CN115293316A - 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 - Google Patents
基于ssa-elman中深埋厚煤层导水裂隙带预测方法 Download PDFInfo
- Publication number
- CN115293316A CN115293316A CN202210929105.XA CN202210929105A CN115293316A CN 115293316 A CN115293316 A CN 115293316A CN 202210929105 A CN202210929105 A CN 202210929105A CN 115293316 A CN115293316 A CN 115293316A
- Authority
- CN
- China
- Prior art keywords
- elman
- ssa
- coal seam
- neural network
- thick coal
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005065 mining Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000011161 development Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 241000287127 Passeridae Species 0.000 claims description 38
- 239000011435 rock Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000001502 supplementing effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 10
- 238000012546 transfer Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 208000037004 Myoclonic-astatic epilepsy Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000874 microwave-assisted extraction Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SSA‑ELMAN中深埋厚煤层导水裂隙带预测方法，包括分别采集矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度数据集，进行预处理，补齐缺失特征数据，归一化处理并划分为训练集和测试集；建立Elman神经网络模型；将训练集输入到Elman神经网络模型中训练，利用SSA算法优化Elman神经网络并获取最优的权重和阈值；将测试集输入到优化后Elman神经网络中，反归一化，将预测结果与实测值误差分析，评价模型性能。该方法精确、成本低、速度快、预测准确率高，实现了西部中深埋厚煤层采动过程中工作面涌水量的准确预计及相关顶板水害精准防控。
Description
技术领域
本发明属于煤炭开采技术领域，涉及一种基于深度学习算法的西部中深埋厚煤层导水裂隙带高度智能预测方法。
背景技术
中深埋厚煤层开采条件下具备特殊的地下水动态变化规律和机理。由于矿区中深埋厚煤层矿井风化基岩含水层和潜水含水层多分布于弯曲下沉带，使得相较于其他类型矿井在开采时上覆岩层极易产生采动裂隙并进一步扩大成沟通含水层的导水通道，进而产生突水溃沙等灾害严重威胁工作面安全开采，同时使得地表水资源流失、生态环境恶化。因此，准确预测西部矿区中深埋厚煤层矿井的导水裂隙带发育高度，对于工作面的安全开采具有重要的意义。
现有导水裂隙带高度确定的方法主要有经验公式、数值模拟及现场实测法等。其中经验公式主要根据不够准确的覆岩结构类型选择公式进行计算；数值模拟难以确定各层岩层的参数，准确反映顶板的运移；现场实测虽能精准探测导水裂隙带发育，但因其成本较高而受到很大限制。
现有确定导水裂隙带高度的方法大多未针对性考虑西部矿区中深埋厚煤层矿井地质及生产条件，因此在西部矿区中深埋厚煤层开采条件下利用深度学习的方法确定导水裂隙带发育高度对于保障工作面的安全开采至关重要。
发明内容
为解决现有技术中存在的上述缺陷，本发明的目的在于提供一种精确、成本较低的矿区中深埋厚煤层采动导水裂隙带高度预测方法，能够准确预测西部矿区中深埋厚煤层矿井的导水裂隙带发育高度，已达到对工作面的安全开采。
本发明是通过下述技术方案来实现的。
本发明提供了一种基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，包括：
根据矿区中深埋厚煤层矿井水文地质与开采技术条件、工作面综合柱状基础资料，分别采集矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素数据集；
