CN116680990A - 面向开采沉陷的岩体力学参数反演方法 - Google Patents
面向开采沉陷的岩体力学参数反演方法 Download PDFInfo
- Publication number
- CN116680990A CN116680990A CN202310766615.4A CN202310766615A CN116680990A CN 116680990 A CN116680990 A CN 116680990A CN 202310766615 A CN202310766615 A CN 202310766615A CN 116680990 A CN116680990 A CN 116680990A
- Authority
- CN
- China
- Prior art keywords
- rock
- mechanical parameters
- value
- rock mass
- particle
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002245 particle Substances 0.000 claims abstract description 110
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000005065 mining Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000011160 research Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000002028 premature Effects 0.000 claims description 2
- 239000003245 coal Substances 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000011065 in-situ storage Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- 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
- G06N3/004—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。该方法包括确定岩层每层力学参数取值范围并划分水平值，设计正交方案，利用UDEC构建研究区域数值模型，将参数取值样本方案输入到数值模型中进行模拟计算来构建“岩体力学参数‑评价指标”样本集；对粒子群算法的惯性权重和学习因子进行改进，利用优化的粒子群算法对极限学习机的输入层权重和隐含层偏差进行寻优，训练得到优化后的极限学习机模型，将实测的评价指标代入模型来反演岩体力学参数。本发明能够解决岩层移动、破断等各项规律研究中岩层参数的取值问题，具有更强的适用性，且显著提高了参数反演的效率和准确性，具有高效精确、简单实用的优点。
Description
技术领域
本发明属于面向开采沉陷的岩体力学参数反演领域，具体涉及基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。
背景技术
由于长期大规模的地下煤层开采，煤炭生产势必会形成采空区，随着采空区面积不断扩大，煤层的顶板失稳，顶板岩层随之发生弯曲、断裂、垮落、产生倾斜变形和水平移动等，形成地表沉陷。开采沉陷使地表变形，产生裂缝和塌陷坑，破环了原有的地表形态，使地表水通过裂缝渗入地下，引起河流流量减少，甚至出现断流等现象，也影响着植物的生长发育，同时对地面建筑也影响巨大。
煤矿开采给生态环境带来了极大的损害，开采沉陷造成的影响尤为突出，岩体变形与岩体力学参数的选择有关。岩体力学参数作为矿井工程设计和施工的基础和依据，确定岩体力学参数是确保矿山安全生产的关键。然而岩体力学参数的确定是岩体力学工程界尚未很好解决的难题，现有方法准确性和精度无法保证，岩石力学参数的选择是否合理，将直接影响数值模拟和工程设计的精度与可靠性。
目前，确定岩体力学参数的方法有经验类比法、现场原位试验法、数值模拟法、神经元网络参数预测法等。张庆松(张庆松,高延法,李术才.矿山覆岩力学参数的三维位移反演方法研究[J].金属矿山,2005(09):26-28+31)运用神经元网络的方法实现了矿区岩体参数弹性模量的反演；王哲(王哲,涂敏,李利青.小回沟煤矿基于正交试验设计的岩体力学参数反演[J].采矿与安全工程学报,2018,35(02):397-401.)利用三维数值模拟和正交试验设计法对岩体物理力学参数进行反演。现场原位试验得到的参数较为准确可靠，但试验代价昂贵，受试验条件、试验周期、试验经费等限制，只能在一些相对大型工程中进行，对于大部分工程原位试验法不太适用。因此，对一般岩体工程，往往采用经验类比法来估计岩体的力学参数，但这种方式主观性强，选择随意性大，缺乏科学的选择依据。随着机器学习和数值模拟的发展，将两者结合的智能岩体力学参数反演方法不断创新，研究新的反演方法具有重要的工程意义和学术价值。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。
