王民華，張召千，牛 顯

（太原理工大學 礦業(yè)工程學院，山西 太原 030024）

進化神經(jīng)網(wǎng)絡(luò)在定量預(yù)測回采巷道圍巖移近率中的應(yīng)用

王民華，張召千，牛 顯

（太原理工大學 礦業(yè)工程學院，山西 太原 030024）

神經(jīng)網(wǎng)絡(luò)處理非線性關(guān)系有明顯優(yōu)勢。把影響回采巷道移近率的四個指標作為神經(jīng)網(wǎng)絡(luò)的輸入層，巷道頂?shù)装逡平屎蛢蓭妥鰹榫W(wǎng)絡(luò)的輸出層，運用大量的回采巷道樣本數(shù)據(jù)，對巷道圍巖移近率的神經(jīng)網(wǎng)絡(luò)模型進行學習訓練，得到穩(wěn)定的網(wǎng)絡(luò)結(jié)構(gòu)；結(jié)合工程實踐對訓練得到的穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)進行檢驗，表明進化神經(jīng)網(wǎng)絡(luò)在回采巷道移近率的定量預(yù)測中有較大的實用價值。

回采巷道；圍巖移近率；進化神經(jīng)網(wǎng)絡(luò)

1 概述

目前，對回采巷道圍巖移近量的預(yù)測有多種方法：通過實測確定老頂巖梁運動特征參數(shù)，或通過巷道圍巖穩(wěn)定性類別，或通過多元回歸分析方法等?；夭上锏绹鷰r變形與各影響因素之間具有復(fù)雜的非線性關(guān)系，采用神經(jīng)網(wǎng)絡(luò)處理非線性關(guān)系有明顯優(yōu)勢，神經(jīng)網(wǎng)絡(luò)通過實例學習，能從樣本數(shù)據(jù)中學到復(fù)雜的非線性關(guān)系。本文利用進化神經(jīng)網(wǎng)絡(luò)處理巷道圍巖變形與各影響因素之間關(guān)系，并經(jīng)工程實踐檢驗神經(jīng)網(wǎng)絡(luò)在巷道圍巖移近率預(yù)測中的合理性和優(yōu)越性。

2 進化神經(jīng)網(wǎng)絡(luò)原理

2.1 進化神經(jīng)網(wǎng)絡(luò)

見圖1，多數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型采用BP神經(jīng)網(wǎng)絡(luò)或其變形，它是目前最成熟的一種神經(jīng)網(wǎng)絡(luò)模型。在不影響神經(jīng)網(wǎng)絡(luò)局部優(yōu)化前提下，提高BP網(wǎng)絡(luò)性能的最佳途徑是對網(wǎng)絡(luò)結(jié)構(gòu)及初始權(quán)值進行局部優(yōu)化。由于遺傳算法有很好的全局并行搜索、搜索空間大，宜于找到最優(yōu)解和準優(yōu)解，故將遺傳算法的全局搜索能力與BP算法的局部尋優(yōu)能力結(jié)合起來，形成優(yōu)化組合，大大提高了其算法性能。

2.2 進化神經(jīng)網(wǎng)絡(luò)算法基本思想

圖1 單層神經(jīng)網(wǎng)絡(luò)

進化神經(jīng)網(wǎng)絡(luò)方法是：用遺傳算法的全局搜索能力，對BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和初始權(quán)值進行全局優(yōu)化，再由BP算法從全局優(yōu)化后的初始權(quán)值開始，進一步局部尋優(yōu)提高精度。進化神經(jīng)網(wǎng)絡(luò)具體學習循環(huán)過程如下：

（1）BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的進化：通過遺傳算法對BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進化搜索。算法中每產(chǎn)生一組新的結(jié)構(gòu)參數(shù)，其進化過程暫時擱置，進入下一級初始權(quán)值的進化循環(huán)。（2）初始權(quán)值的進化選擇：對于上面產(chǎn)生的每一個結(jié)構(gòu)參數(shù)組，計算出權(quán)系數(shù)等信息。然后通過隨機給定的初始權(quán)系數(shù)矩陣開始，按照遺傳進化算法進行初始權(quán)值的優(yōu)化，并計算適應(yīng)值。最后必須再按普通BP神經(jīng)網(wǎng)絡(luò)學習訓練進行局部優(yōu)化。（3）BP神經(jīng)網(wǎng)絡(luò)訓練（優(yōu)化后初始權(quán)值的訓練）：通過提供學習樣本，采用下式計算各個隱含層的輸入x'j和輸出層的輸出值yk。

