开始，逐一的顺序处理，直至最后节点；对于第n只蚂蚁情况，具体操作为首先分析节点，判断节点的基本情况，然后根据元素选择规则计算概率，按照轮盘转动的方式，分别在前一个节点对应的权值和阈值集合中选择一个元素，元素选择规则按下述公式(1)进行：

<mrow> <msubsup> <mi>P</mi> <mi>j</mi> <mi>n</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mi>b</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mi>b</mi> </msub> <mo>)</mo> </mrow> <mo>/</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>a</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <msub> <mi>O</mi> <mi>b</mi> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

式中O_b——权值和阈值集合；j——元素；a_i(O_b)——集合O_b中的信息素a_i；

第三，在每次迭代中，建立整个蚁群解对应的神经网络，输入样本，计算神经网络的均方误差MSE，记载蚂蚁所寻最优路径均方误差MSE_best1，用BP神经网络学习训练，再记载训练后的均方误差MSE_train，具体表示如下述公式(2)：

MSE_best＝min{MSE_best1,MSE_train} (2)

第四，更新元素和信息素，对于每一个节点，更新的方式按公式(3)和公式(4)进行：

式中ρ——信息素挥发因子；

Δa＝1/MSE_best (4)

第五，重复第二至第四步，直至D_c≥D_cmax时，循环中止；

第六，MMAS找到的最优路径解建立BP神经网络，进行学习训练，对神经网络的权值、阈值和结构进行微调。