基于人工神經網絡的煤礦開采中沉陷預測系統設計

李建勛，李 旭，李 磊

(陜西澄合山陽煤礦有限公司，陜西 渭南 715300)

0 引言

對煤礦開采中出現的沉陷問題進行精準預測，是煤礦施工方與技術單位長期以來的研究話題。合理且有序地開展預測行為，不僅可以掌握煤礦地表巖層的變化趨勢，同時也可以避免在工程實施過程中，出現煤礦地質層塌陷危險導致的人員傷亡[1]。目前，我國煤礦產業使用的沉陷預測方法大多為實測法與數值模擬論證法，但現下使用的預測方法，不僅存在成本高、運算復雜的問題，也存在針對性強、適用性低等缺陷[2]。因此，引進人工神經網絡，從數據信息處理層面入手，采用對人腦神經元進行抽象化處理的方式，構建一個簡單的運算模式，使沉陷預測的運算過程簡單化。在此基礎上，設計一種針對煤礦開采過程的沉陷預測系統，以期為煤礦工程的安全施工提供技術保障。

1 硬件設計

1.1 系統控制裝置選型

基于煤礦開采中沉陷預測系統的運行需要，在對其硬件結構進行設計時，將系統控制裝置作為硬件核心部分。選用由Kodak研發企業生產的DL165-560型號控制裝置作為本系統核心裝置結構，該型號控制裝置具有數據可視化、指令快速響應等應用優勢[3]。該控制裝置當中含有DL-DrawWidget控制芯片，通過控制芯片將控制裝置應用到各個可以實現COM兼容的環境當中。同時DL165-560型號控制裝置當中還含有多個靈活語言接口，可以支持C語言、C+語言、Java等多種不同的控制指令，能夠充分滿足煤礦開采過程中，對各類開采設備和機械的控制[4]。DL165-560型號控制裝置的技術指標及相關參數見表1。選用的控制裝置能夠應用到各類支持ActiveS的運行環境當中，為了更加清晰地對各類煤礦開采設備進行可視化控制，可將該控制裝置與具有高清顯示功能的顯示器進行連接。

表1 DL165-560型號控制裝置的技術指標及相關參數

1.2 沉陷數據采集裝置選型

為了實現對煤礦開采過程中地面沉陷的預測，引入針對沉陷數據的采集裝置，通過該裝置對沉陷數據變化進行實時監測。由于煤礦開采中出現沉陷現象會涉及眾多的數據變化，因此本文在選擇沉陷數據采集裝置時，采用針對多種不同類型數據進行的傳感器，例如針對周圍環境溫度、濕度以及土壤濕度等參數的傳感器，將眾多傳感器進行連接，組成沉降數據采集裝置組[5-7]。多種傳感器均采用分辨率為0.5 μm，USB接口為USB 3.5全速，通信端口為RS1650的傳感器。通過多個傳感器采集到的數據全部匯總到沉降數據采集裝置當中，為后續對煤礦開采中沉陷情況預測提供數據依據。

2 軟件設計

2.1 基于人工神經網絡構建預測模型

在完成上述硬件設計的基礎上，下述將對系統的軟件功能進行設計。在此過程中，假設造成開采中沉陷的關鍵因素包括n個，輸出有效因素，將其表示為x={X1,X2,…,Xn}。煤礦地表層多種移動的變量值共包含m個，輸出有效變量，將其表示為y={Y1,Y2,…,Ym}。在深入對地表沉陷的研究中，發現x與y兩者是存在某種直接關系的，而通過對兩者關系的分析，便可以掌握煤礦層地表位移變化規律[8-10]。為了進一步掌握或感知兩者的關系，本章引進人工神經網絡，采用構建預測模型的方式，掌握煤礦層地表變化規律。在此過程中，結合BP反向算法，構建一個多層模型[11]。3層結構模型如圖1所示。

圖1 基于人工神經網絡的3層預測模型Fig.1 Three-layer prediction model based on artificial neural network