然后調(diào)整權(quán)值；最后再求系統(tǒng)平均誤差，直到系統(tǒng)平均誤差小于規(guī)定要求為止。

通過遺傳算法進行全局優(yōu)化、BP神經(jīng)網(wǎng)絡(luò)局部優(yōu)化后的網(wǎng)絡(luò)權(quán)值和結(jié)構(gòu)參數(shù)組合，最后構(gòu)成了當前網(wǎng)絡(luò)結(jié)構(gòu)配置下的最佳BP網(wǎng)絡(luò)模型。

3 回采巷道圍巖移近率預(yù)測的神經(jīng)網(wǎng)絡(luò)模型

3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

回采巷道圍巖變形的諸多影響因素，可以分為兩類：（1）巷道圍巖地質(zhì)條件的影響，主要有：巷道圍巖的強度和地質(zhì)構(gòu)造特征，巷道的埋藏深度，煤層傾角，地下水的影響等。（2）采礦生產(chǎn)技術(shù)的影響，例如：采煤工藝的影響，巷道尺寸及形狀的影響，護巷煤柱尺寸的影響，巷道支護方式的影響等。

山東科技大學蔣金泉教授在巷道圍巖穩(wěn)定性分類的基礎(chǔ)上，根據(jù)影響回采巷道結(jié)構(gòu)穩(wěn)定性對其進行了亞分類，并提出了影響回采巷道結(jié)構(gòu)穩(wěn)定性的四個定量化指標，確定了四個指標對回采巷道結(jié)構(gòu)穩(wěn)定性影響的權(quán)值。通過四個權(quán)值有效定量，確定回采巷道變形與影響因素間的數(shù)量關(guān)系?；夭上锏澜Y(jié)構(gòu)穩(wěn)定性的四個指標與巷道圍巖移近率之間存在復(fù)雜的非線性關(guān)系，采用神經(jīng)網(wǎng)絡(luò)對處理有明顯的優(yōu)勢；它不需要確定非線性關(guān)系中的數(shù)學表達式，就能很好處理它們之間的非線性關(guān)系。進化神經(jīng)網(wǎng)絡(luò)是對BP算法的改進，通過遺傳算法對BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進行全局優(yōu)化，避免了BP算法容易陷入局部最小而導(dǎo)致預(yù)測結(jié)果與實際不符以及結(jié)構(gòu)參數(shù)運用試錯法帶來的不便，大大提高了算法的性能。利用回采巷道圍巖結(jié)構(gòu)穩(wěn)定性的四個指標作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層（頂板穩(wěn)定性指標S1，底板穩(wěn)定性指標S2，煤柱穩(wěn)定性指標S3，煤體側(cè)穩(wěn)定性指標S4）；并把頂?shù)装逡平屎蛢蓭鸵平首鳛榫W(wǎng)絡(luò)結(jié)構(gòu)的輸出層。通過收集到的回采巷道圍巖移近率的樣本進行BP神經(jīng)網(wǎng)絡(luò)訓練，以得到預(yù)測回采巷道圍巖移近率的穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)有關(guān)理論和學者經(jīng)驗，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)進化過程中，約束條件取2個隱含層，各隱含層之間節(jié)點參數(shù)范圍5～50，種群規(guī)模30個，雜交概率0.8，變異概率0.2。初始權(quán)值進化過程中，收索范圍-10.0～10.0。種群規(guī)模200個，雜交概率0.95，變異概率0.05。BP網(wǎng)絡(luò)學習率取0.1，動量項系數(shù)為0.5。

3.2 網(wǎng)絡(luò)學習訓練

選用較全面的樣本可使訓練結(jié)果更趨精確。BP神經(jīng)網(wǎng)絡(luò)的特點是內(nèi)插性比外插性好，所以訓練樣本空間最好覆蓋預(yù)測結(jié)果；如果預(yù)測結(jié)果在樣本空間之外(外插)，預(yù)測效果不好，精度較差。選用樣本中應(yīng)包括典型的變形較大樣本和變形較小樣本。共收集到37條回采巷道圍巖移近率的樣本，選用30條巷道作為樣本，進行網(wǎng)絡(luò)結(jié)構(gòu)訓練，按照網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計中的網(wǎng)絡(luò)學習訓練參數(shù)進行學習訓練。運用中國科學院武漢巖土所馮夏庭教授編制的巖石力學與工程分析方法軟件，進行神經(jīng)網(wǎng)絡(luò)訓練，并用另外7條巷道，作為回采巷道圍巖移近率預(yù)測穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu)的測試樣本。從表1看到：通過神經(jīng)網(wǎng)絡(luò)訓練得到了有效穩(wěn)定的巷道圍巖移近率網(wǎng)絡(luò)結(jié)構(gòu)。

