CN116822328A - 一种矿山采空区地表沉陷预计参数的确定方法 - Google Patents
一种矿山采空区地表沉陷预计参数的确定方法 Download PDFInfo
- Publication number
- CN116822328A CN116822328A CN202310525939.9A CN202310525939A CN116822328A CN 116822328 A CN116822328 A CN 116822328A CN 202310525939 A CN202310525939 A CN 202310525939A CN 116822328 A CN116822328 A CN 116822328A
- Authority
- CN
- China
- Prior art keywords
- parameters
- mining
- fitness
- determining
- fuzzy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005065 mining Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000002922 simulated annealing Methods 0.000 claims description 12
- 239000003245 coal Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 18
- 230000000052 comparative effect Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Abstract
本发明公开了一种矿山采空区地表沉陷预计参数的确定方法,进行概率积分法预计参数分析,获取矿区工作面地质采矿条件参数,确定输入变量;对地质采矿参数数据进行预处理形成数据集,并划分为训练集和测试集;构建模糊神经网络模型,训练集用于训练网络,在训练好网络后利用测试集来验证网络的预测性能;确定模糊神经网络可以优化的参数,采用SA‑IRMO算法的全局优化性能对参数进行优化,获取最佳参数;将优化后的最佳参数重新赋值给模糊神经网络模型,经训练和仿真得到最优的矿山采空区地表沉陷预计参数。本发明采用模糊神经网络与SA‑IRMO算法结合使用,在该计算方法能够保留计算模型容错性的同时,又可以提高收敛速度和预测精度。
Description
技术领域
本发明涉及矿山地表沉陷预计技术领域,尤其涉及一种矿山采空区地表沉陷预计参数的确定方法。
背景技术
在对矿区开采沉陷预计过程中,概率积分法因其具有高精度、计算简便、所需参数少等特点而被广泛应用,概率积分法预计参数的准确选取与矿区地质条件存在着复杂的非线性关系,无法通过简单的函数模型进行描述,可以通过建立神经网络来确定概率积分法预计参数,目前,已有诸多人工智能和机器学习的算法用于确定概率积分法预计参数,其中,神经网络是最早发展起来的,其具有很强的非线性映射能力和自适应学习能力,但需要训练多次才有可能得到较好的预测结果,而模糊逻辑推理具有处理模糊语言信息的能力。
模糊神经网络就是将神经网络与模糊推理相结合的产物,其既具有自适应学习的能力,又对模糊随机的不确定信息具有较强的容错性,但其仍然存在训练速度慢和预测精度不高等问题。综上所述,需要一种矿山采空区地表沉陷预计参数的确定方法以解决现有技术中存在的训练速度慢及预测精度不高的问题。
发明内容
本发明目的在于提供一种矿山采空区地表沉陷预计参数的确定方法,具体技术方案如下:
一种矿山采空区地表沉陷预计参数的确定方法,包括如下步骤:
步骤S1、对概率积分法预计参数进行分析,获取矿区工作面地质采矿条件参数,确定输入变量;
步骤S2、对地质采矿条件参数数据进行预处理形成数据集,并划分为训练集和测试集;
步骤S3、构建模糊神经网络模型,训练集用于训练网络,在训练好网络后利用测试集来验证网络的预测性能;
步骤S4、确定模糊神经网络可以优化的参数,SA(模拟退火算法)-IRMO(改进的径向移动算法)算法的全局优化性能对参数进行优化,获取最佳参数;
步骤S5、将优化后的最佳参数重新赋值给模糊神经网络模型,经训练和仿真即可得到最优的矿山采空区地表沉陷预计参数。
优选的,所述步骤S1中,确定的输入变量为7个地质采矿条件参数作为输入参数,即平均开采深度H、松散层厚度h、采动程度c、煤层倾角α、煤层开采厚度M、上覆岩层平均坚固性系数f以及是否重复采动,其中,0代表初次开采,1代表重复采动。
优选的,所述步骤S2中的预处理包括如下步骤:
步骤S2.1、由于在运用概率积分法对矿山地表沉降进行预计计算的过程中,输入参数和输出参数的类型各不相同,数值大小及单位都有所差别,会导致后期的神经网络训练误差增大,因此需要对训练样本中的不同变量进行归一化处理。具体为:
其中,pu,j为第u组数据中第j个变量;pjmax和pjmin分别为第j个变量中最小值和最大值;pu′,j为归一化后的值。
