CN113298299A - 基于bp神经网络的煤层冲击危险性智能化评价方法 - Google Patents

基于bp神经网络的煤层冲击危险性智能化评价方法 Download PDF

Info

Publication number
CN113298299A
CN113298299A CN202110524497.7A CN202110524497A CN113298299A CN 113298299 A CN113298299 A CN 113298299A CN 202110524497 A CN202110524497 A CN 202110524497A CN 113298299 A CN113298299 A CN 113298299A
Authority
CN
China
Prior art keywords
coal seam
impact risk
coal
neural network
seam impact
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
CN202110524497.7A
Other languages
English (en)
Inventor
张科学
朱俊傲
杨海江
何满潮
亢磊
王晓玲
李首滨
张瑞新
尹尚先
孙健东
李东
王炯
陶志刚
任怀伟
庞义辉
李旭
高文蛟
程志恒
杨正凯
赵启峰
许雯
马振乾
李海涛
王�琦
杨军
王亚军
吴永伟
闫星辰
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.)
North China Institute of Science and Technology
Original Assignee
North China Institute 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 North China Institute of Science and Technology filed Critical North China Institute of Science and Technology
Priority to CN202110524497.7A priority Critical patent/CN113298299A/zh
Publication of CN113298299A publication Critical patent/CN113298299A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/08—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
    • G06Q10/06—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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Animal Husbandry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biomedical Technology (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)

Abstract

本申请提供了一种基于BP神经网络的煤层冲击危险性智能化评价方法，包括：确定基于BP神经网络的煤层冲击危险性评价模型的输入层、输出层的神经元数目；根据输入层、输出层的神经元数目，基于预设神经元模型，确定基于BP神经网络的煤层冲击危险性评价模型的隐含层的神经元数目的取值范围；根据隐含层的神经元数目的不同取值，对应构建多个基于BP神经网络的煤层冲击危险性评价模型；基于多个煤层冲击危险性评价模型，根据获取的煤层冲击危险性的样本数据，得到对应的多个样本输出结果；将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，确定最佳的煤层冲击危险性评价模型，以对煤层冲击危险性进行智能化评价。