为解决上述技术问题，本发明提供了一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法，利用UDEC构建研究区域数值模型，模拟计算来构建“岩体力学参数-评价指标”样本集，改进的粒子群算法来优化极限学习机，利用优化后的极限学习机来反演岩体力学参数。该方法具体包括以下步骤：
步骤1：确定岩层每层待反演的岩体力学参数取值范围，划分水平值并设计正交方案。
根据研究区域覆岩破坏形式、地质条件的不同将基岩分成不同的开采影响带，由于各区域具有不同的力学特性，需确定每层待反演的岩体力学参数；根据钻孔资料，得出相关各带岩体力学参数的取值范围；对各个参数分别按照其最大最小值均匀划分成五个水平值，选定合适的正交表，设计实验方案。
步骤2：根据研究区域对应数据建立UDEC数值模拟模型，将参数取值样本方案输入到数值模拟模型中进行模拟计算来构建“岩体力学参数-评价指标”样本集。
岩体力学参数包括弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比，评价指标包括沉陷值、水平移动、地表倾斜和曲率。
步骤2.1：根据研究区域地质条件、开采方式、工作面分布情况及室内岩体力学参数建立UDEC数值模拟模型。
步骤2.2：将每组岩体力学参数输入到UDEC数值模拟模型中进行模拟计算，将各试验方案数值模拟计算结果与该组参数组合成为一个“岩体力学参数-评价指标”学习样本，作为模型的学习样本集。
进一步地，所述步骤2.2中，采用UDEC对实验方案进行数值模拟计算，获得每个试验方案相对应的评价指标，将该参数组对应的评价指标与该参数组合成为一个“岩体力学参数-评价指标”学习样本用来训练模型，弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数作为模型的输入，沉陷值、水平移动、地表倾斜和曲率这些评价指标作为输出。
步骤3：利用“岩体力学参数-评价指标”学习样本集训练极限学习机模型，通过个体与群体最优位置的多次迭代，优化的粒子群算法选择极限学习机中岩体力学参数对应的最优输入层权重和隐含层偏差。所述步骤3包括：
步骤3.1：初始化种群，种群中每个粒子即为模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差，对其速度和位置均进行初始化；设定极限学习机输入层和隐含层神经元个数，初始化极限学习机输入层权重w和隐含层偏差b，得到输出层权重β。
步骤3.2：将极限学习机训练预测的沉陷值、水平移动、地表倾斜和曲率这些评价指标与实测的评价指标的平方根误差作为适应度函数，不断更新个体极值和全局极值(即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差)。
进一步的，在所述步骤3.2中，极限学习机的训练输出为：
式中：g(wi,bi,x)是激活函数，L是隐藏层神经元数目，βi为隐藏层与输出层之间的输出权重，i表示隐藏层神经元序号。将训练预测的沉陷值、水平移动、地表倾斜和曲率评价指标与实测评价指标的平方根误差作为适应度函数，适应度函数为：
式中：n表示样本容量，表示实测的评价指标，hj(x)表示极限学习机训练预测的评价指标，j表示样本序号；适应度函数越小，反演的岩体力学参数对应的输入层权重和隐含层偏差越准确，训练的极限学习机模型越优。
步骤3.3：根据个体极值和全局极值更新粒子的位置、速度及适应度值，判断是否满足终止条件，当满足时停止迭代，得到最优粒子位置，即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的最优输入权重和隐含层偏差。
进一步地，在所述步骤3.3中，根据粒子个体极值和群体全局极值更新每个粒子的速度、位置及计算当前粒子对应的适应度值；将计算所得的粒子群的当前适应度值与上一次迭代后的个体极值和全局极值进行比较，并更新个体极值和全局极值，不断迭代；判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件就停止迭代，最终得到最优粒子的位置，将获得的岩体力学参数对应的最优输入层权重w和隐含层偏差b赋值给极限学习机。
进一步地，在所述步骤3中，选择极限学习机模型中岩体力学参数对应的最优输入层权重和隐含层偏差，关键在于提高其全局寻优能力，优化标准粒子群算法避免粒子过早陷入局部最优，同时加快其收敛速度。
步骤4：在迭代寻找岩体力学参数对应的最优输入权重和隐含层偏差的过程中,粒子通过个体极值和全局极值更新自身的速度和位置，其标准粒子群优化算法为：