优选的,所述步骤S3中,模糊神经网络模型选用T-S型模糊推理系统,其中,T-S型模糊推理系统采用T-S模糊模型是Takagi和Sugeno于1985年提出的一种的模糊推理模型。T-S模糊系统可以很好地描述非线性系统;因其推理规则的后件采用输入信号的线性或非线性函数的形式,每条规则包含了更多的信息,所以可以采用较少的规则来表达更多的系统信息。
具体包括如下步骤:
步骤S3.1、采用隶属度函数对输入变量进行模糊化,选用的隶属度函数为高斯型隶属度函数,具体公式如下:
其中,μAj,k为第j个输入变量对第k个模糊规则的隶属度值;xj为第j个输入变量;cj,k和σj,k为第k个模糊规则的中心和宽度,v为模糊规则数。
步骤S3.2、在每个模糊规则下对模糊集合隶属度进行运算和归一化,第k个模糊集合的隶属度ωk计算如下式:
归一化后的规范化输出为:
步骤S3.3、根据模糊规则计算输出层,
优选的,所述步骤S4中,采用改进径向移动算法的全局优化性能对参数进行优化包括如下步骤:
步骤S4.1、将可优化参数作为SA-IRMO算法的自变量,设置各参数的取值范围,在该范围内生成nop个初始位置点,建立初始种群。所述初始位置点的数值信息,设置模拟退火算法中的初始温度,通过计算式得出;
所述计算式为Xm,n=xnmin+rand(0,1)(xnmax–xnmin)
其中,Xm,n为生成的第m个初始位置点的第n个可优化参数;rand(0,1)为在0到1之间的随机数;xnmin、xnmax为第n个可优化参数的最小值和最大值。
步骤S4.2、将各初始位置点赋值给模糊神经网络模型,经模型训练和测试后,将预测得到的测试集输出与真实值进行对比,计算均方误差,并作为改进径向移动算法的适应度函数,具体计算式(1)如下:
其中,N为模糊神经网络模型数据集中测试集的个数;ti为模糊神经网络模型数据集中第i个测试集输出变量的预测值;yi为模糊神经网络模型数据集中第i个测试集输出变量的真实值;
步骤S4.3、采用适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定矿山采空区地表沉陷预计参数的预测值的最优位置,并将其定义为初始中心位置;
步骤S4.4、采用SA-IRMO算法设定的更新条件在第r-1代中心位置的±0.5(xnmax-xnmin)wr范围内生成新的预位置点,并计算适应度值,更新位置信息;其中,xnmin、xnmax为第n个可优化参数的最小值和最大值;wr为惯性权值;
步骤S4.5、基于Metropolis准则运用模拟退火算法进行搜索判定,在搜索全局最优解的过程中,能够以一定概率跳出局部最优解,从而寻找到目标函数的全局最优解。其中,Metropolis准则为在模拟退火算法中判断新解是否被接受所依据的一种接收准则。
步骤S4.6、由步骤S4.4更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限且全局最优位置的适应度值小于0.01,则更新结束;反之,则重复步骤S4.4-S4.6直至更新结束;
步骤S4.7、当SA-IRMO算法计算达到最大迭代次数时,算法终止。最终得到的全局最优位置所包含的参数即为最佳参数。
优选的,所述步骤S4.4包括以下步骤:
步骤S4.4.1、确定生成新的预位置点的更新条件,具体的,
其中,是指第r代新生成的第m个位置点的第n个可优化参数;/>是指第r代中心位置的第n个可优化参数;G是指最大迭代次数;
步骤S4.4.2、采用SA-IRMO算法设定的更新条件生成新的预位置点并通过所述计算式(1)适应度函数计算出各预位置点/>对应的适应度值/>
步骤S4.4.3、更新位置信息,具体的,将第r代预位置点的适应度值与第r-1代位置点的适应度值/>进行比较,若/>则需要更新位置点信息,令/>否则,令其中,/>为第r代第m个位置点;/>为第r-1代第m个位置点;/>为第r代生成的第m个预位置点。
优选的,所述步骤S4.6包括以下步骤:
步骤S4.6.1、确定当代最优位置Rbestxr和全局最优位置Gbestx_plusr,具体的,将更新后的第r代中的中的最小值的位置点作为当代最优位置Rbestxr;当r=1时,当代最优位置Rbestx1为第一代的全局最优位置Gbestx_plus1;
步骤S4.6.2、当r≥2时,更新全局最优位置,具体的,比较当代最优位置的Rbestxr的适应度值Fitness(Rbestxr)与模拟退火后的全局最优位置Gbestx_plusr-1的适应度值Fitness(Gbestx_plusr-1);若Fitness(Rbestxr)<Fitness(Gbestx_plusr-1),则需要更新全局最优位置,令Fitness(Gbestx_plusr)=Fitness(Rbestxr),Gbestx_plusr=Rbestxr;否则令Fitness(Gbestx_plusr)=Fitness(Gbestx_plusr-1),Gbestx_plusr=Gbestx_plusr-1。
优选的,在步骤S4.4中,中心位置随着当代最优位置的Rbestxr和模拟退火后的全局最优位置Gbestx_plusr的移动而移动,具体的,
Centrer=Centrer-1+0.4(Gbestx_plusr-Centrer-1)+0.5(Rbestxr-Centrer-1),