根據圖1結構，可知預測模型中任意一層中均涵蓋一個隱性連續函數，函數通過BP反向算法對導入的數據進行逼近，便可以得到一個由n→m的映射空間。為了明確地表位移變化規律，需要對模型進行訓練。訓練時，對構建模型中的人工神經網絡進行初始化處理，在此基礎上，連接多項權值Wji與模型運行有效閾值范圍θj，對模型中每個參數值賦予一個隨機最小值。同時，在預測模型中，定義訓練樣本集合表示為p，輸入向量可以表示為xp，其中p的取值范圍為[1，P]。在完成上述相關工作的基礎上，計算模型中不同層神經元的實際輸出值，計算公式為

(1)

2.2 基于地質圖像坐標轉換預測地質沉降

為了確保系統在運行中預測結果的準確性，需要對前端獲取的地質圖像進行坐標轉換。為此，本章引進高斯誤差函數，在指定預測范圍內，對區域進行網格劃分，并按照一定的規格，將預測的區域規劃為由大量網格點構成的區域，為后期等值處理預測沉陷數據提供參考。在處理連續圖像過程中，參照Grid指令，將區域劃分為平行網格，并將計算的預測結果進行坐標等值計算[12]，計算公式為

(2)

式中，erf(x)為等值坐標配比結果，公式中其他參數均為常數項。在完成與此相關工作后，獲取區域煤礦樣本數據，結合區域地質圖手繪結果，繪制煤礦區域地質三維效果圖，將區域實際數據導入上述構建的預測模式中，通過此種方式，驗證預測結果是否準確。假定在反向檢驗的過程中，預測的數值可代入模型，且符合運算規律，證明預測結果準確，直接輸出預測結果即可。假定在反向檢驗的過程中，預測的數值在代入模型后，存在模型結構偏離問題，證明運算過程不符合事實規律，證明預測結果與實際結果存在偏差，此時則需要重新對地質環境數值進行訓練，經過多次迭代后再輸出數據值，直到計算結果符合運算規律，以此完成對預測系統的設計。

3 試驗論證分析

上述從硬件層面和軟件層面完成對基于人工神經網絡的煤礦開采中沉陷預測系統的理論設計，為進一步探究該系統在實際應用中是否有效解決傳統預測系統在實際應用中存在的問題，選擇以某煤礦開采項目為依托，分別將本文系統和傳統系統應用到該項目當中，以實現對開采過程中地表沉陷的預測。對該開采區域歷史勘查數據進行提取，該煤礦開采項目中地表下沉系數為0.6，水平移動系數為0.2，開采過程中影像傳播角為85 ℃，工作面整體長度約為120 m，傾斜長度約為110 m。為方便對2種預測系統的實際應用效果進行對比，選擇將2種系統預測得出的下沉量作為試驗參數，分別記錄2種系統預測結果，并將其與該煤礦開采區域實際沉降量進行比對，得出沉陷預測結果誤差值，將其作為評價指標并記錄結果，見表2。

表2 2種預測系統試驗結果對比

通過上述試驗結果可以看出，所設計的系統在對5個不同煤礦開采區域的沉陷情況預測時，得到的預測結果誤差值明顯小于傳統系統。因此，通過對比試驗證明，提出的基于人工神經網絡的煤礦開采中沉陷預測系統在實際應用中能夠結合多種不同因素，可以實現對煤礦開采地層沉陷的精準預測。

4 結語

從構建預測模型、基于地質圖像坐標轉換預測地質沉降2個方面，對沉陷預測系統展開設計研究。完成設計后，通過對比試驗證明，所設計的系統可實現對煤礦開采地層沉陷的精準預測。相比傳統的預測系統，預測結果實用性更高。因此，可在后期的煤礦開采工作中，將該系統應用到工程實際，從實踐角度對沉陷預測系統的誤差進行校正，以此種方式，保障煤礦工程在市場內的順利實施。