Description

基于BP神经网络的煤层冲击危险性智能化评价方法
技术领域
本申请涉及安全预测技术领域，特别涉及一种基于BP神经网络的煤层冲击危险性智能化评价方法。
背景技术
近年来，随着煤炭需求的不断增加，煤矿的开采深度也随之加深，从而伴随着冲击地压事故频繁发生，已经成为影响我国煤矿井下安全最严重的自然灾害之一。据统计，近30年来，我国冲击地压矿井数量从1985年的32个迅速增加到2020年的133个，特别是近两年就相继发生了“龙郓10.20”、“龙家堡6.9”、“唐山8.2”、“山东新巨龙2.22”，“龙堌煤矿”等5起重大冲击地压事故。因此，为减少冲击地压事故的发生，对矿井煤层的冲击危险性进行研究与评价是必要的。
发明内容
本申请的目的在于提供一种基于BP神经网络的煤层冲击危险性智能化评价方法，以解决或缓解上述现有技术中存在的问题。
为了实现上述目的，本申请提供如下技术方案：
本申请提供了一种基于BP神经网络的煤层冲击危险性智能化评价方法，包括：步骤S101、确定基于BP神经网络的煤层冲击危险性评价模型的输入层、输出层的神经元数目；步骤S102、根据输入层、输出层的神经元数目，基于预设神经元模型，确定基于BP神经网络的煤层冲击危险性评价模型的隐含层的神经元数目的取值范围；步骤S103、根据隐含层的神经元数目的不同取值，对应构建多个基于BP神经网络的煤层冲击危险性评价模型；步骤S104、基于多个煤层冲击危险性评价模型，根据获取的煤层冲击危险性的样本数据，得到对应的多个样本输出结果；步骤S105、将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，确定最佳的煤层冲击危险性评价模型，以对煤层冲击危险性进行智能化评价。
优选的，在步骤S101中，确定基于BP神经网络的煤层冲击危险性评价模型的输入层的神经元数目为煤层冲击危险性的不同影响因素的评价指标的数目；确定基于BP神经网络的煤层冲击危险性评价模型的输出层的神经元数目为1。
优选的，在步骤S102中，预设神经元模型为：
Figure BDA0003065303420000021
其中，h表示隐含层神经元数目，m表示输入层神经元数目，n表示输出层神经元数目，h、m、n、a均为正整数，a∈[1，10]。
优选的，在步骤S103中，根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型分别进行训练，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
优选的，在根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型分别进行训练，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型，具体为：基于预设误差目标函数，根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型中隐含层神经元的输入输出层间的连接权重进行调整，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
优选的，在步骤S105中，将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，误差最小的样本输出结果对应的煤层冲击危险性评价模型为最佳的煤层冲击危险性评价模型。
优选的，煤层冲击危险性评价模型的输入层为煤层冲击危险性的不同影响因素的评价指标的数据；煤层冲击危险性评价模型的输出层为煤层冲击危险性等级。
优选的，煤层冲击危险性的样本数据为煤层冲击危险性的不同影响因素的评价指标的量化数据；煤层冲击危险性等级为量化等级。
优选的，煤层冲击危险性的影响因素包括：煤层开采深度、煤层开采的冲击倾向性、煤层开采处的地质构造、煤层开采的技术条件中一个或多个。
优选的，煤层开采的冲击倾向性的评价指标包括：煤的动态破坏时间、煤的弹性能指数、煤的冲击能量指数、煤的单轴抗压强度、开采时顶板岩层冲击倾向性以及底板岩层冲击倾向性；煤层开采处的地质构造的评价指标包括：断层影响、褶曲构造、陷落柱影响、河流冲刷带影响；煤层开采的技术条件的评价指标包括：工作面长度、区段煤柱宽度、留底煤厚度、保护层卸压程度、工作面临空参数、工作面采煤工艺。
有益效果：
本申请实施例提供的技术方案中，基于预设的神经元模型，根据确定的基于BP神经网络的煤层冲击危险性评价模型的输入层、输出层的神经元数目，得到基于BP神经网络的煤层冲击危险性评价模型的隐含层的神经元数目的取值范围；针对隐含层的神经元数目的不同取值，对应构建多个基于BP神经网络的煤层冲击危险性评价模型；将获取的煤层冲击危险性的样本数据分别输入多个煤层冲击危险性评价模型中，对应得到多个样本输出结果，将多个样本输出结果与基于综合指数方法得到的输出结果分别进行对比，确定出最佳的煤层冲击危险性评价模型，以对煤层冲击危险性进行智能化评价。籍此，有效提高对煤层冲击危险性进行评价时的计算速度，同时，实现对煤层冲击危险性精度评价，使得对煤层危险性评价更加高效便捷。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，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。其中：
图1为根据本申请的一些实施例提供的基于BP神经网络的煤层冲击危险性智能化评价方法的流程示意图；
图2为本申请实施例中煤层冲击危险性评价模型的神经网络传播流程示意图；
图3为本申请实施例中煤层冲击危险性评价模型的训练误差迭代过程的示意图；
图4为本申请实施例中煤层冲击危险性评价模型的训练过程的示意图；
图5为本申请实施例中内蒙古某矿煤层的冲击危险性等级的综合指数法的结果与最佳的煤层冲击危险性评价模型的输出结果以及误差比较图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上，本领域的技术人员将清楚，在不脱离本申请的范围或精神的情况下，可在本申请中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在本申请的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请而不是要求本申请必须以特定的方位构造和操作，因此不能理解为对本申请的限制。本申请中使用的术语“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连；可以是有线电连接、无线电连接，也可以是无线通信信号连接，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
首先，需要说明的是，本申请实施例提供的基于BP神经网络的煤层冲击危险性评价模型用于对矿井煤层冲击危险性进行评价。
图1为根据本申请的一些实施例提供的基于BP神经网络的煤层冲击危险性智能化评价方法的流程示意图；如图1所示。该基于BP神经网络的煤层冲击危险性智能化评价方法包括：
步骤S101、确定基于BP神经网络的煤层冲击危险性评价模型的输入层、输出层的神经元数目；
在本申请实施例中，输入层神经元的数目取决于所输入的数据源的维数，输出层神经元的数目取决于研究对象的分类。具体的，所输入的数据源为煤层冲击危险性的不同影响因素的评价指标，研究对象为矿井中煤层冲击危险性(只有一个)。因而，确定基于BP神经网络的煤层冲击危险性评价模型的输入层的神经元数目为煤层冲击危险性的不同影响因素的评价指标的数目；确定基于BP神经网络的煤层冲击危险性评价模型的输出层的神经元数目为1。
在一些可选实施例中，煤层冲击危险性的影响因素包括：煤层开采深度、煤层开采的冲击倾向性、煤层开采处的地质构造、煤层开采的技术条件中一个或多个。其中，煤层开采的冲击倾向性的评价指标包括：煤的动态破坏时间、煤的弹性能指数、煤的冲击能量指数、煤的单轴抗压强度、开采时顶板岩层冲击倾向性以及底板岩层冲击倾向性；煤层开采处的地质构造的评价指标包括：断层影响、褶曲构造、陷落柱影响、河流冲刷带影响；煤层开采的技术条件的评价指标包括：工作面长度、区段煤柱宽度、留底煤厚度、保护层卸压程度、工作面临空参数、工作面采煤工艺。可知，煤层冲击危险性的不同影响因素的评价指标有18个，即煤层冲击危险性评价模型的输入层的神经元数目为18。
在本申请实施例中，冲击地压具有较为复杂的发生机制，其发生与否并不依赖于某种或某几种特定的因素，但主要是自然条件以及人为因素的干扰。根据现场数据采集的可能性以及影响因素自身的有效性、针对性、精准性，选择煤层开采深度、煤层开采的冲击倾向性、煤层开采处的地质构造、煤层开采的技术条件作为煤层冲击危险性的影响因素，对冲击地压进行评价。籍此，可有效提高现场数据采集能力，同时，对冲击地压的评价更加精准有效。
在本申请实施例中，矿井煤层开采深度越深，煤体受到的地应力会越大，发生矿井煤层冲击危险性的可能性会越高。因而，将开采深度作为煤层冲击危险性的影响因素之一。在此，可通过煤矿煤层钻孔柱状图得到的开采深度相关的样本数据。
在本申请实施例中，冲击倾向性是煤岩体是否能够发生冲击地压的自然属性，冲击倾向性越高的煤体发生冲击危险性的可能性越大。将煤层开采的冲击倾向性作为评价煤矿冲击地压发生的重要依据，使得对煤层冲击危险性的评价更加全面、完善。
将冲击倾向性的评价指标分为煤的动态破坏时间、煤的弹性能指数、煤的冲击能量指数、煤的单轴抗压强度、开采时顶板岩层冲击倾向性以及底板岩层冲击倾向性，可通过现场取样并对样本进行相应的实验得到。其中，煤的动态破坏时间是指煤试件在单轴压缩状态下，从极限强度到完全破坏所经历的时间；煤的弹性能指数指煤的标准试件在单轴压缩状态下，当受力达到屈服点时(破坏前)卸载，其弹性变形能与塑性变性能(耗损变性能)之比；煤的单轴抗压强度指煤的标准试件在单轴压缩状态下承受的破坏载荷与其承压面积的比值；开采时顶板岩层冲击倾向性是指在均布载荷作用下，顶板单位宽度岩梁达到极限跨度时积蓄的变形能大小；底板岩层冲击倾向性是指在均布载荷作用下，底板单位宽度岩梁达到极限跨度时积蓄的变形能大小。
在本申请实施例中，地质构造是煤矿安全生产的重要影响因素之一，煤层开采时，当工作面回采方向与构造主应力近似垂直时，冲击地压易发生且强度大；当二者顺向时次之；当二者逆向时发生冲击地压的强度和频次大大降低。
将地质构造作为评价煤矿冲击地压发生的影响因素之一，进一步提高了煤层冲击危险性评价的全面性，有效提高对煤层冲击危险性评价的精准性。选择地质构造类型中的断层影响、褶曲构造、陷落柱影响、河流冲刷带影响作为煤层冲击危险性的评价指标，使得煤层冲击危险性评价更具有普适性。在此，可通过对矿井煤层开采进行现场观测，得到断层影响、褶曲构造、陷落柱影响、河流冲刷带影响的样本数据。
在本申请实施例中，对于不同的煤田，地质条件复杂多变，煤层深度、厚度、种类等煤体条件均不相同，相应的开采技术条件也千差万别。传统的采煤工艺对煤层稳定性破坏较大，极易引发冲击地压危险。因此，将开采条件作为评价煤矿冲击地压发生的影响因素之一，可有效提高煤层冲击危险性评价的针对性，进而，提高矿井的生产效率。
在本申请实施例中，煤层冲击危险性的不同影响因素的评价指标与煤层冲击危险性之间为非线性关系，采用BP神经网络结构，能够对煤层冲击危险性的不同影响因素的评价指标与煤层冲击危险性之间的非线性关系进行更加清晰的表达，有效提高煤层冲击危险性评价模型的自适应性和准确性。
步骤S102、根据输入层、输出层的神经元数据，基于预设神经元模型，确定基于BP神经网络的煤层冲击危险性评价模型的隐含层的神经元数目的取值范围；
在本申请实施例中，BP神经网络结构中，隐含层神经元的个数过多，会增加构建煤层冲击危险性评价模型的计算量，并且可能会产生过拟合；隐含层神经元的个数过少，则会影响构建的煤层冲击危险性评价模型的性能，使得煤层冲击危险性评价模型在对煤层冲击危险性进行评价时达不到预期效果。
在一些可选实施例中，预设神经元模型如下公式(1)所示：
Figure BDA0003065303420000071
其中，h表示隐含层神经元数目，m表示输入层神经元数目，n表示输出层神经元数目，h、m、n、a均为正整数，a∈[1，10]。
在本申请实施例中，输入层神经元数目m等于18，输出层神经元数目n等于1，可知，隐含层神经元数目h取值范围为：h∈[5，15]。
步骤S103、根据隐含层的神经元数目的不同取值，对应构建多个基于BP神经网络的煤层冲击危险性评价模型；
在本申请实施例中，对于隐含层数目不同的BP神经网络模型，计算效率、计算精度存在很大区别。通过建立多个不同隐含层数目的煤层冲击危险性评价模型，从多个煤层冲击危险性评价模型中找出最佳的煤层冲击危险性评价模型。籍此，有效提高煤层冲击危险性评价模型对煤层冲击危险性进行评价的效率和精度。
在本申请实施例中，隐含层神经元数目h取值范围为：h∈[5，15]，因而，共建立11个基于BP神经网络的煤层冲击危险性评价模型。籍此，进一步提高对煤层冲击危险性的评价准确性。
在一些可选实施例中，根据获取的煤层冲击危险性的样本数据，对构建的每一个煤层冲击危险性评价模型分别进行训练，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
在本申请实施例中，初始构建的基于BP神经网络的煤层冲击危险性评价模型中BP神经网络各层之间的连接权重是任意的，煤层冲击危险性评价模型是相对不精确的，其输出结果并不能很好的表现煤层冲击地压的危险程度。利用综合指数方法得到的煤层冲击危险性的输出结果，对煤层冲击危险性评价模型的输出结果进行验证，当结果一致时，认为该煤层冲击危险性评价模型满足要求，该煤层冲击危险性评价模型可用于对煤层冲击危险性进行评价。
在一具体的例子中，在煤层冲击危险性评价模型训练过程中，基于预设误差目标函数，根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型中隐含层神经元的输入输出层间的连接权重进行调整，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
在本申请实施例中，煤层冲击危险性评价模型的输入层为煤层冲击危险性的不同影响因素的评价指标的数据；煤层冲击危险性评价模型的输出层为煤层冲击危险性等级。根据获取的煤层冲击危险性的不同影响因素的评价指标的样本数据对构建的每一个煤层冲击危险性评价模型分别进行训练。
在本申请实施例中，煤层冲击危险性评价模型的训练过程分为输入信号的正向传播和误差信号的反响传播两部分。煤层冲击危险性的不同影响因素的评价指标的样本数据为Xk＝{x1 k，x2 k，…，xi k，…，x41 k}(k＝1，2，…，41)，输出层中煤层冲击危险性的输出结果为Yk(k＝1，2，…，41)。对这41组数据进行神经网络训练，每组样布先进行前向传播。
BP神经网络的前向传播过程为当输入层神经元输入18项煤层冲击地压危险性评价指标xi(i＝1，2，…，18)后，输入的值通过隐含层向输出层传递煤层冲击地压危险性计算结果。各层之间的连接权重分量wji l(i＝1，2，…，18；j＝1，2，…5)加权求和(其中j为隐含层神经元)，再与隐含层神经元的阈值bji l相加。其中，煤层冲击危险性评价模型隐含层神经元所采用的激活函数为tansig型，其数学表达式如下公式(2)所示：
Figure BDA0003065303420000081
式中：z表示变量。
由此可以得到各层的输出值为
Figure BDA0003065303420000082
式中：
Figure BDA0003065303420000083
表示第l层第j个神经元的输出结果；
Figure BDA0003065303420000084
表示第l-1层第k个神经元的输入值；
Figure BDA0003065303420000085
表示第l层与第l-1层之间的连接权值分量。
图2为本申请实施例中煤层冲击危险性评价模型的神经网络传播流程示意图；如图2所示，输入值通过引用各层的输出值(公式(3))得到隐含层各个神经元的参数，然后再将隐含层神经元参数作为输入，再次引用各层的输出值(公式(3))得到输出层的值。为了避免因选择tansig型神经元导致输出范围太小，输出层神经元选用pureline型线性函数作为预设误差目标函数，具体如下公式(4)所示：
Figure BDA0003065303420000091
式中：E表示误差；yk表示煤层冲击危险性等级危险性；yk'表示网络前向计算输出值。
图3为本申请实施例中煤层冲击危险性评价模型的训练误差迭代过程的示意图；图4为本申请实施例中煤层冲击危险性评价模型的训练过程的示意图；如图3、图4所示，若BP神经网络的输出结果与煤层冲击危险性等级之间误差较大，则将误差通过隐含层反向传递到输入层，根据误差调整各层之间的权重与阈值，使之能更好的反映实际的煤层冲击危险性。BP神经网络通过梯度下降算法达到学习的目的，输出层至隐含层反向调整权重的具体表达式为：
Figure BDA0003065303420000092
Figure BDA0003065303420000093
隐含层至输出层反向调整权重的具体表达式为：
Figure BDA0003065303420000094
Figure BDA0003065303420000095
式中：η表示学习步长；
Figure BDA0003065303420000096
Δb2，
Figure BDA0003065303420000097
表示前向调整量。
调整隐含层神经元的输入输出层间的连接权重与阈值之后再次调用模型隐含层神经元所采用的激活函数(公式(2))和各层的输出值(公式(3))进行计算。再由预设误差目标函数(公式(4))计算BP神经网络计算的结果与煤层冲击危险性等级样本(基于综合指数方法的输出结果)间误差，若误差太高，则根据公式(5)-公式(8)进一步调整连接权重与阈值。通过反复多次学习训练神经网络直至误差达到给定精度，即煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致。
步骤S104、基于多个煤层冲击危险性评价模型，根据获取的煤层冲击危险性的样布数据，得到对应的多个样本输出结果；
在本申请实施例中，将煤层冲击危险性的不同影响因素的评价指标的样本数据分别输入多个煤层冲击危险性评价模型，对应输出煤层冲击危险性等级，即得到多个样本输出结果。
在本申请实施例中，煤层冲击危险性的样本数据为煤层冲击危险性的不同影响因素的评价指标的量化数据；煤层冲击危险性等级为量化等级。在此，可基于综合指数法的量化方式，通过归一量化方法实现对评价指标、煤层冲击危险性等级的量化处理。籍此，可避免煤层冲击危险性的不同影响因素之间的量纲对构建的煤层冲击危险性评价模型的影响，有效提高煤层冲击危险性评价模型的计算效率，快速实现煤层冲击危险性评价。其中，煤层冲击危险性的不同影响因素的评价指标的量化数据为：
开采深度(h)：0为h≤400m，1为400m＜h≤600m，2为600m＜h≤800m，3为采深h>800m；
动态破坏时间(DT)：1为DT＞500ms，2为50ms＜DT≤500ms，3为DT≤50ms；
弹性能指数(WET)：0为WET＜2，1为2≤WET＜3.5，2为3.5≤WET＜5，3为WET≥5；
冲击能量指数(KE)：1为KE＜1.5，2为1.5≤KE＜5，3为KE≥5；
单轴抗压强度(Rc)：0为Rc≤10MPa，1为10MPa＜Rc≤14MPa，2为14MPa＜Rc≤20MPa，3为Rc≥20MPa；
顶板岩层冲击倾向性(UWQS)：1为无冲击倾向UWQS≤15kJ，2为弱冲击倾向15kJ＜UWQS≤120kJ，3为强冲击倾向性UWQS>500kJ；
底板岩层冲击倾向性(UWQS)：1为无冲击倾向UWQS≤15kJ，2为弱冲击倾向15kJ＜UWQS≤120kJ，3为强冲击倾向性UWQS>500kJ；
断层影响：0为无断层影响，1为断层影响较小，2为断层影响较大，3为断层影响大；
褶曲构造：0为褶曲构造简单，1为褶曲构造一般，2为褶曲构造较复杂，3为褶曲构造复杂；
陷落柱影响：0为无陷落柱影响，1为陷落柱影响较小，2为陷落柱影响较大，3为陷落柱影响大；
河流冲刷带影响：0为无河流冲刷带影响，1为河流冲刷带影响较小，2为河流冲刷带影响较大，3为河流冲刷带影响大；
工作面长度(L)：0为L＞300m，1为150m≤L＜300m，2为100m≤L＜150m，3为L＜100m；
区段煤柱宽度(d)：0为d≤3m或d≥50m，1为3m＜d≤6m，2为6m＜d≤10m，3为10m＜d＜50m；
留底煤厚度(td)：0为td＝0m，1为0m＜td≤1m，2为1m＜td≤2m，3为td＞2m；
保护层卸压程度：0为好，1为良好，2为中等，3为很差；
工作面临空参数：0为实体煤工作面，1为一侧临空，2为两侧临空，3为三侧临空；
工作面采煤工艺：0为智能化开采，1为综采，2为普采，3为炮采；
构造异常带影响：0为无构造异常带影响，1为构造异常带影响较小，2为构造异常带影响较大，3为构造异常带影响大；
煤层冲击危险性的量化等级为：0表示无冲击危险性，1表示弱冲击危险性，2表示中等冲击危险性，3表示强冲击危险性。
由此，41组煤层冲击危险性的不同影响因素的评价指标的样本数据以及对应的煤层冲击危险性的量化等级如下表1所示：
Figure BDA0003065303420000111
Figure BDA0003065303420000121
表1煤层冲击危险性的样本数据及煤层冲击危险性的量化等级
步骤S105、将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，确定最佳的煤层冲击危险性评价模型，以对煤层冲击危险性进行智能化评价。
在本申请实施例中，将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，误差最小的样本输出结果对应的煤层冲击危险性评价模型为最佳的煤层冲击危险性评价模型。即将多个煤层冲击危险性评价模型得到的多个煤层冲击危险性评价的结果，分别与基于综合指数方法得到的煤层冲击危险性评价的结果进行逐一对比，与基于综合指数方法得到的煤层冲击危险性评价的结果最接近的样本输出结果，对应的煤层冲击危险性评价模型为最佳的煤层冲击危险性评价模型。籍此，有效提高对煤层冲击危险性进行评价时的计算速度，同时，实现对煤层冲击危险性精度评价，使得对煤层危险性评价更加高效便捷。
在本申请实施例中，以内蒙古某矿为例，对构建的煤层冲击危险性评价模型进行验证。已知该煤层所在的开采深度为626.17m～647.91m，平均开采深度为637m，平均动态破坏时间45.6ms、平均弹性能量指数20.76、平均冲击能量指数10.03、平均单轴抗压强度28.52Mpa，顶、底板岩层的弯曲能量指数分别为43.37kJ和69.51kJ，该煤层所在井田总体构造形态为向西北倾斜的单斜构造，并发育有次一级波状起伏的单斜构造，地层倾角小于2°。其中褶曲4条(背斜2个、向斜2条)，断层6条(正断层4条，逆断层2条)，未见河流冲刷带及陷落柱，井田地质构造简单。将各评价指标的值进行量化处理，其量化后的值详见表2。
Figure BDA0003065303420000131
表2
通过综合指数法得到该煤层的冲击危险性等级为中等冲击危险性煤层，其真实值(综合指数法的结果)与计算值(最佳的煤层冲击危险性评价模型的输出结果)以及误差如图5所示。由图5可知最佳的煤层冲击危险性评价模型的计算结果符合实际的结果，最佳的煤层冲击危险性评价模型能够很好的表现输入值与输出值之间的关系，对煤层的冲击危险性等级进行很好的评价。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，包括：
步骤S101、确定基于BP神经网络的煤层冲击危险性评价模型的输入层、输出层的神经元数目；
步骤S102、根据输入层、输出层的神经元数目，基于预设神经元模型，确定基于BP神经网络的煤层冲击危险性评价模型的隐含层的神经元数目的取值范围；
步骤S103、根据隐含层的神经元数目的不同取值，对应构建多个基于BP神经网络的煤层冲击危险性评价模型；
步骤S104、基于多个煤层冲击危险性评价模型，根据获取的煤层冲击危险性的样本数据，得到对应的多个样本输出结果；
步骤S105、将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，确定最佳的煤层冲击危险性评价模型，以对煤层冲击危险性进行智能化评价。
2.根据权利要求1所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，在步骤S101中，
确定基于BP神经网络的煤层冲击危险性评价模型的输入层的神经元数目为煤层冲击危险性的不同影响因素的评价指标的数目；
确定基于BP神经网络的煤层冲击危险性评价模型的输出层的神经元数目为1。
3.根据权利要求1所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，在步骤S102中，
预设神经元模型为：
Figure FDA0003065303410000011
其中，h表示隐含层神经元数目，m表示输入层神经元数目，n表示输出层神经元数目，h、m、n、a均为正整数，a∈[1，10]。
4.根据权利要求1所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，在步骤S103中，
根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型分别进行训练，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
5.根据权利要求4所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，在根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型分别进行训练，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型，具体为：
基于预设误差目标函数，根据获取的煤层冲击危险性的样本数据，对每一个煤层冲击危险性评价模型中隐含层神经元的输入输出层间的连接权重进行调整，直至对应的煤层冲击危险性评价模型的输出结果与基于综合指数方法的输出结果一致，煤层冲击危险性评价模型的训练结束，得到多个基于BP神经网络的煤层冲击危险性评价模型。
6.根据权利要求1所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，在步骤S105中，
将多个样本输出结果分别与基于综合指数方法的输出结果分别进行对比，误差最小的样本输出结果对应的煤层冲击危险性评价模型为最佳的煤层冲击危险性评价模型。
7.根据权利要求1-6任一所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，煤层冲击危险性评价模型的输入层为煤层冲击危险性的不同影响因素的评价指标的数据；煤层冲击危险性评价模型的输出层为煤层冲击危险性等级。
8.根据权利要求7所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，煤层冲击危险性的样本数据为煤层冲击危险性的不同影响因素的评价指标的量化数据；煤层冲击危险性等级为量化等级。
9.根据权利要求7所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，煤层冲击危险性的影响因素包括：煤层开采深度、煤层开采的冲击倾向性、煤层开采处的地质构造、煤层开采的技术条件中一个或多个。
10.根据权利要求9所述的基于BP神经网络的煤层冲击危险性智能化评价方法，其特征在于，
煤层开采的冲击倾向性的评价指标包括：煤的动态破坏时间、煤的弹性能指数、煤的冲击能量指数、煤的单轴抗压强度、开采时顶板岩层冲击倾向性以及底板岩层冲击倾向性；
煤层开采处的地质构造的评价指标包括：断层影响、褶曲构造、陷落柱影响、河流冲刷带影响；
煤层开采的技术条件的评价指标包括：工作面长度、区段煤柱宽度、留底煤厚度、保护层卸压程度、工作面临空参数、工作面采煤工艺。
CN202110524497.7A 2021-05-13 2021-05-13 基于bp神经网络的煤层冲击危险性智能化评价方法 Pending CN113298299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110524497.7A CN113298299A (zh) 2021-05-13 2021-05-13 基于bp神经网络的煤层冲击危险性智能化评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110524497.7A CN113298299A (zh) 2021-05-13 2021-05-13 基于bp神经网络的煤层冲击危险性智能化评价方法

Publications (1)

Publication Number Publication Date
CN113298299A true CN113298299A (zh) 2021-08-24

Family

ID=77322030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110524497.7A Pending CN113298299A (zh) 2021-05-13 2021-05-13 基于bp神经网络的煤层冲击危险性智能化评价方法

Country Status (1)

Country Link
CN (1) CN113298299A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519392A (zh) * 2022-02-14 2022-05-20 煤炭科学研究总院有限公司 冲击地压的预警方法及装置、电子设备和存储介质
CN116127752A (zh) * 2023-02-07 2023-05-16 中国矿业大学 一种冲击地压的预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN107122860A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN111325461A (zh) * 2020-02-18 2020-06-23 山东科技大学 基于振动监测技术的煤层冲击危险性实时评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260599A (zh) * 2015-09-30 2016-01-20 山东黄金矿业(莱州)有限公司三山岛金矿 一种基于bp神经网络建模的冲击地压动态预测方法
CN107122860A (zh) * 2017-04-28 2017-09-01 辽宁工程技术大学 基于网格搜索和极限学习机的冲击地压危险等级预测方法
CN111325461A (zh) * 2020-02-18 2020-06-23 山东科技大学 基于振动监测技术的煤层冲击危险性实时评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
曾勇 等: "基于神经网络的冲击地压危险性预测预报", 《辽宁工程技术大学学报》 *
朱雨文等: "基于BP神经网络的婴幼儿奶粉质量安全评价模型研究", 《湖北农业科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519392A (zh) * 2022-02-14 2022-05-20 煤炭科学研究总院有限公司 冲击地压的预警方法及装置、电子设备和存储介质
CN116127752A (zh) * 2023-02-07 2023-05-16 中国矿业大学 一种冲击地压的预测方法及系统
CN116127752B (zh) * 2023-02-07 2023-07-04 中国矿业大学 一种冲击地压的预测方法及系统

Similar Documents

Publication Publication Date Title
US20230214557A1 (en) Method for dynamically assessing slope safety
CN113298299A (zh) 基于bp神经网络的煤层冲击危险性智能化评价方法
CN106897510A (zh) 一种桥梁结构三维地震易损性分析方法
CN107563092B (zh) 一种矿山动力灾害的全息预警方法
CN102661894B (zh) 裂隙岩体试件与裂隙岩体水岩耦合试验方法
CN103268420A (zh) 一种岩石高边坡的危险性评价方法
CN111238931B (zh) 基于能量演化的页岩脆性指数评价方法
CN107423524B (zh) 一种长埋深隧洞突涌水灾害危险性等级预判的方法
Chatzigeorgiou et al. Coupling between progressive damage and permeability of concrete: analysis with a discrete model
CN110595887B (zh) 一种浅埋硬岩大型地下洞室成洞条件量化评价方法
CN113486570A (zh) 一种基于随机ida和机器学习预测隧道地震易损性的方法
CN103266634A (zh) 一种超长钻孔灌注桩承载力确定方法
CN109975119A (zh) 一种岩石双轴压缩爆破设计方法
CN110378574A (zh) 水下隧道盾构施工开挖面稳定性评价方法、系统及设备
CN114814165B (zh) 一种孤立波作用下砂质海床剪切破坏评估方法及评估装置
CN113958366A (zh) 基于震动-应力双场监测的冲击危险性动态量化预警方法
CN112765791A (zh) 一种基于数值样本和随机森林的tbm卡机风险预测方法
CN114329709A (zh) 盾构隧道服役性能快速诊断和发展趋势预测方法
CN106709199B (zh) 基于层间位移的抗震鲁棒性方法
CN112241601A (zh) 一种盾构隧道地震可恢复性分析方法
CN115577619A (zh) 基于机器学习预测液化土残余抗剪强度的方法
CN113283173B (zh) 地下工程能量与参数综合反分析系统及其方法
CN106013916B (zh) 煤矿采动损伤建筑抗震性能评价方法
CN114856705A (zh) 一种基于冲击风险熵的冲击地压预警方法
Zhao et al. Seismic vulnerability analysis of multi-main-span high pier continuous rigid-frame bridge in terms of cloud method

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