对数据集进行预处理，补齐缺失的特征数据，进行归一化处理并划分为训练集和测试集；
建立Elman神经网络模型；
将训练集输入到Elman神经网络模型中进行训练，利用SSA算法优化Elman神经网络并获取最优的权重和阈值；
将测试集输入到优化后的Elman神经网络中，将输出的预测结果进行反归一化，得到最终预测结果；
将最终预测结果与对应的实测值进行误差分析，评价SSA-Elman模型的性能。
作为优选，矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素包括：开采方式、采高、工作面斜长、埋深、推进速度和基岩中硬软岩厚度之比。
作为优选，开采方式包括综采和综放。
作为优选，硬软岩厚度之比为估算导水裂隙带发育到的地层内坚硬岩层或砂岩与软弱岩层或泥岩的厚度和之比。
作为优选，对数据集进行预处理，采用K近邻缺失值填补法填补缺失的特征数据，采用min-max方法进行归一化，消除不同指标量级之间的影响。
作为优选，建立Elman神经网络模型，具体包括：
确定Elman神经网络中的输入层、隐藏层、承接层和输出层对应的神经元初始层数及个数，输入层对应中深埋厚煤层矿井工作面影响导水裂隙带发育高度，输出层对应导水裂隙带高度；
初始化Elman网络结构最大训练误差、学习率和动量因子；
利用随即函数生成[0,1]区间的随机数作为权值及阈值初始值，形成初始的Elman神经网络。
作为优选，利用SSA算法中的发现者、加入者和警戒者分别进行位置更新，加快在Elman神经网络中的权值及阈值参数的搜索范围和速度，优化SSA-ELMAN模型。
作为优选，利用SSA算法优化Elman神经网络，具体包括：
初始化SSA算法的参数，包括麻雀种群的数量，最大进化次数，安全值、发现者及警戒者比例和需要达到的精度初始参数；
将Elman神经网络的隐藏层和输出层的权值及阈值，作为SSA算法的待优化参数；
算法开始搜索前，通过经验设置参数各自的优化范围，定义第i只麻雀在D维搜索空间中的位置，每个位置的元素代表着对应Elman神经网络隐藏层和输出层的权值和阈值；
计算种群所有个体的适应度，设定适应度函数为均方误差函数，选择适应度值最小的个体位置作为全局最优初始位置；
确定位置更新公式、加入者位置更新公式和警戒者位置更新公式；
对比所有更新完位置的个体，比较更新前后的适应度值，以最优的适应度值对应更新最优解的位置；
判断是否满足精度条件或者循环终止条件，不满足则继续返回S45进行循环求最优解，满足则输出最优解得到最优模型。
作为优选，采用平均绝对误差和均方根误差作为评估预测模型性能的指标。
本发明提供的方法能够在西部深埋弱胶结基岩厚煤层导水裂隙带预测中应用。
本发明由于采取以上技术方案，其具有以下有益效果：
1)导水裂隙带的发育是在多个因素动态影响下的结果，本方法融合了多种与导水裂隙带发育相关的影响因素，特别考虑了基岩中导水裂隙带发育范围内坚硬岩层和软弱岩层的厚度之比作为反映覆岩岩层结构的特征，建立了预测导水裂隙带高度智能预测模型，实现了预测西部矿区中深埋弱胶结基岩厚煤层的导水裂隙带高度功能；
2)使用Elman神经网络作为预测模型进行预测导水裂隙带高度，相较于普通神经网络而言通过增加承接层，增强了网络的动态信息处理能力。与传统神经网络模型相比，Elman神经网络是一种对各种因素的动态变化敏感的反馈式网络，可以有效提升复杂环境下导水裂隙带高度的检测精度；
3)麻雀算法具有良好的全局优化能力，参数少的同时稳定性较好，在寻优Elman神经网络的权值和阈值过程中，有效提升了模型的收敛速度，提高了模型的预测精度，所构建的预测模型为西部矿区中深埋弱胶结基岩厚煤层矿井工作面涌水量预计以及顶板突涌水害防治提供有效指导。
4)该方法有效考虑了西部中深埋厚煤层覆岩结构特征，利用深度学习算法有效提取了数据深层的信息，采用SSA优化算法大大加快模型收敛速度，减少了训练时间，提高了导水裂隙带发育高度预测准确率，实现了西部中深埋弱胶结基岩厚煤层采动过程中工作面涌水量准确预计及相关顶板水害精准防控，为工作面的安全开采提供了保障。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：
图1为Elman结构图；
图2为本发明依据SSA-Elman预测导水裂隙带高度流程示意图；
图3为本发明实施例中训练阶段SSA-Elman模型预测适应度示意图；
图4为本发明实施例中验证阶段SSA-Elman模型的预测输出对比图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明实施例提供的基于SSA-Elman的西部中深埋厚煤层导水裂隙带高度预测方法，流程如图1所示，包括如下步骤：
步骤1，根据西部矿区中深埋厚煤层矿井水文地质与开采技术条件、工作面综合柱状等基础资料，分别采集典型西部矿区中深埋厚煤层矿井工作面对应的导水裂隙带高度及相关影响因素数据集Doriginal。