表1 測試樣本結(jié)果

4 工程實踐分析

山西三元王莊煤礦3043大采高綜采工作面位于井田東部，東為3045回風順槽，西為3042綜采工作面(已采)，北為304采區(qū)三條巷道，南部相鄰雄山礦采空區(qū)。煤層平均厚度為5.12m，開采厚度為5.12 m，煤層傾角為2°～7°，軌道順槽采用錨桿+金屬網(wǎng)+錨索聯(lián)合支護。凈寬5.0m，凈高3.5m，根據(jù)王莊巷道基本特征參數(shù)，運用影響回采巷道變形四個指標的計算方法，算出影響3043工作面軌道順槽巷道變形的四個指標（見表2），然后運用訓練好的回采巷道進化神經(jīng)網(wǎng)絡(luò)移近率預(yù)測模型預(yù)測。受企業(yè)委托對王莊煤礦3043工作面進行了將近兩個月的礦壓觀測，收集了大量的巷道變形數(shù)據(jù)。預(yù)測結(jié)構(gòu)和實測結(jié)果如表3所示，由表看到：BP神經(jīng)網(wǎng)絡(luò)預(yù)測回采巷

表2 3043工作面軌道順槽進化神經(jīng)網(wǎng)絡(luò)定量預(yù)測移近率輸入數(shù)據(jù)

圖2 實測3043工作面軌道順槽巷道變形速度

圖3 實測3043工作面軌道順槽巷道變形量

道移近率較接近實測值，證明了BP神經(jīng)網(wǎng)絡(luò)對回采巷道移近率的預(yù)測是合理可行的。見圖2和圖3。

表3 預(yù)測結(jié)果和實例結(jié)果

5 結(jié)束語

（1）建立回采巷道移近率的進化神經(jīng)網(wǎng)絡(luò)模型，通過影響回采巷道穩(wěn)定性的四個指標和大量回采巷道樣本，運用中國科學院武漢巖土所馮夏庭教授編制的巖石力學與工程分析方法軟件，訓練出穩(wěn)定的回采巷道移近率網(wǎng)絡(luò)結(jié)構(gòu)。通過王莊煤礦的工程實踐，能為定量預(yù)測回采巷道移近率提供一種有效方法。(2)進化神經(jīng)網(wǎng)絡(luò)通過遺傳算法的全局搜索能力和BP神經(jīng)網(wǎng)絡(luò)的局部優(yōu)化能力，解決了BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)不容易設(shè)置的問題，大大提高了算法的性能；進化神經(jīng)網(wǎng)絡(luò)在回采巷道圍巖移近率的預(yù)測中提供了一種便捷的方法。（3）今后收集更全面更多的回采巷道移近率的數(shù)據(jù)樣本，可以開發(fā)編制出定量預(yù)測回采巷道移近率的智能專家系統(tǒng)軟件。

[1] 馮夏庭.智能巖石力學[M].北京:科學出版社，2000.

[2] 馮夏庭，王泳嘉.采礦工程智能系統(tǒng)—人工智能與神經(jīng)網(wǎng)絡(luò)在礦業(yè)中的應(yīng)用[M].北京:冶金工業(yè)出版社，1994.

[3] 蔣金泉，韓繼勝，石永奎.巷道圍巖結(jié)構(gòu)穩(wěn)定與控制設(shè)計[M].北京:煤炭工業(yè)出版社，1998.

[4] 錢鳴高，石平五.礦山壓力與巖層控制[M].徐州:中國礦業(yè)大學出版社，2003.

[5] 馮夏庭，賈民泰.巖石力學問題的神經(jīng)網(wǎng)絡(luò)建模[J].東北大學學報，2000(19):1030-1033.

[6] 馮夏庭，周輝，等.復(fù)雜條件下巖石工程安全性的智能分析評估和時空預(yù)測系統(tǒng)[J].巖石力學與工程學報2008(9)1741-1756.

Abstract:Evolutionary neural network(ENN)has obvious advantages in dealing with non-linear relation.ENN input layer consists of four indicators which influences the surrounding rock displacement rate,and ENN output layer is made up of the displacement rate of roof-floor and two sides.Huge sample data are used to train the ENN and to achieve stable network structure.The engineering practice is used to test the structure.The result shows that the ENN is practical in the prediction of displacement rate.

Key words:gateways;surrounding rock displacement rate;evolutionary neural network

編輯：劉新光

Application of Evolutionary Neural Network in the Quantitative Prediction of Surrounding Rock Displacement Rate

WANG Min-hua,ZHANG Zhao-qian,NIU Xian
(College of Mining Engineering,Taiyuan University of Technology,Taiyuan Shanxi 030024)

TD325

A

1672-5050（2012）05-0059-03

2011-10-12

王民華（1984—），男，山東聊城人，在讀碩士研究生，從事巖石力學與巷道圍巖結(jié)構(gòu)穩(wěn)定性控制研究。