式中：i＝(1,2,…,N)表示粒子序号，d＝(1,2,…,D)表示粒子维度序号，w表示粒子的惯性权重，c1表示个体学习因子，c2表示群体学习因子，r1、r2为区间[0,1]内的随机数，增加搜索的随机性；表示粒子i在第k次迭代中第d维的速度，/>表示粒子i在第k次迭代中第d维的位置，/>表示粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后第i个粒子搜索得到的最优解，/>表示群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后整个粒子群体中的最优解。
步骤4.1：为避免岩体力学参数对应的输入权重和隐含层偏差寻优时过早陷入局部最优，将标准粒子群算法的惯性权重进行改进。
惯性权重使粒子保持运动的惯性和搜索扩展空间的趋势，值越大，探索新区域的能力越强，全局寻优能力越强，但是局部寻优能力越弱；反之，全局寻优能力越弱，局部寻优能力强。较大的惯性权重有利于全局搜索，跳出局部极值，不至于陷入局部最优；而较小的惯性权重有利于局部搜索，让算法快速收敛到最优解。为了在搜索速度和搜索精度之间达到平衡，对惯性权重进行自适应调整：
式中：wmax和wmin分别是最大最小惯性权重，一般取值为0.9和0.4，是第k次迭代时所有粒子的平均适应度，/>是第k次迭代时所有粒子的最小适应度。
步骤4.2：为了加强岩体力学参数对应的输入权重和隐含层偏差寻优时的全局收敛能力，将标准粒子群算法的学习因子进行改进。
进一步地，所述步骤4.2中，学习因子c1和c2决定粒子个体经验信息和其他粒子经验信息对寻优轨迹的影响，反映了粒子之间的交换信息，较大的c1值粒子会过多的在自身的局部范围内进行搜索，较大的c2值会使粒子过早收敛到局部最优值；因此，对学习因子进行非对称变化改进：
c1＝c1i+k*(c1f-c1i)/kmax (6)
c2＝c2i+k*(c2f-c2i)/kmax (7)
式中：参数c1i、c1f、c2i、c2f分别表示个体学习因子初始值、个体学习因子终止值、群体学习因子初始值、群体学习因子终止值，根据经验其取值分别为2.5、0.5、1、2.25，参数设置不固定，可适当修改调整；k表示迭代次数。此处的i和f是单独的字母，不表示迭代的序号，i表示initial(初始的)，f表示final(最终的)。
步骤5：训练完成后得到优化后的极限学习机模型，将实测的沉陷值、水平移动、地表倾斜和曲率评价指标代入极限学习机模型来反演岩体力学参数。
利用学习样本集训练极限学习机模型，设定输入为弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数，输出为沉陷值、水平移动、地表倾斜和曲率这些评价指标，得到岩体力学参数和评价指标之间对应的非线性函数映射关系，将研究区域实测的评价指标作为输入数据来反演岩体力学参数。
本发明的有益效果：
(1)相比传统开采沉陷手动反演岩体力学参数，本发明采用数值模拟和改进的粒子群算法优化极限学习机模型的智能反演方法，具有极强的适用性，同时也具备高效精确和简单实用的优点。
(2)模型中岩体力学参数对应的最优输入权重和隐含层偏差通常随机选取，导致泛化能力不足；改进的粒子群算法可防止参数过早陷入局部最优，加快了算法收敛速度；通过改进的粒子群算法来优化极限学习机，优化后的极限学习机模型反演的岩体力学参数更为准确。
附图说明
图1为本发明基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法的流程图；
图2为本发明实施例的UDEC数值模拟模型图；
图3为本发明改进的粒子群算法优化极限学习机参数的结构示意图；
图4为本发明实施例中反演参数数值模拟下沉量与实测下沉量对比图。
具体实施方式
下面根据附图和实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，图1为本发明的一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法的流程图。
在步骤1中，确定岩层每层待反演的岩体力学参数取值范围，划分水平值并设计正交方案。
某矿位于山西省太原市的西部，岩性以泥岩、砂岩和石灰岩为主，煤矿开采的是8#煤层，8#煤层约为3.3米，煤层埋深约为200米，煤层倾角为8°。8#煤层顶板的岩性为泥岩，开采方式为长壁顶煤层掘进开采，工作面宽200米，长1400米。力学参数根据研究区域的钻孔柱状图及相应的煤岩实验结果选取，将岩层分为弯曲带、裂隙带、垮落带。由于泊松比、内聚力和内摩擦角的数值变化量不大，按照岩块试验值进行数值计算，不进行参数反演；岩体力学参数取值范围如表1所示。
表1
对各个参数分别按照其最大最小值均匀划分成五个水平值，选定合适的正交表，设计实验方案。
在步骤2中，根据该矿对应数据建立UDEC数值模拟模型，如图2所示。模型长1000米，高340米，采用Coulomb-Moore模型作为构成模型，模型的底部在两个方向上都是固定的，左右两边在水平方向上是固定的，垂直方向是自由的，设置20个测点。
对实验方案进行数值模拟计算，获得每个试验方案相对应的下沉量，将该参数组对应的下沉量与该参数组合成为一个“岩体力学参数-下沉量”学习样本用来训练模型，弹性模量Ei和抗拉强度Ti作为模型的输入，下沉量作为输出。
在步骤3中，利用“岩体力学参数-下沉量”学习样本集训练极限学习机模型，优化的粒子群算法选择极限学习机最优的输入层权重和隐含层偏差。