其中,Centrer为第r代的中心位置;Centrer-1为第r-1代的中心位置。
应用本发明的技术方案,至少具有以下有益效果:
本发明采用模糊神经网络与SA-IRMO算法结合使用,具体的,在建立模糊神经网络模型后,将训练好的网络用于预测样本,计算样本误差;将误差函数作为改进径向移动算法的适应度函数,对模糊神经网络中的可优化参数进行优化;在得到最优参数后,将最优参数赋值给模糊神经网络,再通过模糊神经网络的训练和仿真,即可得到最优的矿山采空区地表沉陷预计参数预测值。在模拟退火算法以一定程度上接受劣解作为下次迭代的基础上,在该计算方法能够保留计算模型容错性的同时,又可以提高收敛速度和预测精度。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在图中,在不同的视图中,相同的附图标记指定对应的部分。
图1是本发明实施例1中的一种矿山采空区地表沉陷预计参数的确定方法的流程示意图;
图2是本发明实施例1中的一种矿山采空区地表沉陷预计参数的确定方法求解确定参数水平移动系数b在迭代过程中Rbest和Gbest变化图;
图3是本发明实施例1和对比例1训练样本预测值的统计图比较;
图4(a)-(c)是本发明实施例1和对比例1训练样本的预测误差,其中,4(a)是对开采影响传播角θ的预测误差图,4(b)是对主要影响角正切值的预测误差图,4(c)是对水平移动系数的预测误差图;
图5(a)-(e)是本发明实施例1和对比例1测试样本预测值的比较;
图6是本发明实施例1和对比例1测试样本的预测误差;
图7是本发明一实施例中采用SA-IRMO算法的全局优化性能对参数进行优化的流程图;
图8是本发明一种矿山采空区地表沉陷预计参数的确定方法的整体流程图。
具体实施方式
下面将结合附图及实施例对本发明的技术方案进行更详细的说明。
现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身并没有特定的意义。因此,"模块"与"部件"可以混合地使用。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图8所示,一种矿山采空区地表沉陷预计参数的确定方法,包括如下步骤:
步骤S1、对概率积分法预计参数进行分析,获取矿区工作面地质采矿条件参数,确定输入变量;
步骤S2、对地质采矿条件参数数据进行预处理形成数据集,并划分为训练集和测试集;
步骤S3、构建模糊神经网络模型,训练集用于训练网络,在训练好网络后利用测试集来验证网络的预测性能;
步骤S4、确定模糊神经网络可以优化的参数,SA-IRMO算法的全局优化性能对参数进行优化,获取最佳参数;
步骤S5、将优化后的最佳参数重新赋值给模糊神经网络模型,经训练和仿真即可得到最优的矿山采空区地表沉陷预计参数。
所述步骤S1中,确定的输入变量为7个地质采矿条件参数,即平均开采深度H、松散层厚度h、采动程度c、煤层倾角α、煤层开采厚度M、上覆岩层平均坚固性系数f以及是否重复采动,其中,0代表初次开采,1代表重复采动以及概率积分参数下沉系数q。
所述步骤S2中的预处理包括如下步骤:
步骤S2.1、由于在运用概率积分法对矿山地表沉降进行预计计算的过程中,输入参数和输出参数的类型各不相同,数值大小及单位都有所差别,会导致后期的神经网络训练误差增大,因此需要对训练样本中的不同变量进行归一化处理。具体为:
其中,pu,j为第i组数据中第j个变量;pjmin和pjmax分别为第j个变量中最小值和最大值;pu′,j为归一化后的值。
所述步骤S3中,模糊神经网络模型选用T-S型模糊推理系统,具体包括如下步骤:
步骤S3.1、采用隶属度函数对输入变量进行模糊化,选用的隶属度函数为高斯型隶属度函数,具体公式如下:
其中,μAj,k为第j个输入变量对第k个模糊规则的隶属度值;xj为第j个输入变量;cj,k和σj,k为第k个模糊规则的中心和宽度,v为模糊规则数。
步骤S3.2、在每个模糊规则下对模糊集合隶属度进行运算和归一化,第k个模糊集合的隶属度ωk计算如下式:
归一化后的规范化输出为:
步骤S3.3、根据模糊规则计算输出层,
所述步骤S4中,模糊神经网络可以优化的模型参数有cj,k、σj,k、H、h、c、α、M、f和是否重复采动pk。选取7个地质采矿条件参数作为输入参数,即平均开采深度H、松散层厚度h、采动程度c、煤层倾角α、煤层开采厚度M、上覆岩层平均坚固性系数f以及是否重复采动,其中,0代表初次开采,1代表重复采动。输出参数为5个概率积分法预计参数:下沉系数q、水平移动系数b、主要影响角正切值tanβ、拐点偏移距s和开采影响传播角θ。
所述步骤S4中,采用SA-IRMO算法的全局优化性能对参数进行优化包括如下步骤:
步骤S4.1、将可优化参数作为SA-IRMO算法的自变量,设置各参数的取值范围,在该范围内生成nop个初始位置点,建立初始种群。所述初始位置点的数值信息,设置模拟退火算法中的初始温度,通过计算式得出;
所述计算式为Xm,n=xnmin+rand(0,1)(xnmax–xnmin)
其中,Xm,n为生成的第m个初始位置点的第n个可优化参数;rand(0,1)为在0到1之间的随机数;xnmin、xnmax为第n个可优化参数的最小值和最大值。