步骤1具体为：所选取的西部矿区中深埋厚煤层矿井影响导水裂隙带发育高度相关因素包括：包括开采方式(综采、综放)、采高、工作面斜长、埋深、推进速度和基岩中硬软岩厚度之比，其中的硬软岩厚度之比为估算导水裂隙带发育到的地层内坚硬岩层(砂岩等)与软弱岩层(泥岩等)的厚度和之比。
开采方式：开采方式的不同直接影响工作面煤层采厚及垮落后形成的空间高度；采高：采高是影响导水裂隙带发育的重要因素之一，一般情况下，采高越大，导水裂隙带发育高度越大。工作面斜长：由材料力学理论得知，梁的两端距离越长，其中间弯曲变形程度越大，即开采后岩层弯曲变形破断程度越剧烈。埋深：煤层埋藏深度越大，覆岩原岩应力越大。推进速度：工作面的推进速度是反映采动强度的直观指标。基岩中硬软岩厚度之比：覆岩岩性不同，硬岩易断裂产生裂缝，软岩易产生塑性应变。然而，目前尚难以定量描述覆岩结构对导水裂隙带高度的影响。因此，选择在预估的导水裂隙带带发育到的地层内坚硬岩层或砂岩与软弱岩层或泥岩的厚度和之比作为反映上覆岩体结构的指标。
步骤2，对步骤1收集到的数据集进行预处理，补齐缺失的特征数据，之后进行归一化处理并划分为训练集Dtrain和测试集Dtest。
步骤2中的数据预处理主要为K近邻缺失值填补法填补缺失值及min-max方法进行归一化，消除不同指标量级之间的影响。
K近邻缺失值填补法思想为：先将数据标准化，然后对缺失值的数据点做K邻近填充，计算含缺失值的数据点与其他不含缺失值的数据点的距离矩阵，选出欧氏距离最近的K个数据点。用选中的K个近邻的数据点对应的字段均值来填充数据中的空缺值。在存在缺失坐标的情况下，通过忽略缺失值并放大非缺失坐标的权重来计算欧几里德距离，其中某两点之间的欧几里德距离dxy为：
其中，权重weight为：
归一化旨在消除不同指标量级之间的影响解决数据指标之间的可比性，公式如下：
式中，xi为归一化之前的值，yi为归一化之前的值，min为数据列的最小值，max为数据列的最大值。
步骤3，建立Elman神经网络模型。
步骤3具体包括：
S31:确定Elman神经网络中的输入层、隐藏层、承接层和输出层对应的神经元初始层数及个数，输入层对应中深埋厚煤层矿井工作面影响导水裂隙带发育高度，输出层对应导水裂隙带高度；
初始化Elman网络结构最大训练误差、学习率和动量因子；
S32:利用随即函数生成[0,1]区间的随机数作为权值及阈值初始值，形成初始的Elman神经网络。
步骤3中的Elman神经网络模型如图1所示，主要增加了承接层，整体数学模型如下：
式中，f和g分别代表隐藏层神经元和输出神经元的传递函数；W1、W2和W3分别表示输入层到隐藏层、承接层到隐藏层和隐藏层到输出层的连接权重；U(k-1)、Y(k)分别为输入层的输入向量、输出层的输出向量，b1、b2分别为输入层和隐藏层的阈值；X(k)和Xc(k)分别为隐藏层和承接层的输出。
以Elman神经网络隐藏层的权值及阈值作为步骤4中SSA算法的待优化参数，通过经验设置参数各自的优化范围，设置网络的最大迭代次数、SSA中的麻雀种群数，需要达到的精度等初始参数。
步骤4，将训练集输入到建立的Elman模型中进行训练，利用SSA算法优化Elman神经网络并获取最优的权重和阈值。
步骤4中的SSA算法是受自然界中麻雀捕食启发的一种群智能算法，其中麻雀种群通常由发现者、加入者和警戒者组成。利用SSA算法中的发现者、加入者和警戒者分别进行位置更新，加快在Elman神经网络中的权值及阈值参数的搜索范围和速度，优化SSA-ELMAN模型。
每只麻雀都具有位置属性，代表其找到食物的位置。每只麻雀有三种可能的行为：发现者，搜索食物；加入者，跟随一个发现者觅食；警戒者，警戒侦查，有危险放弃食物。
利用SSA算法优化Elman神经网络，具体包括：
S41:初始化SSA算法的参数，包括麻雀种群的数量，最大进化次数，安全值、发现者及警戒者比例，及需要达到的精度初始参数。
S42:将Elman神经网络的隐藏层和输出层的权值及阈值，作为SSA算法的待优化参数。
S43:算法开始搜索前，通过经验设置参数各自的优化范围，定义第i只麻雀在D维搜索空间中的位置为Xi＝[xi1，xi2，...，xid，..，xiD]，每个位置的元素代表着对应Elman神经网络隐藏层和输出层的权值和阈值。
S44:计算种群所有个体的适应度，设定适应度函数为均方误差函数：
式中，ypredicted代表预测导水裂隙带高度，yreal代表实测的导水裂隙带高度，选择适应度值最小的个体位置作为全局最优初始位置。
S45:确定位置更新公式、加入者位置更新公式和警戒者位置更新公式。
麻雀算法中的发现者负责加入者提供觅食的区域和方向，其位置更新公式如下：
式中，Xi,j为第i只麻雀在第j维的位置，j＝1,2,…,D，其中D代表的是解的维度，t为当前迭代次数。itermax为种群最大迭代次数，α为[0,1]之间的随机数。R2∈[0,1]和ST∈[0.5,1]分别代表预警值和安全值。Q为一个服从正态分布的随机数，L为一个元素全为1的1×D矩阵。
麻雀算法中的加入者位置更新公式为：
式中，Xp为当前发现者搜索到的全局最优位置，为Xworst当前全局最差位置。A是1×D矩阵，矩阵元素全部随机赋值1或-1，A+＝AT(AAT)-1，表示搜寻方向。m为麻雀种群数量，当i>m/2时，表明第i个加入者十分饥饿，需飞往其它地方觅食。
