CN112465347A - 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 - Google Patents

基于聚类分析与改进神经网络协同预测顶板稳定性的方法 Download PDF

Info

Publication number
CN112465347A
CN112465347A CN202011348346.2A CN202011348346A CN112465347A CN 112465347 A CN112465347 A CN 112465347A CN 202011348346 A CN202011348346 A CN 202011348346A CN 112465347 A CN112465347 A CN 112465347A
Authority
CN
China
Prior art keywords
top plate
layer
stability
roof
neural network
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
Application number
CN202011348346.2A
Other languages
English (en)
Inventor
鲁义
陈健
李敏
李贺
吴芳华
谷旺鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202011348346.2A priority Critical patent/CN112465347A/zh
Publication of CN112465347A publication Critical patent/CN112465347A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
    • E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
    • E21F17/18—Special adaptations of signalling or alarm devices
    • E21F17/185—Rock-pressure control devices with or without alarm devices; Alarm devices in case of roof subsidence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法，先选择所需获取的因素参数，对各个因素参数分别建立评价分级，将分级后各个顶板的因素参数进行统计整理；采用K均值聚类分析建立四种类型顶板稳定性系数的训练和测试数据样本，进而建立四种不同类型的预测模型；分别对四种预测模型进行反复学习，获取四种模型的首层BP神经网络，然后分别进行非线性自回归滑动平均模型改进，接着对改进模型进行判定，当满足要求后进行第二层BP神经网格的训练；综合第一层与第二层BP神经网络，完成四种顶板稳定性预测模型的建立；对后续所需预测的巷道顶板获取各个因素参数，导入到选择的顶板稳定性预测模中，最终获取该顶板的稳定性系数。

Description

基于聚类分析与改进神经网络协同预测顶板稳定性的方法
技术领域
本发明涉及一种顶板稳定性的定性定量预测方法，具体是一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法。
背景技术
顶板的稳定性预测是煤矿安全生产的核心问题之一。根据统计资料表明，由于顶板事故造成的工作面停产时数占总停产时数的40％～60％，是造成生产系统不可靠的主要因素。因此确保顶板稳定性是保证安全高效生产的基本条件。然而影响顶板稳定性的因素众多，单纯采用一、二个工程地质指标进行评价无法完全对顶板稳定性进行准确评价，因此选用合适的方法来处理此种多方面单元的非线性动力学系统是预测顶板稳定性的重要环节。
针对顶板稳定性的预测问题，目前流行的主要方法有：现场监测、模拟试验、数学统计分析等方法，如：申请号为201410528049.4的发明中公开了一种巷道顶板稳定性监测方法，通过在巷道推进位置获取巷道矿压监测数据、钻孔探测数据、声发射观察数据，对其进行分析对比，推断巷道整体支护效果，并对巷道顶部稳定性进行预测报警；又如：在申请号为201611034251.7的发明中公开了一种通过发射高频电磁波，依据电磁波在巷道顶板的电性差异分界面传播时发生的反射，从而导致接收的电磁波波形、振幅强度以及时间变化特征等判定顶板介质是否存在空洞以及空洞的大小，据此来推断顶板的稳定性；对于模拟试验的方法，如：在申请号为201510166676.2的发明中公开了一种在岩石材料物理力学特性的基础上定义采空区覆岩稳定性安全系数，通过FLAC3D有限差分程序折减顶板覆岩黏聚力、内摩擦角和抗拉强度，并结合定义的安全系数完成对采空区顶板稳定性的定量评价；在申请号为201610592211.8的发明中公开了一种数学统计分析的方法，主要是先人为将直接顶板稳定性类型分为六种，并通过获取这六种类型顶板的多组测试样本指标数据，以此作为输入向量建立贝斯分类器预测模型，将待测的直接顶板指标数据输入，即可得出待测直接顶板的稳定性类型。
上述对于顶板稳定性预测的研究成果显著，但在评判标准与分类方法方面存在一定的缺陷。依据构造控制论的观点，顶板稳定性的工程地质问题不是孤立、偶然发生的，它与矿井巷道周围的地质条件存在极为密切的联系，并且在开采活动的影响下，其地质条件的形成、发展与变化难以观测。因此，若要预测顶板稳定性，就必须从影响顶板稳定性的诸多因素出发，尽可能的采用多项指标进行综合评价。但是多项指标如何选取、及选取后如何相互配合才能准确预测顶板稳定性，是本行业的研究方向。
发明内容
针对上述现有技术存在的问题，本发明提供一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法，选取多项指标通过聚类分析与改进神经网络协同分析，最终能准确预测顶板的稳定性。
为了实现上述目的，本发明采用的技术方案是：一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法，具体步骤为：
A、先选择所需获取的因素参数，然后选择所需预测巷道的多个顶板分别进行测量与统计，进而获取各个顶板的因素参数；所述因素参数包括：顶板岩石质量指标RQD值、顶板岩层抗压强度、顶板岩层软化系数、富水系数、工作面推进速度、采煤工艺安全系数和垮采比；
B、对各个因素参数分别建立评价分级指标，将各个顶板获取的因素参数分别通过评价分级指标得出各自的分级情况；
C、将分级后各个顶板的因素参数进行统计整理，以矩阵形式表示，具体为：
Figure BDA0002800540570000021
其中，n为每个顶板获取因素参数的数量；m为测量的顶板个数，m≥4；anm表示第n个因素参数与第m个顶板对应的分级情况；
D、以每个指标数据中的最优值作为初始中心，根据欧几里得距离公式计算每个指标数据到每个指标初始中心的距离，以误差平方和SSE值作为聚类的目标函数，计算各顶板因素参数的SSE值，具体公式为：
Figure BDA0002800540570000031
其中，ai为顶板的因素参数；aM为同因素参数中的最优值；
E、根据步骤D，计算每块顶板的SSE值，以SSE值的最小值与最大值间的距离，将其等分为四段，以四段SSE的中心点将其作为建立稳定型、较稳定型、较不稳定型和不稳定型四种顶板对应的K值，以此对步骤C中的矩阵进行K均值聚类分析，获得各个顶板的聚类结果，从而完成对各个顶板的分类；
F、对步骤A获取的各个因素参数进行Z-score标准化处理，具体的处理公式为：
Figure BDA0002800540570000032
式中，x'为标准化处理后的数据；x为原始数据；μ为各个顶板同一因素参数的原始数据均值；σ为各个顶板同一因素参数的原始数据标准差；
G、根据步骤D建立的四种类型顶板对应的聚类结果标准，并结合步骤E标准化处理后的数据，分别建立四种类型顶板稳定性系数的训练和测试数据样本，具体标准为：
Figure BDA0002800540570000033
其中，Ai、Bi、Ci、Di表示各类型顶板的名称，xnm表示第n个因素对应的第m块顶板的测试数据；
H、利用四种不同稳定性类型的顶板训练和测试数据样本，分别构建四种不同类型的MEA-BP预测模型，各个预测模型的首层隐含层神经元个数为p1，则：
Figure BDA0002800540570000034
式中，k1为输入层神经元数，q1为输出层神经元数，a1取0～10之间的常数；
I、选取不同的首层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小且训练步数最少，以此确定最为合适的隐含层神经元个数；
G、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的首层BP神经网络；
K、根据步骤I建立的四种首层BP神经网络，分别进行非线性自回归滑动平均模型改进，其具体的改进模型为：
Figure BDA0002800540570000041
其中，μ(N)为第N次神经网络的输入向量；RQD(N)为第N次输入向量μ(N)中的顶板岩层质量指标RQD值；RQD(k)为输入向量μ(N-1)中岩层中质量指标RQD的输出值；R(N)为第N次输入向量μ(N)中的顶板岩层抗压强度；R(k)为输入向量μ(N-1)中抗压强度R的输出值；K0为顶板岩层软化系数；F(N)为第N次输入向量μ(N)中的富水系数；F(k)为输入向量μ(N-1)中富水系数F的输出值；v0为工作面推进速度；C0为采煤工艺安全系数；B0为垮采比；
L、根据步骤K的改进模型进行判定，当满足要求后，进行第二层BP神经网格的训练与学习；具体的判定要求为：
N≥3
M、将满足步骤L判定要求的输入向量μ(N)的输出向量作为四种顶板稳定性预测模型第二层BP神经网络的输入向量，四种不同类型的MEA-BP预测模型的第二层隐含层神经元个数为p2，则：
Figure BDA0002800540570000042
式中，k2为输入层神经元数，q2为输出层神经元数，a2取0～10之间的常数；
N、选取不同的第二层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小而且训练步数最少，以此确定最为合适的隐含层神经元个数；
O、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的第二层BP神经网络；综合建立的第一层与第二层BP神经网络，完成四种顶板稳定性预测模型的建立；
P、对后续所需预测的巷道顶板进行测量与统计，获取顶板的各个因素参数；
Q、根据各个因素参数使用K均值聚类分析确定顶板类型，进而选择对应的顶板稳定性预测模型，然后对各个因数参数进行Z-score标准化处理后，导入到选择的顶板稳定性预测模中，最终获取该顶板的稳定性系数，完成该顶板的稳定性预测。
进一步，所述各个因素参数建立的评价分级指标具体为：
Figure BDA0002800540570000051
与现有技术相比，本发明选取多个评价指标并采用聚类分析与改进神经网络相结合的方式，具有以下优点：①通过使用K均值聚类分析，并依据顶板岩层质量指标、抗压强度、软化系数、富水系数、工作面推进速度、采煤工艺、垮采比七项评价指标体系，将顶板稳定性进行定性分析，分为稳定、较稳定、较不稳定、不稳定四种类型，使用此种分析方法可以避免人为主观因素导致的判断失误，并且考虑以上七项评价指标体系不仅涵盖了顶板的自身因素同时包括了外界与人为因素的影响，其中通过考察岩石质量指标与抗压强度可以反映岩层的裂隙发育状况与顶板是否拥有基本支撑条件(基本支撑条件是指在不考虑外界水环境的影响)，使用此项指标可以直接明确理想条件下的岩层顶板稳定性；使用软化系数与富水系数作为判断指标，是为了考察顶板岩层所处的外界水环境对顶板稳定性影响的程度以及岩层顶板对其可抵抗能力；以工作面推进速度、采煤工艺、垮采比作为顶板稳定性的评判指标是为了考察当前人为可控的工作条件和工艺对顶板稳定性的影响，通过使用此三项指标进行评判有利于对不符合顶板稳定性要求的工作面进行快速反应并及时调整；②利用已知顶板的测试样本指标数据构建四种类型顶板的稳定性系数预测模型，将所需预测的顶板指标数据导入即可获取预测顶板的稳定性系数，一方面可以满足所有顶板之间的共性要求，另一方面针对不同矿井构建的四种预测模型存在一定的差异性，可以满足各矿井的特殊性要求，且使用非线性自回归滑动平均模型对传统的神经网络算法进行改进可以表现出评价体系中岩层质量指标、抗压强度以及富水系数这三项指标受前一时刻状态制约的动态变化特性；③将K均值聚类分析与BP神经网络算法相结合，首先解决了顶板稳定性定性分析的问题，并在此基础上解决定量分析的问题，使之定性更加科学、准确，促使定性分析得出广泛而深入的结论。
附图说明
图1是本发明的整体流程图；
图2是本发明中进行K均值聚类分析的流程图；
图3是本发明最终建立的顶板稳定性预测模型的结构示意图。
图中：输入层为各个评价分级指标，μ(N)为各个评价分级指标的输入向量，隐含层为负责计算及输出顶板稳定性系数结果给输出层；输出层输出稳定性系数结果。
具体实施方式
下面将对本发明作进一步说明。
如图1所示，本发明的具体步骤为：
A、先选择所需获取的因素参数，然后选择所需预测巷道的多个顶板分别进行测量与统计，进而获取各个顶板的因素参数；所述因素参数包括：顶板岩石质量指标RQD值、顶板岩层抗压强度、顶板岩层软化系数、富水系数、工作面推进速度、采煤工艺安全系数和垮采比；
B、对各个因素参数分别建立评价分级指标，将各个顶板获取的因素参数分别通过评价分级指标得出各自的分级情况；各个因素参数建立的评价分级指标具体为：
Figure BDA0002800540570000071
C、将分级后各个顶板的因素参数进行统计整理，以矩阵形式表示，具体为：
Figure BDA0002800540570000072
其中，n为每个顶板获取因素参数的数量；m为测量的顶板个数，m≥4；anm表示第n个因素参数与第m个顶板对应的分级情况；
D、以每个指标数据中的最优值作为初始中心，根据欧几里得距离公式计算每个指标数据到每个指标初始中心的距离，以误差平方和SSE值作为聚类的目标函数，计算各顶板因素参数的SSE值，具体公式为：
Figure BDA0002800540570000073
其中，ai为顶板的因素参数；aM为同因素参数中的最优值；
E、根据步骤D，计算每块顶板的SSE值，以SSE值的最小值与最大值间的距离，将其等分为四段，以四段SSE的中心点将其作为建立稳定型、较稳定型、较不稳定型和不稳定型四种顶板对应的K值，以此对步骤C中的矩阵进行K均值聚类分析，获得各个顶板的聚类结果，从而完成对各个顶板的分类；如图2所示；
F、对步骤A获取的各个因素参数进行Z-score标准化处理，具体的处理公式为：
Figure BDA0002800540570000081
式中，x'为标准化处理后的数据；x为原始数据；μ为各个顶板同一因素参数的原始数据均值；σ为各个顶板同一因素参数的原始数据标准差；
G、根据步骤D建立的四种类型顶板对应的聚类结果标准，并结合步骤E标准化处理后的数据，分别建立四种类型顶板稳定性系数的训练和测试数据样本，具体标准为：
Figure BDA0002800540570000082
其中，Ai、Bi、Ci、Di表示各类型顶板的名称，xnm表示第n个因素对应的第m块顶板的测试数据；
H、利用四种不同稳定性类型的顶板训练和测试数据样本，分别构建四种不同类型的MEA-BP预测模型，各个预测模型的首层隐含层神经元个数为p1，则：
Figure BDA0002800540570000083
式中，k1为输入层神经元数，q1为输出层神经元数，a1取0～10之间的常数；
I、选取不同的首层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小且训练步数最少，以此确定最为合适的隐含层神经元个数；
G、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的首层BP神经网络；具体均为：7-5-7神经网络模型；
K、根据步骤I建立的四种首层BP神经网络，分别进行非线性自回归滑动平均模型改进，其具体的改进模型为：
Figure BDA0002800540570000091
其中，μ(N)为第N次神经网络的输入向量；RQD(N)为第N次输入向量μ(N)中的顶板岩层质量指标RQD值；RQD(k)为输入向量μ(N-1)中岩层中质量指标RQD的输出值；R(N)为第N次输入向量μ(N)中的顶板岩层抗压强度；R(k)为输入向量μ(N-1)中抗压强度R的输出值；K0为顶板岩层软化系数；F(N)为第N次输入向量μ(N)中的富水系数；F(k)为输入向量μ(N-1)中富水系数F的输出值；v0为工作面推进速度；C0为采煤工艺安全系数；B0为垮采比；
L、根据步骤K的改进模型进行判定，当满足要求后，进行第二层BP神经网格的训练与学习；具体的判定要求为：
N≥3
M、将满足步骤L判定要求的输入向量μ(N)的输出向量作为四种顶板稳定性预测模型第二层BP神经网络的输入向量，四种不同类型的MEA-BP预测模型的第二层隐含层神经元个数为p2，则：
Figure BDA0002800540570000092
式中，k2为输入层神经元数，q2为输出层神经元数，a2取0～10之间的常数；
N、选取不同的第二层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小而且训练步数最少，以此确定最为合适的隐含层神经元个数；
O、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的第二层BP神经网络，具体为：7-6-1神经网络模型、7-4-1神经网络模型、7-9-1神经网络模型、7-7-1神经网络模型；综合建立的第一层与第二层BP神经网络，完成四种顶板稳定性预测模型的建立；如图3所示；
P、对后续所需预测的巷道顶板进行测量与统计，获取顶板的各个因素参数；
Q、根据各个因素参数使用K均值聚类分析确定顶板类型，进而选择对应的顶板稳定性预测模型，然后对各个因数参数进行Z-score标准化处理后，导入到选择的顶板稳定性预测模中，最终获取该顶板的稳定性系数，完成该顶板的稳定性预测。

Claims (2)

1.一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法，其特征在于，具体步骤为：
A、先选择所需获取的因素参数，然后选择所需预测巷道的多个顶板分别进行测量与统计，进而获取各个顶板的因素参数；所述因素参数包括：顶板岩石质量指标RQD值、顶板岩层抗压强度、顶板岩层软化系数、富水系数、工作面推进速度、采煤工艺安全系数和垮采比；
B、对各个因素参数分别建立评价分级指标，将各个顶板获取的因素参数分别通过评价分级指标得出各自的分级情况；
C、将分级后各个顶板的因素参数进行统计整理，以矩阵形式表示，具体为：
Figure FDA0002800540560000011
其中，n为每个顶板获取因素参数的数量；m为测量的顶板个数，m≥4；anm表示第n个因素参数与第m个顶板对应的分级情况；
D、以每个指标数据中的最优值作为初始中心，根据欧几里得距离公式计算每个指标数据到每个指标初始中心的距离，以误差平方和SSE值作为聚类的目标函数，计算各顶板因素参数的SSE值，具体公式为：
Figure FDA0002800540560000012
其中，ai为顶板的因素参数；aM为同因素参数中的最优值；
E、根据步骤D，计算每块顶板的SSE值，以SSE值的最小值与最大值间的距离，将其等分为四段，以四段SSE的中心点将其作为建立稳定型、较稳定型、较不稳定型和不稳定型四种顶板对应的K值，以此对步骤C中的矩阵进行K均值聚类分析，获得各个顶板的聚类结果，从而完成对各个顶板的分类；
F、对步骤A获取的各个因素参数进行Z-score标准化处理，具体的处理公式为：
Figure FDA0002800540560000021
式中，x'为标准化处理后的数据；x为原始数据；μ为各个顶板同一因素参数的原始数据均值；σ为各个顶板同一因素参数的原始数据标准差；
G、根据步骤D建立的四种类型顶板对应的聚类结果标准，并结合步骤E标准化处理后的数据，分别建立四种类型顶板稳定性系数的训练和测试数据样本，具体标准为：
Figure FDA0002800540560000022
其中，Ai、Bi、Ci、Di表示各类型顶板的名称，xnm表示第n个因素对应的第m块顶板的测试数据；
H、利用四种不同稳定性类型的顶板训练和测试数据样本，分别构建四种不同类型的MEA-BP预测模型，各个预测模型的首层隐含层神经元个数为p1，则：
Figure FDA0002800540560000023
式中，k1为输入层神经元数，q1为输出层神经元数，a1取0～10之间的常数；
I、选取不同的首层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小且训练步数最少，以此确定最为合适的隐含层神经元个数；
J、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的首层BP神经网络；
K、根据步骤I建立的四种首层BP神经网络，分别进行非线性自回归滑动平均模型改进，其具体的改进模型为：
Figure FDA0002800540560000031
其中，μ(N)为第N次神经网络的输入向量；RQD(N)为第N次输入向量μ(N)中的顶板岩层质量指标RQD值；RQD(k)为输入向量μ(N-1)中岩层中质量指标RQD的输出值；R(N)为第N次输入向量μ(N)中的顶板岩层抗压强度；R(k)为输入向量μ(N-1)中抗压强度R的输出值；K0为顶板岩层软化系数；F(N)为第N次输入向量μ(N)中的富水系数；F(k)为输入向量μ(N-1)中富水系数F的输出值；v0为工作面推进速度；C0为采煤工艺安全系数；B0为垮采比；
L、根据步骤K的改进模型进行判定，当满足要求后，进行第二层BP神经网格的训练与学习；具体的判定要求为：
N≥3
M、将满足步骤L判定要求的输入向量μ(N)的输出向量作为四种顶板稳定性预测模型第二层BP神经网络的输入向量，四种不同类型的MEA-BP预测模型的第二层隐含层神经元个数为p2，则：
Figure FDA0002800540560000032
式中，k2为输入层神经元数，q2为输出层神经元数，a2取0～10之间的常数；
N、选取不同的第二层隐含层神经元数目分别对四种预测模型进行测试运算，分别记录下每种预测模型在不同的首层隐含层神经元数目情况下BP神经网络的实际输出与期望输出的均方误差大小及训练步数，综合考虑误差最小而且训练步数最少，以此确定最为合适的隐含层神经元个数；
O、使用MATLAB分别对四种预测模型根据步骤H进行反复学习，获取四种顶板稳定性评价的第二层BP神经网络；综合建立的第一层与第二层BP神经网络，完成四种顶板稳定性预测模型的建立；
P、对后续所需预测的巷道顶板进行测量与统计，获取顶板的各个因素参数；
Q、根据各个因素参数使用K均值聚类分析确定顶板类型，进而选择对应的顶板稳定性预测模型，然后对各个因数参数进行Z-score标准化处理后，导入到选择的顶板稳定性预测模中，最终获取该顶板的稳定性系数，完成该顶板的稳定性预测。
2.根据权利要求1所述的一种基于聚类分析与改进神经网络协同预测顶板稳定性的方法，其特征在于，所述各个因素参数建立的评价分级指标具体为：
Figure FDA0002800540560000041
CN202011348346.2A 2020-11-26 2020-11-26 基于聚类分析与改进神经网络协同预测顶板稳定性的方法 Pending CN112465347A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011348346.2A CN112465347A (zh) 2020-11-26 2020-11-26 基于聚类分析与改进神经网络协同预测顶板稳定性的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011348346.2A CN112465347A (zh) 2020-11-26 2020-11-26 基于聚类分析与改进神经网络协同预测顶板稳定性的方法

Publications (1)

Publication Number Publication Date
CN112465347A true CN112465347A (zh) 2021-03-09

Family

ID=74808668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011348346.2A Pending CN112465347A (zh) 2020-11-26 2020-11-26 基于聚类分析与改进神经网络协同预测顶板稳定性的方法

Country Status (1)

Country Link
CN (1) CN112465347A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128031A (zh) * 2021-03-27 2021-07-16 南京林业大学 一种坐具舒适度等级测量装置与评定方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984788A (zh) * 2013-12-31 2014-08-13 中国矿业大学(北京) 一种煤巷锚杆支护自动智能设计与优化系统
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN108629441A (zh) * 2018-03-13 2018-10-09 中南林业科技大学 基于聚类分析和小波改进的风机噪音的预测方法和装置
CN109495296A (zh) * 2018-11-02 2019-03-19 国网四川省电力公司电力科学研究院 基于聚类与神经网络的智能变电站通信网络状态评价方法
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
CN109871976A (zh) * 2018-12-20 2019-06-11 浙江工业大学 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法
CN110232420A (zh) * 2019-06-21 2019-09-13 安阳工学院 一种数据的聚类方法
CN110766200A (zh) * 2019-09-23 2020-02-07 广东工业大学 一种基于K-means均值聚类的风电机组发电功率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984788A (zh) * 2013-12-31 2014-08-13 中国矿业大学(北京) 一种煤巷锚杆支护自动智能设计与优化系统
CN105260575A (zh) * 2015-11-17 2016-01-20 中国矿业大学 一种基于神经网络的巷道围岩变形预测方法
CN108629441A (zh) * 2018-03-13 2018-10-09 中南林业科技大学 基于聚类分析和小波改进的风机噪音的预测方法和装置
CN109495296A (zh) * 2018-11-02 2019-03-19 国网四川省电力公司电力科学研究院 基于聚类与神经网络的智能变电站通信网络状态评价方法
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
CN109871976A (zh) * 2018-12-20 2019-06-11 浙江工业大学 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法
CN110232420A (zh) * 2019-06-21 2019-09-13 安阳工学院 一种数据的聚类方法
CN110766200A (zh) * 2019-09-23 2020-02-07 广东工业大学 一种基于K-means均值聚类的风电机组发电功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱翰飞: "基于聚类—回归分析的煤巷围岩稳定性分类研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》, no. 10, 15 October 2018 (2018-10-15), pages 1 - 77 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128031A (zh) * 2021-03-27 2021-07-16 南京林业大学 一种坐具舒适度等级测量装置与评定方法

Similar Documents

Publication Publication Date Title
CN109635461B (zh) 一种应用随钻参数来自动识别围岩级别的方法和系统
CN106407649B (zh) 基于时间递归神经网络的微震信号到时自动拾取方法
US20210390230A1 (en) Method for Quickly Optimizing Key Mining Parameters of Outburst Coal Seam
CN112901137B (zh) 基于深度神经网络Sequential模型的深井钻井机械钻速预测方法
CN107169205B (zh) 一种铁矿石的分类建模方法
CN105678332A (zh) 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统
CN109740119B (zh) 一种tbm掘进隧洞围岩单轴抗压强度快速估算方法
CN110569566B (zh) 一种板带力学性能预测方法
CN112364560B (zh) 矿山凿岩装备作业工时智能预测方法
CN108875118B (zh) 一种高炉铁水硅含量预测模型准确度评价方法和设备
CN112948932A (zh) 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法
CN112668105B (zh) 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN112884379A (zh) 一种煤矿井下人因安全风险预测方法
CN106568647B (zh) 一种基于神经网络的混凝土强度预测方法
CN110889440A (zh) 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN110717689A (zh) 一种露天矿矿岩台阶岩体可爆性分级评价方法
CN110633504A (zh) 一种煤层瓦斯渗透率预测方法
CN108595803A (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111339478A (zh) 基于改进模糊层次分析法的气象数据质量评估方法
CN110222825B (zh) 一种水泥成品比表面积预测方法及系统
CN110489844B (zh) 一种适用于软岩隧道不均匀大变形等级预测方法
CN116291271A (zh) 一种基于随钻测试的岩土体参数反演方法及系统
CN112465347A (zh) 基于聚类分析与改进神经网络协同预测顶板稳定性的方法
CN113408190A (zh) 基于Bayes-LSTM模型的公路隧道施工期围岩变形预测方法
Ghobadi et al. Rock brittleness prediction using geomechanical properties of Hamekasi limestone: regression and artificial neural networks analysis

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