步骤S4.2、将各初始位置点赋值给模糊神经网络模型,经模型训练和测试后,将预测得到的测试集输出与真实值进行对比,计算均方误差,并作为改进径向移动算法的适应度函数,具体计算式(1)如下:
其中,N为模糊神经网络模型数据集中测试集的个数;ti为模糊神经网络模型数据集中第i个测试集输出变量的预测值;yi为模糊神经网络模型数据集中第i个测试集输出变量的真实值;
步骤S4.3、采用适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定矿山采空区地表沉陷预计参数的预测值的最优位置,并将其定义为初始中心位置;
步骤S4.4、采用SA-IRMO算法设定的更新条件在第r-1代中心位置的±0.5(xnmax-xnmin)wr范围内生成新的预位置点,并计算适应度值,更新位置信息;其中,xnmin、xnmax为第n个可优化参数的最小值和最大值;wr为惯性权值;
步骤S4.5、基于Metropolis准则运用模拟退火算法进行搜索判定,在搜索全局最优解的过程中,能够以一定概率跳出局部最优解,从而寻找到目标函数的全局最优解,具体流程如图7所示;
步骤S4.6、由步骤S4.4更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限且全局最优位置的适应度值小于0.01,则更新结束;反之,则重复步骤S4.4-S4.6直至更新结束;
步骤S4.7、当SA-IRMO算法计算达到最大迭代次数时,算法终止。最终得到的全局最优位置所包含的参数即为最佳参数。
所述步骤S4.4包括以下步骤:
步骤S4.4.1、确定生成新的预位置点的更新条件,具体的,
其中,是指第r代新生成的第m个位置点的第n个可优化参数;/>是指第r代中心位置的第n个可优化参数;G是指最大迭代次数;
步骤S4.4.2、采用SA-IRMO算法设定的更新条件生成新的预位置点并通过所述计算式(1)适应度函数计算出各预位置点/>对应的适应度值/>
步骤S4.4.3、更新位置信息,具体的,将第r代预位置点的适应度值与第r-1代位置点的适应度值/>进行比较,若/>则需要更新位置点信息,令/>否则,令其中,/>为第r代第m个位置点;/>为第r-1代第m个位置点;/>为第r代生成的第m个预位置点。
所述步骤S4.6包括以下步骤:
步骤S4.6.1、确定当代最优位置Rbestxr和全局最优位置Gbestx_plusr,具体的,将更新后的第r代中的中的最小值的位置点作为当代最优位置Rbestxr;当r=1时,当代最优位置Rbestx1为第一代的全局最优位置Gbestx_plus1;
步骤S4.6.2、当r≥2时,更新全局最优位置,具体的,比较当代最优位置的Rbestxr的适应度值Fitness(Rbestxr)与模拟退火后的全局最优位置Gbestx_plusr-1的适应度值Fitness(Gbestx_plusr-1);若Fitness(Rbestxr)<Fitness(Gbestx_plusr-1),则需要更新全局最优位置,令Fitness(Gbestx_plusr)=Fitness(Rbestxr),Gbestx_plusr=Rbestxr;否则令Fitness(Gbestx_plusr)=Fitness(Gbestx_plusr-1),Gbestx_plusr=Gbestx_plusr-1。
在步骤S4.4中,中心位置随着当代最优位置的Rbestxr和模拟退火后的全局最优位置Gbestx_plusr的移动而移动,具体的,
Centrer=Centrer-1+0.4(Gbestx_plusr-Centrer-1)+0.5(Rbestxr-Centrer-1),
其中,Centrer为第r代的中心位置;Centrer-1为第r-1代的中心位置。
实施例1获取了有关矿山地表沉陷概率积分法预计参数的74组地质采矿条件参数数据,其中70组作为训练集,4组作为测试集。模糊神经网络模型的学习目标设置为0.001,学习率设置为0.05,迭代次数设置为100,模糊规则数设置为12。改进径向移动算法的最大迭代次数G设置为100,每次迭代时生成的预位置点个数nop设置为50。
对比例1:
仅采用BP-GA算法对矿山地表沉陷概率积分法预计参数进行预,学习速率设置为0.01,迭代次数设置为100。
采用实施例1和对比例1中的预测方法对地质采矿条件参数数据的分析结果见图3~6。
从图2可以看出,随着迭代次数的增加,预测误差不断减小;且迭代次数达到接近90代时,预测误差趋于稳定。说明实施例1中的预测方法具有良好的收敛性。图3、图4(a)~4(c)为实施例1和对比例1的训练样本的参数预测值及预测误差,可以看出实施例1的预测值更接近真实值。图5~6为实施例1和对比例1的测试样本的预测值及预测误差,可以看出实施例1的预测值极为接近真实值。因此,实施例1采用的基于一种矿山采空区地表沉陷预计参数的确定方法具有良好的性能。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明,但是应当理解,在不脱离本发明的范围的情况下,可以进行许多改变和修改。因此,其旨在上述详细描述被认为是例示性的而非限制性的,并且应当理解,以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (10)