在步骤3.1中，初始化种群，种群中每个粒子即为模型中弹性模量Ei和抗拉强度Ti对应的输入层权重和隐含层偏差，对其速度和位置均进行初始化；设定极限学习机输入层和隐含层神经元个数，初始化极限学习机输入层权重w和隐含层偏差b，得到输出层权重β。
在步骤3.2中，将极限学习机训练预测的沉陷值与实测沉陷值的平方根误差作为适应度函数，不断更新个体极值和全局极值。
进一步的，在所述步骤3.2中，极限学习机的训练输出为：
在上式中，取sigmoid为激活函数，L是隐藏层神经元数目，βi为隐藏层与输出层之间的输出权重。将训练预测的沉陷值与实测沉陷值的平方根误差作为适应度函数，适应度函数为：
式中：n表示样本容量，表示实测的沉陷值，hj(x)表示极限学习机的训练预测的沉陷值；适应度函数越小，反演的弹性模量Ei和抗拉强度Ti对应的输入层权重和隐含层偏差越准确，训练的极限学习机模型越优。
在步骤3.3中，根据个体极值和全局极值更新粒子的位置、速度及适应度值，判断是否满足中止条件，当满足时停止迭代，得到最优粒子位置，即最优输入权重和隐含层偏差，如图3所示，改进的粒子群算法作用于极限学习机隐含层以寻求最优wi和bi，极大提升极限学习机性能。
进一步的，在所述步骤3.3中，根据粒子个体极值和群体全局极值更新每个粒子的速度、位置及计算当前粒子对应的适应度值；将计算所得的粒子群的当前适应度值与上一次迭代后的个体极值和全局极值进行比较，并更新个体极值和全局极值，不断迭代。
判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，在该例中设定迭代次数为50次，满足条件就停止迭代，最终得到最优粒子的位置，将获得的模型中弹性模量Ei和抗拉强度Ti对应的最优输入层权重w和隐含层偏差b赋值给极限学习机。
进一步的，在所述步骤3中，选择极限学习机模型中弹性模量Ei和抗拉强度Ti对应的最优输入层权重和隐含层偏差关键在于提高其全局寻优能力，优化标准粒子群算法避免粒子过早陷入局部最优，同时加快其收敛速度。
在步骤4中，在迭代寻找弹性模量Ei和抗拉强度Ti对应的最优输入层权重w和隐含层偏差b的过程中,粒子通过个体极值和全局极值更新自身的速度和位置，其标准粒子群优化算法为：
式中：i＝(1,2,…,N)表示粒子序号，d＝(1,2,…,D)表示粒子维度序号，w表示粒子的惯性权重，c1表示个体学习因子，c2表示群体学习因子，r1，r2为区间[0,1]内的随机数，增加搜索的随机性；表示粒子i在第k次迭代中第d维的速度，/>表示粒子i在第k次迭代中第d维的位置，/>表示粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后第i个粒子搜索得到的最优解，/>表示群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后整个粒子群体中的最优解。
在步骤4.1中，为避免弹性模量Ei和抗拉强度Ti对应的输入权重和隐含层偏差寻优时过早陷入局部最优，将标准粒子群算法的惯性权重进行改进。
惯性权重使粒子保持运动的惯性和搜索扩展空间的趋势，值越大，探索新区域的能力越强，全局寻优能力越强，但是局部寻优能力越弱；反之，全局寻优能力越弱，局部寻优能力强。较大的惯性权重有利于全局搜索，跳出局部极值，不至于陷入局部最优；而较小的惯性权重有利于局部搜索，让算法快速收敛到最优解。为了在搜索速度和搜索精度之间达到平衡，对惯性权重进行自适应调整：
式中：wmax和wmin分别是最大最小惯性权重，一般取值为0.9和0.4，是第k次迭代时所有粒子的平均适应度，/>是第k次迭代时所有粒子的最小适应度。
在步骤4.2中，为了加强弹性模量Ei和抗拉强度Ti对应的输入权重和隐含层偏差寻优时的全局收敛能力，将标准粒子群算法的学习因子进行改进。
进一步的，所述步骤4.2中，学习因子c1和c2决定粒子个体经验信息和其他粒子经验信息对寻优轨迹的影响，反映了粒子之间的交换信息，较大的c1值粒子会过多的在自身的局部范围内进行搜索，较大的c2值会使粒子过早收敛到局部最优值；因此，对学习因子进行非对称变化改进：
c1＝c1i+k*(c1f-c1i)/kmax (6)
c2＝c2i+k*(c2f-c2i)/kmax (7)
在上式中：参数c1i、c1f、c2i、c2f分别表示个体学习因子初始值、个体学习因子终止值、群体学习因子初始值、群体学习因子终止值，根据经验其取值分别为2.5、0.5、1、2.25。
在步骤5中，训练完成后得到弹性模量Ei和抗拉强度Ti和下沉量之间对应的非线性函数映射关系，将实测的下沉量代入极限学习机模型来反演弹性模量Ei和抗拉强度Ti。