麻雀算法中的警戒者位置更新公式为：
式中，β为步长控制参数，服从N(0,1)的正态分布，k为[0,1]之间的随机数，表示麻雀种群的搜索移动方向。fi为当前个体的适应度值，fg和fw分别表示当前全局最优和最差的适应度值。当fi>fg时，处于群体外围的该麻雀受到捕食者威胁，当fi＝fg时，种群内部的麻雀会靠近其它麻雀。
S46:对比所有更新完位置的个体，比较更新前后的适应度值，以最优的适应度值对应更新最优解的位置。
S47:判断是否满足精度条件或者循环终止条件，不满足则继续返回S45进行循环求最优解，满足则输出最优解得到最优模型。
步骤5，将测试集输入优化后的Elman神经网络，之后将输出的预测结果进行反归一化得到最终的结果。
步骤6，将得到的最终结果与对应的实测值进行误差分析评价SSA-Elman模型的性能，选用MAE和RMSE作为误差分析指标。
将步骤5中得到的最终结果与实测值进行误差分析评估模型的性能，利用平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)作为评估预测模型性能的指标，公式如下。
根据以上两个指标评估预测模型的性能，之后在实施例中进行验证。
实施例1：
应用场景：选取位于鄂尔多斯侏罗系煤田南部A矿，主采煤层为侏罗系延安组上部3-1煤层，倾角1°～4°，平均厚度5.72m，3-1煤底板埋深610.62～626.17m，平均埋深620m。31110X工作面采用长壁综合机械化一次采全高采煤法，采高5.3m，斜长260m，全部垮落法管理顶板。基于A矿的工作面概况及地质条件使用本方法进行导水裂隙带高度预测，具体步骤如下：
步骤1)：收集A矿相邻的18个典型西部矿区中深埋厚煤层条件下矿井的影响导水裂隙带发育高度的关键数据：开采方式(综采、综放)IM、采高IH、工作面斜长IP、埋深ID、推进速度IV和基岩中硬软岩厚度之比IR作为输入特征，导水裂隙带实测高度y作为输出。构建的一条样本为di，如下：
di＝[IiM,IiH,IiP,IiD,IiV,IiR,yi] (1)
式中，IiM，IiH，IiP，IiD，IiV，IIR分别为第i个矿井的开采方式(综采、综放)、采高、工作面斜长、埋深、推进速度及软硬岩厚度之比，yi为第i个矿井的导水裂隙带实测高度。模型的输入向量维数是m*6，输出向量维数是m*1。
训练样本S为
其中，m是样本的总数，输入层与隐藏层之间的权重矩阵为w，阈值矩阵为γ，待优化的参数为w和γ。
步骤2)：将步骤1)中数据集S的非数值型数据(开采方式综采和综放分别定义为0和1)转为数值型数据，所搜集的数据进行缺失值处理选用K近邻缺失值填补法进行填充，该方法使用sklearn库下的KNNImputer来完成，之后进行标准化预处理。
选用min-max方法标准化数据集S，将数据映射到[0,1]之间，公式如下：
式中，xi为归一化之前的值，yi为归一化之前的值，min为数据列的最小值，max为数据列的最大值,归一化后的数据集为Snew。再按照8:2的比例将数据集随机划分为训练集和预测集分别进行训练及验证。
步骤3)：构建Elman神经网络模型。
a)如图1，首先初始化Elman网络结构，设置输入层节点为6，输出层节点为1，最大训练误差为0.0001，学习率设置0.01，动量因子0.01；
b)隐藏层神经元传递函数f采用tansig函数，输出层传递函数g选用purelin函数；
c)确定隐藏层节点数，首先采用隐藏层节点经验公式确定网络结构，公式如下，
式中，num为隐藏层节点数，m为输入层节点数，n为输出层节点数，a为[1,10]之间的整数。得到隐藏层节点数范围区间
训练完成之后，确定最佳的隐藏层节点数及相应的均方误差。
步骤4)：将训练集输入到建立的Elman模型中进行训练。如图2所示，隐藏层、输出层的输出设置为Hidden、Out，即
Hidden＝tansig{W1×Xc(k)+W2[U(k-1)+b1]} (5)
Out＝purelin{W3×X(k)+b2} (6)
式中，W1和W3分别为输入层到隐藏层、隐藏层到输出层的权重，选用tansig函数作为隐藏层神经元的传递函数，purelin函数作为输出层神经元的传递函数；U(k-1)分别为输入层的输入向量，b1、b2分别为输入层和隐藏层的阈值；X(k)和Xc(k)分别为隐藏层和承接层的输出。
利用SSA算法优化Elman神经网络并获取最优的权重和阈值矩阵，具体操作如下：
a)设置SSA算法初始化参数，SSA算法的模型参数：麻雀种群数量为30，最大进化代数为300，安全值为0.6，发现者比例为0.7，警戒者比例为0.2。
b)假设D维搜索空间中有N只麻雀，第i只麻雀在D维搜索空间中的位置即为Xi＝[xi1，xi2，...，xid，..，xiD]，则由N只麻雀组成的群体X的位置表示如下：
式中i＝1,2,…,N。xid代表在D维空间中的第i只麻雀，则所有麻雀的适应度Fx如下所示：
在SSA算法中，能量储备较高的发现者将在搜寻过程中优先获得食物。而在模型中储备能量的高低取决于麻雀个体所对应的适应度值优劣。