1.一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,包括如下步骤:
步骤S1、对概率积分法预计参数进行分析,获取矿区工作面地质采矿条件参数,确定输入变量;
步骤S2、对地址采矿条件参数数据进行预处理形成数据集,并划分为训练集和测试集;
步骤S3、构建模糊神经网络模型,训练集用于训练网络,在训练好网络后利用测试集来验证网络的预测性能;
步骤S4、确定模糊神经网络可以优化的参数,SA-IRMO算法的全局优化性能对参数进行优化,获取最佳参数;
步骤S5、将优化后的最佳参数重新赋值给模糊神经网络模型,经训练和仿真即可得到最优的矿山采空区地表沉陷预计参数。
2.根据权利要求1所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S1中,确定的所述输入变量为7个地质采矿条件参数作为输入参数,即平均开采深度H、松散层厚度h、采动程度c、煤层倾角α、煤层开采厚度M、上覆岩层平均坚固性系数f以及是否重复采动,其中,0代表初次开采,1代表重复采动。
3.根据权利要求1所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S2中的预处理具体为对训练样本中的不同变量进行归一化处理:
其中,pu,j为第u组数据中第j个变量;pjmin和pjmax分别为第j个变量中最小值和最大值;pu′,j为归一化后的值。
4.根据权利要求1所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S3中,所述构建模糊神经网络模型进一步包括选用T-S型模糊推理系统,具体包括如下步骤:
步骤S3.1、采用隶属度函数对输入变量进行模糊化,选用的隶属度函数为高斯型隶属度函数,具体公式如下:
其中,μAj,k为第j个输入变量对第k个模糊规则的隶属度值;xj为第j个输入变量;cj,k和σj,k为第k个模糊规则的中心和宽度,v为模糊规则数;
步骤S3.2、在每个所述模糊规则下对模糊集合隶属度进行运算和归一化,第k个模糊集合的隶属度ωk计算如下式:
归一化后的规范化输出为:
步骤S3.3、根据模糊规则计算输出层y表示为:
其中,p0k-p6k表示输入变量X1-X6对应的模糊系统参数。
5.根据权利要求4所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S4中,模糊神经网络可以优化的模型参数有cj,k、σj,k、H、h、c、α、M、f和是否重复采动pk,选取7个地质采矿条件参数作为输入参数,即平均开采深度H、松散层厚度h、采动程度c、煤层倾角α、煤层开采厚度M、上覆岩层平均坚固性系数f以及是否重复采动,其中,0代表初次开采,1代表重复采动,输出参数为5个概率积分法预计参数:下沉系数q、水平移动系数b、主要影响角正切值tanβ、拐点偏移距s和开采影响传播角θ。
6.根据权利要求1所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S4中,采用SA-IRMO算法的全局优化性能对参数进行优化包括如下步骤:
步骤S4.1、将可优化参数作为SA-IRMO算法的自变量,设置各参数的取值范围,在该范围内生成nop个初始位置点,建立初始种群,所述初始位置点的数值信息,设置模拟退火算法中的初始温度,得出计算式;
Xm,n=xnmin+rand(0,1)(xnmax–xnmin)
其中,Xm,n为生成的第m个初始位置点的第n个可优化参数;rand(0,1)为在0到1之间的随机数;xnmin、xnmax为第n个可优化参数的最小值和最大值;
步骤S4.2、将各初始位置点赋值给模糊神经网络模型,经模型训练和测试后,将预测得到的测试集输出与真实值进行对比,计算均方误差,并作为改进径向移动算法的适应度函数,具体计算式(1)如下:
其中,N为模糊神经网络模型数据集中测试集的个数;ti为模糊神经网络模型数据集中第i个测试集输出变量的预测值;yi为模糊神经网络模型数据集中第i个测试集输出变量的真实值;
步骤S4.3、采用适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定矿山采空区地表沉陷预计参数的预测值的最优位置,并将其定义为初始中心位置;
步骤S4.4、采用SA-IRMO算法设定的更新条件在第r-1代中心位置的±0.5(xnmax-xnmin)wr范围内生成新的预位置点,并计算适应度值,更新位置信息;其中,xnmin、xnmax为第n个可优化参数的最小值和最大值;wr为惯性权值;
步骤S4.5、基于Metropolis准则运用模拟退火算法进行搜索判定,在搜索全局最优解的过程中,能够以特定概率跳出局部最优解,从而寻找到目标函数的全局最优解;
步骤S4.6、由所述步骤S4.4更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限且全局最优位置的适应度值小于0.01,则更新结束;反之,则重复步骤S4.4-S4.6直至更新结束;