将反演出的弹性模量Ei和抗拉强度Ti代入UDEC数值模型中，模拟计算下沉量，对比实测的下沉量和模拟出来的下沉量，图4直观展示了模型反演的可靠性和误差大小，证明改进的粒子群算法优化极限学习机在岩体力学参数反演中起到了不错的效果。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种面向开采沉陷的岩体力学参数反演方法，其特征在于：利用UDEC构建研究区域数值模型，模拟计算来构建“岩体力学参数-评价指标”样本集，岩体力学参数包括弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比，评价指标包括沉陷值、水平移动、地表倾斜和曲率；利用学习样本集训练极限学习机模型，设定输入为弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数，输出为沉陷值、水平移动、地表倾斜和曲率这些评价指标，得到岩体力学参数和评价指标之间对应的非线性函数映射关系，将研究区域实测的评价指标作为输入数据来反演岩体力学参数。
2.根据权利要求1所述的面向开采沉陷的岩体力学参数反演方法，其特征在于包括以下步骤：
步骤1：确定岩层每层待反演的岩体力学参数取值范围，划分水平值并设计正交方案；
步骤2：根据研究区域对应数据建立UDEC数值模拟模型，将参数取值样本方案输入到数值模拟模型中进行模拟计算来构建“岩体力学参数-评价指标”样本集；
步骤3：利用“岩体力学参数-评价指标”学习样本集训练极限学习机模型，通过个体与群体最优位置的多次迭代，优化的粒子群算法选择极限学习机中岩体力学参数对应的最优输入层权重和隐含层偏差；
步骤4：在迭代寻找岩体力学参数对应的最优输入权重和隐含层偏差的过程中,粒子通过个体极值和全局极值更新自身的速度和位置；
步骤5：训练完成后得到优化后的极限学习机模型，将实测的沉陷值、水平移动、地表倾斜和曲率评价指标代入极限学习机模型来反演岩体力学参数。
3.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于步骤1为：根据研究区域覆岩破坏形式、地质条件的不同将基岩分成不同的开采影响带，由于各区域具有不同的力学特性，需确定每层待反演的岩体力学参数；根据钻孔资料，得出相关各带岩体力学参数的取值范围；对各个参数分别按照其最大最小值均匀划分成五个水平值，选定合适的正交表，设计实验方案。
4.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于步骤2具体包括以下内容：
步骤2.1：根据研究区域地质条件、开采方式、工作面分布情况及室内岩体力学参数建立UDEC数值模拟模型；
步骤2.2：将每组岩体力学参数输入到UDEC数值模拟模型中进行模拟计算，将各试验方案数值模拟计算结果与该组参数组合成为一个“岩体力学参数-评价指标”学习样本，作为模型的学习样本集。
5.根据权利要求4所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤2.2中，采用UDEC对实验方案进行数值模拟计算，获得每个试验方案相对应的评价指标，将该参数组对应的评价指标与该参数组合成为一个“岩体力学参数-评价指标”学习样本用来训练模型，弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数作为模型的输入，沉陷值、水平移动、地表倾斜和曲率这些评价指标作为输出。
6.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤3包括：
步骤3.1：初始化种群，种群中每个粒子即为模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差，对其速度和位置均进行初始化；设定极限学习机输入层和隐含层神经元个数，初始化极限学习机输入层权重w和隐含层偏差b，得到输出层权重β；
步骤3.2：将极限学习机训练预测的沉陷值、水平移动、地表倾斜和曲率这些评价指标与实测的评价指标的平方根误差作为适应度函数，不断更新个体极值和全局极值；即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差；
步骤3.3：根据个体极值和全局极值更新粒子的位置、速度及适应度值，判断是否满足终止条件，当满足时停止迭代，得到最优粒子位置，即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的最优输入权重和隐含层偏差。
7.根据权利要求6所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤3.2中，极限学习机的训练输出为：
式中：g(wi,bi,x)是激活函数，L是隐藏层神经元数目，βi为隐藏层与输出层之间的输出权重，i表示隐藏层神经元序号；将训练预测的沉陷值、水平移动、地表倾斜和曲率评价指标与实测评价指标的平方根误差作为适应度函数，适应度函数为：
式中：n表示样本容量，表示实测的评价指标，hj(x)表示极限学习机训练预测的评价指标，j表示样本序号；适应度函数越小，反演的岩体力学参数对应的输入层权重和隐含层偏差越准确，训练的极限学习机模型越优。
