CN110705179A - 基于融合神经网络的导水裂缝带高度精确预测方法及系统 - Google Patents
基于融合神经网络的导水裂缝带高度精确预测方法及系统 Download PDFInfo
- Publication number
- CN110705179A CN110705179A CN201910945031.7A CN201910945031A CN110705179A CN 110705179 A CN110705179 A CN 110705179A CN 201910945031 A CN201910945031 A CN 201910945031A CN 110705179 A CN110705179 A CN 110705179A
- Authority
- CN
- China
- Prior art keywords
- neural network
- multiple regression
- height
- coal seam
- mining
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了基于融合神经网络的导水裂缝带高度精确预测方法及系统,针对现有导高预测数学模型存在的缺陷,将神经网路技术与传统数学模型相融合,利用神经网络技术解决多元回归模型误差过大的问题,本申请的导高预测方法具体步骤可以分为6步,分别为收集实测数据、建立线性多元回归模型、建立神经网络学习样本、学习样本归一化处理、训练神经网络、导高高度计算,本融合预测模型将BP神经网络技术与多元回归理论相结合,兼备了神经网络的非线性映射能力和多元回归模型的经验,计算精度高。
Description
技术领域
本发明属于煤矿生产安全监控技术领域,尤其涉及基于融合神经网络的导水裂缝带高度精确预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
煤炭作为最重要的能源和化工原料,为经济的持续发展做出了突出贡献。东部地区煤炭资源开采历史悠久,大规模地下煤层开采造成地表发生沉陷或塌陷,最终演化成采煤塌陷区,改变区域地表水循环条件,进而破坏地表生态环境。而随着东部煤炭资料的逐渐枯竭,煤炭资源的开发向西北地区转移。但是西北地区降水稀少、生态地质环境脆弱,大规模、高强度的煤矿开采会导致地表沉陷、地下水位下降等多种地质灾害,使原本脆弱的西北生态问题更加严峻,进而威胁人类生命财产和生态环境的安全。准确预测由煤层开采引起的导水裂缝带(导高)高度,对于减少矿井突水事故、保证煤矿生产安全和保护地表生态环境有着重要意义。
发明人发现,现有导高高度预测方面主要有四类:经典力学理论预测方法、数值模拟方法、模型试验方法、数学预测模型方法。但这些方法由于自身的各种缺陷都无法便捷、准确的预测导高高度。例如经典力学方法(“上四带”理论、悬臂梁理论等)将复杂的岩层破坏问题简化成理想的力学问题,与实际情况相差较大;数值模拟(例如RFPA、FLAC3D、ABAQUS等)无法模拟地下水、断层构造等复杂地质情况;模型试验受相似比和边界条件影响明显;传统数学预测模型(例如经验公式、多元回归理论、灰色理论等)无法反映导高与影响因素之间的非线性特性。
发明内容
为克服上述现有技术的不足,随着“机器学习”等计算机技术的兴起,将传统方法与“机器学习”技术相结合,建立一种基于融合神经网络技术的导高高度精确预测方法,可以弥补传统方法缺陷,更加准确便捷地服务煤矿安全生产。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
基于融合神经网络的导水裂缝带高度精确预测方法,包括:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
进一步的技术方案,将获得的学习样本数据进行训练数据归一化处理:将训练数据归化至[-1,1]之间并对输出结果进行反归一化处理。
进一步的技术方案,将归一化后的学习样本按照一定的比例划分为训练集和验证集,训练集和验证集中煤层开采厚度、开采工作面宽度、煤层开采深度、线性多元回归模型预计值作为神经网络的输入层,误差作为神经网络的输出层。
本发明的一个或多个实施例提供了如下技术方案:
基于融合神经网络的导水裂缝带高度精确预测系统,包括:
数据获取模块,用于获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型建立模块,用于将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立模块,用于计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练模块,用于将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
预测模块,用于将上述神经网络训练模块的误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
进一步的技术方案,将获得的学习样本数据进行训练数据归一化处理:将训练数据归化至[-1,1]之间并对输出结果进行反归一化处理。
进一步的技术方案,将归一化后的学习样本按照一定的比例划分为训练集和验证集,训练集和验证集中煤层开采厚度、开采工作面宽度、煤层开采深度、线性多元回归模型预计值作为神经网络的输入层,误差作为神经网络的输出层。
以上一个或多个技术方案存在以下有益效果:
(1)本公开融合预测模型所利用的数据取自全国东西部各大矿区现场实测数据,数据覆盖典型地质条件,数据真实,可靠性高。
(2)本公开MATLAB神经网络工具箱几乎概括了现有神经网络所有类型、学习算法,利用MATLAB所建立的本融合预测模型操作智能方便,计算速度快。
(3)本公开本融合预测模型将BP神经网络技术与多元回归理论相结合,兼备了神经网络的非线性映射能力和多元回归模型的经验,计算精度高。