步骤S4.7、当SA-IRMO算法计算达到最大迭代次数时,算法终止,最终得到的全局最优位置所包含的参数即为最佳参数。
7.根据权利要求6所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S4.4进一步包括以下步骤:
步骤S4.4.1、确定生成新的预位置点的更新条件,具体的,
其中,是指第r代新生成的第m个位置点的第n个可优化参数;/>是指第r代中心位置的第n个可优化参数;G是指最大迭代次数;
步骤S4.4.2、采用SA-IRMO算法设定的更新条件生成新的预位置点并通过所述计算式(1)适应度函数计算出各预位置点/>对应的适应度值/>
步骤S4.4.3、所述更新位置信息进一步将第r代预位置点的适应度值与第r-1代位置点的适应度值/>进行比较,若/>则需要更新位置点信息,令/> 否则,令其中,/>为第r代第m个位置点;/>为第r-1代第m个位置点;/>为第r代生成的第m个预位置点。
8.根据权利要求6所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,所述步骤S4.6包括以下步骤:
步骤S4.6.1、确定当代最优位置Rbestxr和全局最优位置Gbestx_plusr,将更新后的第r代中的中的最小值的位置点作为当代最优位置Rbestxr;当r=1时,当代最优位置Rbestx1为第一代的全局最优位置Gbestx_plus1;
步骤S4.6.2、当r≥2时,更新全局最优位置,具体的,比较当代最优位置的Rbestxr的适应度值Fitness(Rbestxr)与模拟退火后的全局最优位置Gbestx_plusr-1的适应度值Fitness(Gbestx_plusr-1);若Fitness(Rbestxr)<Fitness(Gbestx_plusr-1),则需要更新全局最优位置,令Fitness(Gbestx_plusr)=Fitness(Rbestxr),
Gbestx_plusr=Rbestxr;否则令Fitness(Gbestx_plusr)=Fitness(Gbestx_plusr-1),
Gbestx_plusr=Gbestx_plusr-1。
9.根据权利要求6所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,在所述步骤S4.4中,中心位置随着当代最优位置的Rbestxr和模拟退火后的全局最优位置Gbestx_plusr的移动而移动。
10.根据权利要求9所述的一种矿山采空区地表沉陷预计参数的确定方法,其特征在于,Centrer=Centrer-1+0.4(Gbestx_plusr-Centrer-1)+0.5(Rbestxr-Centrer-1),其中,Centrer为第r代的中心位置;Centrer-1为第r-1代的中心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525939.9A CN116822328A (zh) | 2023-05-11 | 2023-05-11 | 一种矿山采空区地表沉陷预计参数的确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310525939.9A CN116822328A (zh) | 2023-05-11 | 2023-05-11 | 一种矿山采空区地表沉陷预计参数的确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116822328A true CN116822328A (zh) | 2023-09-29 |
Family
ID=88115615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310525939.9A Pending CN116822328A (zh) | 2023-05-11 | 2023-05-11 | 一种矿山采空区地表沉陷预计参数的确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822328A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN111262858A (zh) * | 2020-01-16 | 2020-06-09 | 郑州轻工业大学 | 基于sa_soa_bp神经网络的网络安全态势预测方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
CN113343558A (zh) * | 2021-05-19 | 2021-09-03 | 东北石油大学 | 一种基于模糊神经网络的钻井参数优化方法 |
CN113821863A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种桩基竖向极限承载力预测方法 |
CN114202063A (zh) * | 2021-12-29 | 2022-03-18 | 中国计量大学 | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 |
CN115906959A (zh) * | 2022-12-05 | 2023-04-04 | 南京信息工程大学 | 基于de-bp算法的神经网络模型的参数训练方法 |
-
2023
- 2023-05-11 CN CN202310525939.9A patent/CN116822328A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
CN111262858A (zh) * | 2020-01-16 | 2020-06-09 | 郑州轻工业大学 | 基于sa_soa_bp神经网络的网络安全态势预测方法 |
CN112926117A (zh) * | 2021-03-01 | 2021-06-08 | 郑州大学 | 一种基于bas-bp的桩基水平承载力预测方法 |
CN113343558A (zh) * | 2021-05-19 | 2021-09-03 | 东北石油大学 | 一种基于模糊神经网络的钻井参数优化方法 |
CN113821863A (zh) * | 2021-11-22 | 2021-12-21 | 中南大学 | 一种桩基竖向极限承载力预测方法 |
CN114202063A (zh) * | 2021-12-29 | 2022-03-18 | 中国计量大学 | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 |
CN115906959A (zh) * | 2022-12-05 | 2023-04-04 | 南京信息工程大学 | 基于de-bp算法的神经网络模型的参数训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
US7280987B2 (en) | Genetic algorithm based selection of neural network ensemble for processing well logging data | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN115906675B (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN108204944A (zh) | 基于apso优化的lssvm的埋地管道腐蚀速率预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN112614021B (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
CN114723095A (zh) | 缺失测井曲线预测方法及装置 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN110428015A (zh) | 一种模型的训练方法及相关设备 | |
CN116861793B (zh) | 一种鹈鹕算法优化长短期记忆网络主轴热误差建模方法 | |
KR20200058258A (ko) | 지반 층상정보 예측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 저장 매체 | |
CN113435101A (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
CN115618987A (zh) | 生产井生产数据预测方法、装置、设备和存储介质 | |
CN113486591A (zh) | 一种卷积神经网络结果的重力多参量数据密度加权反演方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN112508177A (zh) | 一种网络结构搜索方法、装置、电子设备及存储介质 | |
CN116822328A (zh) | 一种矿山采空区地表沉陷预计参数的确定方法 | |
CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
CN115936773A (zh) | 一种互联网金融黑产识别方法与系统 | |
CN112927085B (zh) | 基于区块链、大数据和算法的股票风险预警系统 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
Derras et al. | Use of the artificial neural network for peak ground acceleration estimation | |
CN113946790A (zh) | 一种导水裂隙带高度预测方法、系统、设备及终端 |
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 |