8.根据权利要求6所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤3.3中，根据粒子个体极值和群体全局极值更新每个粒子的速度、位置及计算当前粒子对应的适应度值；将计算所得的粒子群的当前适应度值与上一次迭代后的个体极值和全局极值进行比较，并更新个体极值和全局极值，不断迭代；判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件就停止迭代，最终得到最优粒子的位置，将获得的岩体力学参数对应的最优输入层权重w和隐含层偏差b赋值给极限学习机。
9.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤4中，标准粒子群优化算法为：
式中：i＝(1,2,…,N)表示粒子序号，d＝(1,2,…,D)表示粒子维度序号，w表示粒子的惯性权重，c1表示个体学习因子，c2表示群体学习因子，r1、r2为区间[0,1]内的随机数，增加搜索的随机性；表示粒子i在第k次迭代中第d维的速度，/>表示粒子i在第k次迭代中第d维的位置，/>表示粒子i在第k次迭代中第d维的历史最优位置，即在第k次迭代后第i个粒子搜索得到的最优解，/>表示群体在第k次迭代中第d维的历史最优位置，即在第k次迭代后整个粒子群体中的最优解。
10.根据权利要求9所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：步骤4的具体过程如下：
步骤4.1：为避免岩体力学参数对应的输入权重和隐含层偏差寻优时过早陷入局部最优，将标准粒子群算法的惯性权重进行改进；
惯性权重使粒子保持运动的惯性和搜索扩展空间的趋势，值越大，探索新区域的能力越强，全局寻优能力越强，但是局部寻优能力越弱；反之，全局寻优能力越弱，局部寻优能力强；为了在搜索速度和搜索精度之间达到平衡，对惯性权重进行自适应调整：
式中：wmax和wmin分别是最大最小惯性权重，一般取值为0.9和0.4，是第k次迭代时所有粒子的平均适应度，/>是第k次迭代时所有粒子的最小适应度；
步骤4.2：为了加强岩体力学参数对应的输入权重和隐含层偏差寻优时的全局收敛能力，将标准粒子群算法的学习因子进行改进：
学习因子c1和c2决定粒子个体经验信息和其他粒子经验信息对寻优轨迹的影响，反映了粒子之间的交换信息，较大的c1值粒子会过多的在自身的局部范围内进行搜索，较大的c2值会使粒子过早收敛到局部最优值；因此，对学习因子进行非对称变化改进：
c1＝c1i+k*(c1f-c1i)/kmax (6)
c2＝c2i+k*(c2f-c2i)/kmax (7)
式中：参数c1i、c1f、c2i、c2f分别表示个体学习因子初始值、个体学习因子终止值、群体学习因子初始值、群体学习因子终止值，根据经验其取值分别为2.5、0.5、1、2.25，参数设置不固定；k表示迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310766615.4A CN116680990A (zh) | 2023-06-27 | 2023-06-27 | 面向开采沉陷的岩体力学参数反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310766615.4A CN116680990A (zh) | 2023-06-27 | 2023-06-27 | 面向开采沉陷的岩体力学参数反演方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116680990A true CN116680990A (zh) | 2023-09-01 |
Family
ID=87783721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310766615.4A Pending CN116680990A (zh) | 2023-06-27 | 2023-06-27 | 面向开采沉陷的岩体力学参数反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116680990A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217121A (zh) * | 2023-09-14 | 2023-12-12 | 国网新源集团有限公司 | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 |
| CN117312808A (zh) * | 2023-11-30 | 2023-12-29 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
| CN117452802A (zh) * | 2023-11-08 | 2024-01-26 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法和系统 |
-
2023