(4)本公开神经网络技术具有强大的自学习能力,当有新数据更新时,可以直接输入计算,操作简单,无需重复建模。且数据越多,该模型预测精度越高。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例子的导高预测方法的流程示意图;
图2为本发明实施例子的预测方法所涉及BP神经网络结构框架图;
图3为本发明实施例子的预测模型在MATLAB软件神经网络模型图;
图4(a)-图4(d)为本发明实施例子的预测模型所涉及神经网络训练结果图;
图5为本发明实时例子的导水裂缝带计算装置。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本发明提出的总体思路:
针对现有导高预测数学模型存在的缺陷,将神经网路技术与传统数学模型相融合,利用神经网络技术解决多元回归模型误差过大的问题,寻求提供一种使用方便、预测准确导高高度预测方法。本申请的导高预测方法具体步骤可以分为6步,分别为收集实测数据、建立线性多元回归模型、建立神经网络学习样本、学习样本归一化处理、训练神经网络、导高高度计算,各步骤之间相互联系及流程步骤如图1所示。本方法是利用实测数据建立预测模型(大部分实测数据用于建模,一部分数据用于验证模型准确性),最终建立的模型用于预测新建矿区导水裂缝带高度。
实施例一
本实施例公开了一种基于融合神经网络的导水裂缝带高度精确预测方法。
为了更清楚的阐述本实施例,行级安全访问控制实现过程可具体描述如下:
(1)数据收集:在全国范围内收集典型矿区现场实测资料,矿区区位应尽量覆盖山东、安徽、江苏等东部地区,陕北、内蒙、新疆等西北地区,贵州、四川等西南地区,所收集的矿区实测资料应覆盖东部地区石炭-二叠系煤层、二叠系不同地质时期的煤层、西北地区侏罗系煤层。所收集的实测资料要求包含煤层开采厚度(M)、开采工作面宽度(W)、煤层开采深度(D)及导水裂缝带高度(H)。
发明人通过现场实测、文献查阅等方式收集现场实测数据82例。实施例,提取本发明所需的4组数据,部分现场数据见表1。
表1部分矿区实测资料表
(2)线性多元回归模型:将上述所提取的4组实测数据中煤层开采厚度(M)、开采工作面宽度(W)与煤层开采深度(D)作为自变量,将导水裂缝带高度(H)作为应变量。利用多元回归理论建立自变量与因变量之间的线性多元回归模型(式1),利用SPSS软件建立自变量与因变量之间的多元回归统计模型。
H′=aM+bW+cD+d (1)
式中:H′为多元回归模型的导高预测值;M、W、D分别为煤层开采厚度、开采工作面宽度与煤层开采深度;a、b、c、d分别为多元回归模型中待定系数,根据SPSS软件利用最小二乘法可以依次求得各个待定系数值为9.623、-0.022、0.138、4.938,拟合精度达到89.7%。
H是实测数据中导水裂缝带高度值,H’是多元回归模型的高度预测值。利用实测数据(M、W、D、H)拟合建立多元回归公式(式1),将M、W、D带入公式(1)中就会求得导高的多元回归模型的预测值(H’),但是该预测值(H’)与真实值之间误差较大,因为多元回归精度不够,所以需要BP神经网络来补偿误差,提高精度。
(3)神经网络学习样本建立:计算多元回归模型导高预测值(H′)与导高实测值之间的差值(记为Δh),将搜集的实测数据、线性多元回归模型预计值(H′)与上述导高差值(Δh)合并,建立神经网络的学习样本。
建立神经网络的学习样本(表2)。
表1神经网络学习样本
编号 | M/m | W/m | D/m | H′ | Δh |
1 | 12 | 200 | 553 | 192.881 | 7.119 |
2 | 9.9 | 116 | 650 | 188.0037 | -22.1737 |
3 | 9.1 | 116 | 650 | 180.3053 | -59.2753 |
4 | 7.6 | 116 | 462 | 139.7388 | 9.2612 |
5 | 6 | 200 | 550 | 134.726 | 14.754 |
6 | 9.9 | 90 | 332 | 144.3737 | 4.6263 |
7 | 8.9 | 90 | 332 | 134.7507 | 14.7293 |
8 | 11 | 96.2 | 332 | 154.8226 | -2.4826 |
…… |
(4)训练数据归一化处理:表2中学习样本虽然量纲相同,但是各类数据大小不一,幅值对神经网络训练精度有很大的影响。按公式2进行归一化处理,将训练数据归一化至[-1,1],如表3所示,可避免不同类型数据量纲及幅值对训练精度的影响。神经网络训练结束后,需根据公式3多输出结果进行反归一化处理。数据归一化的目的是避免不同类型数据量纲及幅值对训练精度的影响。
式中:x(i)是学习样本中原始数据,是指神经网络的学习样本原始数据,具体是指表2中的M、M、D、H’、Δh。
x(i)′是归一化后数据,xmax是原始数据中的最大值,xmin是原始数据中的最小值,y(i)是神经网络原始输出值,y(i)′是反归一化后数据,ymax是输出数据中的最大值,ymin是输出数据中最小值。
表3归一化后神经网络学习样本
编号 | M/m | W/m | S/m | H′ | Δh |
1 | -0.6749 | -0.2687 | -0.5658 | 0.5614 | 0.1245 |
2 | -0.6015 | 0.1433 | -0.1261 | 0.2314 | 0.2489 |
3 | -0.8219 | 0.4333 | 0.5412 | -0.3612 | 0.6978 |
4 | -0.8953 | 0.0071 | -0.3256 | -0.6314 | -0.3491 |
5 | 0.5923 | -0.5403 | -0.4591 | 0.3625 | -0.8261 |
6 | 0.4086 | -0.8913 | -0.6489 | 0.6412 | 0.5461 |
