進化神經網絡在定量預測回采巷道圍巖移近率中的應用

王民華，張召千，牛 顯

（太原理工大學 礦業工程學院，山西 太原 030024）

進化神經網絡在定量預測回采巷道圍巖移近率中的應用

王民華，張召千，牛 顯

（太原理工大學 礦業工程學院，山西 太原 030024）

神經網絡處理非線性關系有明顯優勢。把影響回采巷道移近率的四個指標作為神經網絡的輸入層，巷道頂底板移近率和兩幫做為網絡的輸出層，運用大量的回采巷道樣本數據，對巷道圍巖移近率的神經網絡模型進行學習訓練，得到穩定的網絡結構；結合工程實踐對訓練得到的穩定網絡結構進行檢驗，表明進化神經網絡在回采巷道移近率的定量預測中有較大的實用價值。

回采巷道；圍巖移近率；進化神經網絡

1 概述

目前，對回采巷道圍巖移近量的預測有多種方法：通過實測確定老頂巖梁運動特征參數，或通過巷道圍巖穩定性類別，或通過多元回歸分析方法等。回采巷道圍巖變形與各影響因素之間具有復雜的非線性關系，采用神經網絡處理非線性關系有明顯優勢，神經網絡通過實例學習，能從樣本數據中學到復雜的非線性關系。本文利用進化神經網絡處理巷道圍巖變形與各影響因素之間關系，并經工程實踐檢驗神經網絡在巷道圍巖移近率預測中的合理性和優越性。

2 進化神經網絡原理

2.1 進化神經網絡

見圖1，多數的人工神經網絡模型采用BP神經網絡或其變形，它是目前最成熟的一種神經網絡模型。在不影響神經網絡局部優化前提下，提高BP網絡性能的最佳途徑是對網絡結構及初始權值進行局部優化。由于遺傳算法有很好的全局并行搜索、搜索空間大，宜于找到最優解和準優解，故將遺傳算法的全局搜索能力與BP算法的局部尋優能力結合起來，形成優化組合，大大提高了其算法性能。

2.2 進化神經網絡算法基本思想

圖1 單層神經網絡

進化神經網絡方法是：用遺傳算法的全局搜索能力，對BP網絡結構參數和初始權值進行全局優化，再由BP算法從全局優化后的初始權值開始，進一步局部尋優提高精度。進化神經網絡具體學習循環過程如下：

（1）BP網絡結構參數的進化：通過遺傳算法對BP網絡結構參數進化搜索。算法中每產生一組新的結構參數，其進化過程暫時擱置，進入下一級初始權值的進化循環。（2）初始權值的進化選擇：對于上面產生的每一個結構參數組，計算出權系數等信息。然后通過隨機給定的初始權系數矩陣開始，按照遺傳進化算法進行初始權值的優化，并計算適應值。最后必須再按普通BP神經網絡學習訓練進行局部優化。（3）BP神經網絡訓練（優化后初始權值的訓練）：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。

然后調整權值；最后再求系統平均誤差，直到系統平均誤差小于規定要求為止。

通過遺傳算法進行全局優化、BP神經網絡局部優化后的網絡權值和結構參數組合，最后構成了當前網絡結構配置下的最佳BP網絡模型。

3 回采巷道圍巖移近率預測的神經網絡模型

3.1 網絡結構設計

回采巷道圍巖變形的諸多影響因素，可以分為兩類：（1）巷道圍巖地質條件的影響，主要有：巷道圍巖的強度和地質構造特征，巷道的埋藏深度，煤層傾角，地下水的影響等。（2）采礦生產技術的影響，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定性分類的基礎上，根據影響回采巷道結構穩定性對其進行了亞分類，并提出了影響回采巷道結構穩定性的四個定量化指標，確定了四個指標對回采巷道結構穩定性影響的權值。通過四個權值有效定量，確定回采巷道變形與影響因素間的數量關系。回采巷道結構穩定性的四個指標與巷道圍巖移近率之間存在復雜的非線性關系，采用神經網絡對處理有明顯的優勢；它不需要確定非線性關系中的數學表達式，就能很好處理它們之間的非線性關系。進化神經網絡是對BP算法的改進，通過遺傳算法對BP神經網絡結構參數進行全局優化，避免了BP算法容易陷入局部最小而導致預測結果與實際不符以及結構參數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構穩定性的四個指標作為神經網絡結構的輸入層（頂板穩定性指標S1，底板穩定性指標S2，煤柱穩定性指標S3，煤體側穩定性指標S4）；并把頂底板移近率和兩幫移近率作為網絡結構的輸出層。通過收集到的回采巷道圍巖移近率的樣本進行BP神經網絡訓練，以得到預測回采巷道圍巖移近率的穩定網絡結構。根據有關理論和學者經驗，神經網絡結構參數進化過程中，約束條件取2個隱含層，各隱含層之間節點參數范圍5～50，種群規模30個，雜交概率0.8，變異概率0.2。初始權值進化過程中，收索范圍-10.0～10.0。種群規模200個，雜交概率0.95，變異概率0.05。BP網絡學習率取0.1，動量項系數為0.5。

3.2 網絡學習訓練

選用較全面的樣本可使訓練結果更趨精確。BP神經網絡的特點是內插性比外插性好，所以訓練樣本空間最好覆蓋預測結果；如果預測結果在樣本空間之外(外插)，預測效果不好，精度較差。選用樣本中應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，進行網絡結構訓練，按照網絡結構設計中的網絡學習訓練參數進行學習訓練。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，進行神經網絡訓練，并用另外7條巷道，作為回采巷道圍巖移近率預測穩定網絡結構的測試樣本。從表1看到：通過神經網絡訓練得到了有效穩定的巷道圍巖移近率網絡結構。

表1 測試樣本結果

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采區三條巷道，南部相鄰雄山礦采空區。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+錨索聯合支護。凈寬5.0m，凈高3.5m，根據王莊巷道基本特征參數，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網絡移近率預測模型預測。受企業委托對王莊煤礦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據。預測結構和實測結果如表3所示，由表看到：BP神經網絡預測回采巷

表2 3043工作面軌道順槽進化神經網絡定量預測移近率輸入數據

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神經網絡對回采巷道移近率的預測是合理可行的。見圖2和圖3。

表3 預測結果和實例結果

5 結束語

（1）建立回采巷道移近率的進化神經網絡模型，通過影響回采巷道穩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，訓練出穩定的回采巷道移近率網絡結構。通過王莊煤礦的工程實踐，能為定量預測回采巷道移近率提供一種有效方法。(2)進化神經網絡通過遺傳算法的全局搜索能力和BP神經網絡的局部優化能力，解決了BP網絡結構參數不容易設置的問題，大大提高了算法的性能；進化神經網絡在回采巷道圍巖移近率的預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據樣本，可以開發編制出定量預測回采巷道移近率的智能專家系統軟件。

[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—人工智能與神經網絡在礦業中的應用[M].北京:冶金工業出版社，1994.

[3] 蔣金泉，韓繼勝，石永奎.巷道圍巖結構穩定與控制設計[M].北京:煤炭工業出版社，1998.

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

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

[6] 馮夏庭，周輝，等.復雜條件下巖石工程安全性的智能分析評估和時空預測系統[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構穩定性控制研究。