- 2023-06-27 CN CN202310766615.4A patent/CN116680990A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117217121A (zh) * | 2023-09-14 | 2023-12-12 | 国网新源集团有限公司 | 基于分布式并行topso-ewoa-de算法的岩体力学参数反演方法及系统 |
| CN117452802A (zh) * | 2023-11-08 | 2024-01-26 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法和系统 |
| CN117452802B (zh) * | 2023-11-08 | 2024-05-14 | 上海上源泵业制造有限公司 | 一种低碳供水控制方法 |
| CN117312808A (zh) * | 2023-11-30 | 2023-12-29 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
| CN117312808B (zh) * | 2023-11-30 | 2024-02-06 | 山东省科学院海洋仪器仪表研究所 | 一种海面空气动力学粗糙度的计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116680990A (zh) | 面向开采沉陷的岩体力学参数反演方法 | |
| CN104182622B (zh) | 基于极限学习机的隧道施工中的反馈分析方法及其装置 | |
| Peck et al. | Quantifying CO2 storage efficiency factors in hydrocarbon reservoirs: a detailed look at CO2 enhanced oil recovery | |
| CN106894761A (zh) | 利用时间域地震体的地质导向模型的地质导向方法 | |
| CN110805469A (zh) | 山岭隧道钻爆法施工掌子面稳定性分级方法 | |
| CN114357750B (zh) | 一种采空区充水状态评估方法 | |
| CN115115180A (zh) | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 | |
| CN111932387B (zh) | 基于改进Boltzmann函数的开采沉陷预测方法 | |
| CN110852908A (zh) | 围岩分级方法 | |
| CN109190136A (zh) | 面向地表沉陷动态预计的数值模型岩体力学参数加权反演方法 | |
| CN109653728A (zh) | 一种基于向量相似度的井眼轨迹钻前模拟方法 | |
| CN113408184A (zh) | 基于遗传算法和离散元分析法的锚固边坡安全性评价方法 | |
| CN105242328A (zh) | 古热岩石圈厚度的确定方法及装置 | |
| CN115293316A (zh) | 基于ssa-elman中深埋厚煤层导水裂隙带预测方法 | |
| CN104390534A (zh) | 一种隧道光面爆破质量控制方法 | |
| CN110705168A (zh) | 构造应力场的模拟方法 | |
| CN111738501A (zh) | 一种地下开采引起矿区地表变形中短期预测方法 | |
| CN112523744A (zh) | 一种薄差层水平井井位设计及实时跟踪导向方法 | |
| CN110443890A (zh) | 原地浸出矿床地层建模方法 | |
| Yu et al. | Deformation extent prediction of roadway roof during non-support period using support vector regression combined with swarm intelligent bionic optimization algorithms | |
| CN108917504B (zh) | 一种炮孔自适应布置方法 | |
| KR20220161822A (ko) | 천공장비의 최적 세팅조건 산정 시스템 및 방법 | |
| RU2386032C1 (ru) | Способ определения содержания полезного компонента во взорванной горной массе при ее выемке на карьерах | |
| Nikakhtar et al. | Performance comparison of particle swarm optimization and genetic algorithm for back-analysis of soil layer geotechnical parameters | |
| CN109241489B (zh) | 一种开采沉陷动态预计的新方法 |
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 |