7 | 0.7943 | -0.5403 | -0.2413 | -0.6891 | 0.1234 |
8 | 0.1331 | -1 | 0.1256 | -0.8913 | 0.6514 |
…… |
(5)神经网络训练:将上述归一化后的学习样本按照1:4的比例划分为训练集和验证集,训练集和验证集中煤层开采厚度(M)、开采工作面宽度(W)、煤层开采深度(D)、线性多元回归模型预计值(H′)作为神经网络的输入层,误差(Δh)作为神经网络的输出层。神经网络其他参数分别设置如下:
将训练数据与验证数据带入神经网络模型中即可完成神经网络训练和验证工作,神经网络类型:BP神经网络;输入层数量:4;隐含层数量:5;输出层数量:1;学习率:1;训练误差:0.01;传递函数:Sigmoidal函数;
将训练集与验证集数据带入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值。本申请预测方法所涉及的BP神经网络结构框架图所图2所示。
利用MATLAB神经网络工具箱建立BP神经网络模型,学习率为1,训练误差为0.01,传递函数为Sigmoidal函数,MATLAB神经网络模型图所图3所示,图中清晰显示该BP神经网络模型的所有信息,如输入层神经元数量、输出层神经元数量、隐含层神经元数量、训练目标等。将整理好的训练集数据带入BP神经网络模型中,进行神经网络训练,训练结果如图4(a)-图4(d)所示,图中显示训练精度达到91.7%,完全满足实际需求。经验证集数据验证后,将将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值。
(6)导高高度计算:将上述BP神经网络所得的误差值按公式4补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
Hn=H′+Δh (4)
式中:Hn为融合神经网络模型的导高预测值,H′为多元回归模型的导高预测值,Δh为多元回归模型导高预测值与实测值的误差值。
本发明中是利用多元回归理论计算得到一个初步预测值H’,但该预测值与实际值误差较大;利用BP神经网络计算多元回归预测值与实际值的误差,最终将BP网络计算得到的误差补偿给多元回归预测值,得到最后得误差值。该模型已编写成matlab程序,可直接输入现场实测数据,快速调用多元回归公式和matlab模型进行导高预测。
实施例二
基于融合神经网络的导水裂缝带高度精确预测系统,包括:
数据获取模块,用于获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型建立模块,用于将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立模块,用于计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练模块,用于将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
预测模块,用于将上述神经网络训练模块的误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
实施例三
本实施例的目的是提供一种计算装置,本申请预测方法所涉及计算装置界面安排如所图5所示。该装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,包括:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.基于融合神经网络的导水裂缝带高度精确预测方法,其特征是,包括:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
2.如权利要求1所述的基于融合神经网络的导水裂缝带高度精确预测方法,其特征是,将获得的学习样本数据进行训练数据归一化处理:将训练数据归化至[-1,1]之间并对输出结果进行反归一化处理。
3.如权利要求1所述的基于融合神经网络的导水裂缝带高度精确预测方法,其特征是,将归一化后的学习样本按照一定的比例划分为训练集和验证集,训练集和验证集中煤层开采厚度、开采工作面宽度、煤层开采深度、线性多元回归模型预计值作为神经网络的输入层,误差作为神经网络的输出层。
4.基于融合神经网络的导水裂缝带高度精确预测系统,其特征是,包括:
数据获取模块,用于获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型建立模块,用于将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立模块,用于计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练模块,用于将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
预测模块,用于将上述神经网络训练模块的误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
5.如权利要求4所述的基于融合神经网络的导水裂缝带高度精确预测系统,其特征是,将获得的学习样本数据进行训练数据归一化处理:将训练数据归化至[-1,1]之间并对输出结果进行反归一化处理。
6.如权利要求4所述的基于融合神经网络的导水裂缝带高度精确预测系统,其特征是,将归一化后的学习样本按照一定的比例划分为训练集和验证集,训练集和验证集中煤层开采厚度、开采工作面宽度、煤层开采深度、线性多元回归模型预计值作为神经网络的输入层,误差作为神经网络的输出层。
7.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤,其特征是,包括:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征是,该程序被处理器执行时执行以下步骤:
获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据:包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度;
线性多元回归模型:将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量,将导水裂缝带高度作为应变量,利用多元回归理论建立自变量与因变量之间的线性多元回归模型,利用该多元回归预测模型计算高度的预测值;
神经网络学习样本建立:计算多元回归模型预测值与导高实测值之间的差值,将获取的实测数据、线性多元回归模型预计值与上述导高差值合并,建立神经网络的学习样本;
神经网络训练:将训练集、验证集数据代入BP神经网络模型中,待训练结束后,将输出数据进行反归一化处理,便得到导高多元回归模型预测值与实测值的误差值;
将上述误差值补偿给多元回归模型,便得到融合神经网络的实际的导高预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910945031.7A CN110705179A (zh) | 2019-09-30 | 2019-09-30 | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910945031.7A CN110705179A (zh) | 2019-09-30 | 2019-09-30 | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110705179A true CN110705179A (zh) | 2020-01-17 |
Family
ID=69196712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910945031.7A Pending CN110705179A (zh) | 2019-09-30 | 2019-09-30 | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705179A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
CN112711867A (zh) * | 2021-01-19 | 2021-04-27 | 苏州大学 | 融合理论模型和大数据模型的轧制力预测方法 |
CN116955957A (zh) * | 2023-08-07 | 2023-10-27 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
CN104933266A (zh) * | 2015-07-09 | 2015-09-23 | 西安科技大学 | 一种覆岩导水裂缝带高度的确定方法 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
WO2016153953A1 (en) * | 2015-03-20 | 2016-09-29 | Schlumberger Technology Corporation | Stacked height growth fracture modeling |
-
2019
- 2019-09-30 CN CN201910945031.7A patent/CN110705179A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699477A (zh) * | 2009-10-21 | 2010-04-28 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN101699317A (zh) * | 2009-11-09 | 2010-04-28 | 东南大学 | 利用地震参量进行短期地震预测的神经网络方法 |
WO2016153953A1 (en) * | 2015-03-20 | 2016-09-29 | Schlumberger Technology Corporation | Stacked height growth fracture modeling |
CN104933266A (zh) * | 2015-07-09 | 2015-09-23 | 西安科技大学 | 一种覆岩导水裂缝带高度的确定方法 |
CN105894111A (zh) * | 2016-03-30 | 2016-08-24 | 天鸿泰(北京)科技有限公司 | 一种基于互补型模糊神经网络的能源用量预测方法和装置 |
Non-Patent Citations (1)
Title |
---|
吕广罗: "深埋特厚煤层综放开采顶板导水裂隙带发育高度探查分析", 《中国煤炭》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
CN112711867A (zh) * | 2021-01-19 | 2021-04-27 | 苏州大学 | 融合理论模型和大数据模型的轧制力预测方法 |
CN116955957A (zh) * | 2023-08-07 | 2023-10-27 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
CN116955957B (zh) * | 2023-08-07 | 2024-02-20 | 中国矿业大学 | 一种煤矿开采工作面顶板导水裂隙带发育高度的预测方法 |
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