c)发现者通过以下公式不断更新他们的位置，计算当前个体的适应度值并更新发现者的位置：
式中，Xi,j为第i只麻雀在第j维的位置，j＝1,2,…,D，其中D代表的是解的维度，t为当前迭代次数。itermax为种群最大迭代次数，α为[0,1]之间的随机数。R2∈[0,1]和和ST∈[0.5,1]分别代表预警值和安全值。Q为一个服从正态分布的随机数，L为一个元素全为1的1×D矩阵。
d)计算当前个体的适应度值并更新加入者的位置：
式中，Xp为当前发现者搜索到的全局最优位置，为Xworst当前全局最差位置。A是1×D矩阵，矩阵元素全部随机赋值1或-1，A+＝AT(AAT)-1，表示搜寻方向。m为麻雀种群数量，当i>m/2时，表明第i个加入者十分饥饿，需飞往其它地方觅食。
e)计算当前个体的适应度值并更新发现者、加入者和警戒者的位置：
式中，β为步长控制参数，服从N(0,1)的正态分布，k为[0,1]之间的随机数，表示麻雀种群的搜索移动方向。fi为当前个体的适应度值，fg和fw分别表示当前全局最优和最差的适应度值。当fi>fg时，处于群体外围的该麻雀受到捕食者威胁，当fi＝fg时，种群内部的麻雀会靠近其它麻雀。
f)重复步骤c)到步骤e)，直到满足终止条件(达到设定的最大迭代次数或满足误差条件)，此时模型全局最优值即是Elman神经网络的权值及阈值，得到优化后的Elman模型；
g)以模型在训练过程中的均方误差作为适应度函数，具体表达式为：
式中，ypredicted代表预测导水裂隙带高度，yreal代表实测的导水裂隙带高度。
适应度函数变化曲线如图3所示。并根据种群的初始适应度计算结果进行排序，确定适应度最优pbest和最差pworst的个体。
步骤5)：进一步地，将测试集输入优化后的Elman神经网络，通过测试集的预测结果评价SSA-Elman模型的性能，具体操作：此时利用优化后的模型对测试集进行预测，将结果进行反归一化处理得到最终的结果如图4所示。
步骤6)：进一步地，将步骤5)得到的测试集最终结果与测试集样本的实测值进行误差分析评估模型的性能，选取平均绝对误差(Mean Absolute Error，MAE)和均方根误差(Root Mean Square Error，RMSE)作为评估预测模型性能的指标，公式如下：
式中，
为预测值，yi为真实值，n为样本总数。
MAE与RMSE值越小表明模型的预测值和实测值越接近。测试集中，SSA-Elman与Elman预测值的MAE分别为3.9322和55.7545，RMSE分别为4.9273，64.5445，测试集中SSA-Elman模型的性能明显优于单一Elman模型。
本实施例中A矿井实测导水裂隙带发育高度为126m，SSA-Elman神经网络预测水流断裂带的高度为124.9m，裂采比为23.51，单一Elman模型预测结果为168.9m，裂采比为31.87。因此SSA-Elman模型准确率为99.12％，相比单一的Elman神经网络高21.52％，预测效果更为贴近实际。
本发明并不局限于上述实施例，在本发明公开的技术方案的基础上，本领域的技术人员根据所公开的技术内容，不需要创造性的劳动就可以对其中的一些技术特征作出一些替换和变形，这些替换和变形均在本发明的保护范围内。
Claims (10)
1.一种基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，包括：
根据矿区中深埋厚煤层矿井水文地质与开采技术条件、工作面综合柱状基础资料，分别采集矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素数据集；
对数据集进行预处理，补齐缺失的特征数据，进行归一化处理并划分为训练集和测试集；
建立Elman神经网络模型；
将训练集输入到Elman神经网络模型中进行训练，利用SSA算法优化Elman神经网络并获取最优的权重和阈值；
将测试集输入到优化后的Elman神经网络中，将输出的预测结果进行反归一化，得到最终预测结果；
将最终预测结果与对应的实测值进行误差分析，评价SSA-Elman模型的性能。
2.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素包括：开采方式、采高、工作面斜长、埋深、推进速度和基岩中硬软岩厚度之比。
3.根据权利要求2所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，开采方式包括综采和综放。
4.根据权利要求2所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，硬软岩厚度之比为估算导水裂隙带发育到的地层内坚硬岩层或砂岩与软弱岩层或泥岩的厚度和之比。
5.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，对数据集进行预处理，采用K近邻缺失值填补法填补缺失的特征数据，采用min-max方法进行归一化，消除不同指标量级之间的影响。
6.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，建立Elman神经网络模型，具体包括：
确定Elman神经网络中的输入层、隐藏层、承接层和输出层对应的神经元初始层数及个数，输入层对应中深埋厚煤层矿井工作面影响导水裂隙带发育高度，输出层对应导水裂隙带高度；
初始化Elman网络结构最大训练误差、学习率和动量因子；
利用随即函数生成[0,1]区间的随机数作为权值及阈值初始值，形成初始的Elman神经网络。
7.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，利用SSA算法中的发现者、加入者和警戒者分别进行位置更新，加快在Elman神经网络中的权值及阈值参数的搜索范围和速度，优化SSA-ELMAN模型。
8.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，利用SSA算法优化Elman神经网络，具体包括：
初始化SSA算法的参数，包括麻雀种群的数量，最大进化次数，安全值、发现者及警戒者比例和需要达到的精度初始参数；
将Elman神经网络的隐藏层和输出层的权值及阈值，作为SSA算法的待优化参数；
算法开始搜索前，通过经验设置参数各自的优化范围，定义第i只麻雀在D维搜索空间中的位置，每个位置的元素代表着对应Elman神经网络隐藏层和输出层的权值和阈值；
计算种群所有个体的适应度，设定适应度函数为均方误差函数，选择适应度值最小的个体位置作为全局最优初始位置；
确定位置更新公式、加入者位置更新公式和警戒者位置更新公式；
对比所有更新完位置的个体，比较更新前后的适应度值，以最优的适应度值对应更新最优解的位置；
判断是否满足精度条件或者循环终止条件，不满足则继续返回S45进行循环求最优解，满足则输出最优解得到最优模型。
9.根据权利要求1所述的基于SSA-ELMAN中深埋厚煤层导水裂隙带预测方法，其特征在于，采用平均绝对误差和均方根误差作为评估预测模型性能的指标。
10.一种权利要求1-9任一项所述方法在西部深埋弱胶结基岩厚煤层导水裂隙带预测中应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210929105.XA CN115293316A (zh) | 2022-08-03 | 2022-08-03 | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210929105.XA CN115293316A (zh) | 2022-08-03 | 2022-08-03 | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115293316A true CN115293316A (zh) | 2022-11-04 |
Family
ID=83826728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210929105.XA Pending CN115293316A (zh) | 2022-08-03 | 2022-08-03 | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115293316A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343938A (zh) * | 2023-02-16 | 2023-06-27 | 重庆茂侨科技有限公司 | 一种机制砂泥粉含量测定方法 |
| 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 |
-
2022
- 2022-08-03 CN CN202210929105.XA patent/CN115293316A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116343938A (zh) * | 2023-02-16 | 2023-06-27 | 重庆茂侨科技有限公司 | 一种机制砂泥粉含量测定方法 |
| CN116343938B (zh) * | 2023-02-16 | 2023-11-14 | 重庆茂侨科技有限公司 | 一种机制砂泥粉含量测定方法 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shahin | Artificial intelligence in geotechnical engineering: applications, modeling aspects, and future directions | |
| Fattahi | Applying soft computing methods to predict the uniaxial compressive strength of rocks from schmidt hammer rebound values | |
| Santos Jr et al. | Artificial neural networks analysis of Sao Paulo subway tunnel settlement data | |
| CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
| KR101967978B1 (ko) | 쉴드 tbm의 순굴진속도 예측 장치 및 그 방법 | |
| CN106529667A (zh) | 一种大数据环境下基于模糊深度学习的测井相识别与分析方法 | |
| Shi et al. | Geology prediction based on operation data of TBM: Comparison between deep neural network and soft computing methods | |
| CN108763822B (zh) | 一种基于沉陷监测的煤矿采空区空间几何特征精准识别方法 | |
| CN113610945A (zh) | 一种基于混合神经网络的地应力曲线预测方法 | |
| CN116384554A (zh) | 机械钻速预测方法、装置、电子设备及计算机存储介质 | |
| CN106446514A (zh) | 一种基于模糊理论和神经网络的测井相识别方法 | |
| CN117852416B (zh) | 基于数字化地质模型的多模态注浆预控分析方法及系统 | |
| Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
| Fattahi et al. | Hybrid ANFIS with ant colony optimization algorithm for prediction of shear wave velocity from a carbonate reservoir in Iran | |
| CN116911216B (zh) | 一种储层油井产能因素评估与预测方法 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements | |
| Zeng et al. | Local coupled Markov chain model for simulating varied stratigraphy | |
| Wang et al. | An Improved Back Propagation Neural Network Based on Differential Evolution and Grey Wolf Optimizer and Its Application in the Height Prediction of Water-Conducting Fracture Zone | |
| CN115964667A (zh) | 基于深度学习和重采样的河流-湖泊岩相测井识别方法 | |
| Fattahi et al. | Application of adaptive neuro-fuzzy inference system for the assessment of damaged zone around underground spaces | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
| CN114970768A (zh) | 一种实时预测盾构机前方地质条件的方法 | |
| CN115046516A (zh) | 基于单滑面r型深孔测斜曲线的滑动面位置精准确定方法 | |
| Elons et al. | A proposed model for predicting the drilling path based on hybrid Pso-Bp neural network | |
| Ma et al. | Searching Method of Critical Slip Surface of Slope Based on Improved Wolf Swarm Algorithm |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230206 Address after: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Applicant after: XI'AN University OF SCIENCE AND TECHNOLOGY Applicant after: SHAANXI COAL AND CHEMICAL TECHNOLOGY INSTITUTE Co.,Ltd. Address before: 710054 No. 58, Yanta Road, Shaanxi, Xi'an Applicant before: XI'AN University OF SCIENCE AND TECHNOLOGY |