CN117313537B (zh) * | 2023-09-28 | 2024-03-08 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
CN117432414A (zh) * | 2023-12-20 | 2024-01-23 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
CN117432414B (zh) * | 2023-12-20 | 2024-03-19 | 中煤科工开采研究院有限公司 | 顶板磨砂射流成缝的调控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705179A (zh) | 基于融合神经网络的导水裂缝带高度精确预测方法及系统 | |
Sun et al. | Dynamic load prediction of tunnel boring machine (TBM) based on heterogeneous in-situ data | |
Fattahi et al. | Hybrid Monte Carlo simulation and ANFIS-subtractive clustering method for reliability analysis of the excavation damaged zone in underground spaces | |
CN105528648A (zh) | 缝洞单元的生产动态预测方法及装置 | |
CN113236228B (zh) | 一种单井产量快速预测方法及系统 | |
Chen et al. | Prediction of TBM tunneling parameters through an LSTM neural network | |
WO2021029875A1 (en) | Integrated rock mechanics laboratory for predicting stress-strain behavior | |
CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
Mohammadi et al. | Performance evaluation of chain saw machines for dimensional stones using feasibility of neural network models | |
Zhang et al. | Comparison of 3D prospectivity modeling methods for Fe-Cu skarn deposits: A case study of the Zhuchong Fe-Cu deposit in the Yueshan orefield (Anhui), eastern China | |
CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN111047476A (zh) | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
CN103898890B (zh) | 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 | |
Aljuboori et al. | The impact of diagenesis precipitation on fracture permeability in naturally fractured carbonate reservoirs | |
Cheng et al. | A reliability allocation model and application in designing a mine ventilation system | |
US9187985B2 (en) | Method for optimizing the development of an underground medium by means of a reservoir study comprising optimized upscaling | |
CN115455791B (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
IT201600103634A1 (it) | Procedimento e sistema di ottimizzazione del processo di scavo di un’opera sotterranea, per la minimizzazione dei rischi indotti su opere interferite | |
Huang et al. | Stability assessment of underground mined-out areas in a gold mine based on complex system theory | |
CN113435055B (zh) | 盾构刀盘扭矩领域自适应迁移预测方法和系统 | |
Katashov et al. | Digital platform as a tool for efficient reservoir management | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 | |
CN114091883A (zh) | 井漏风险层位钻前预测方法、装置、介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |