基于SSA優化BP神經網絡的沖擊地壓數據預測研究

梁燕華，毛詩允，李金峰

(黑龍江科技大學電氣與控制工程學院，黑龍江哈爾濱，150022)

0 引言

沖擊地壓也被稱為巖爆，是一種泛指煤礦井巷與采煤工作面附近的煤巖體遭受到驟然性的毀壞，造成強烈轟動并同時伴有較多的煤巖塊拋出的一種煤礦動力災害的形式。近年來，我國煤層開采深度逐漸加深，沖擊地壓的危險更加凸顯，由于其受到的影響機制和因素繁多，形成的機理復雜以及給人們造成的后果嚴重，很長一段時間以來，國內外專家給予了廣泛的重視。目前國內學者在研究沖擊地壓發生機理的同時也致力于研究其防治技術，張磊[1]通過對煤樣進行聲發射及損傷特性實驗，分析了煤樣變形并預測了其破壞規律。王恩元、李德行[2]等人先后開展了單軸路徑下煤巖破裂聲發射特征試驗，分析了聲發射特征參數和巖石破裂過程之間的關系。王思洋[3]等人開展了不同圍壓下大理巖損傷試驗，分析了不同圍壓下巖石從破裂到斷層直至破碎的原因并且研究了整個過程中的聲發射信號變化規律。李靜等人對待挖掘井巷區域采用CT震動波技術進行逆行推演并實時監測其變化特征，從而對該區域進行預警。馮澤杰等人先后采用煤粉法、微震法以及電磁輻射法進行沖擊地壓預測。但沖擊地壓具有不確定性的特點，其影響因素繁多且互為誘導因素，在實際現場中采集沖擊地壓數據往往會受到人為或機器因素等影響，使得預測誤差也相對較大，新的減小數據誤差的方法亟待發現。近年來由于智能算法技術發展壯大速度較快，各種基于智能算法優化機器學習模型的方法層出不窮，BP神經網絡模型是最基礎，應用最廣泛的學習模型之一，具有較好的學習型和泛化性。由于其中初始值的賦值通常是隨機的，易陷入局部極小值、收斂性不好以及速度慢這一系列復雜問題，因此許多科學研究者都對其模型進行了組合優化研究，胡丹萍等人提出利用改進遺傳算法的工程造價預算模型，提高了算法的收斂性和運算效率，對地震后災區重建中的工程造價進行了準確的預算：李俊達等人利用OWA算子結合專家打分法首先確定了個體特征的屬性權重，然后通過灰色關聯分析獲取相似案例，再利用BP神經網絡對相似案例進行訓練，從而進行了有效估算。

本研究利用麻雀搜索算法(sparrow search algorithm,SSA)尋優能力強、收斂速度快的特點，對BP神經網絡進行優化，構建了基于SSA優化BP神經網絡的數據預測模型，并根據試驗得出的數據選擇相關參數指標進行MATLAB仿真綜合分析。

1 實驗方案

試驗從曾發生過沖擊地壓災害煤礦井中采取材料，按GB/T 50266-2013《工程巖體試驗方法標準》將本次試驗中的樣品巖體加工制做成? 50mm×100mm的標準圓柱體試件。采用液壓巖石三軸流變儀，可以施加軸向應力最大值375MPa，圍壓60MPa，靜水壓力為5MPa，加載速度為1.5MPa/min，數據每1us采集一次。試驗裝置如下圖1所示。

圖1 實驗裝置圖

選取三軸聲發射試驗中采集的應力信號作為預測信號。

2 SSA與BP神經網絡理論

2.1 BP神經網絡模型的構建

BP神經網絡是可以反向傳播的前饋網絡，包括輸入的正常傳播以及誤差反向回傳。通過對樣本的訓練，完善輸入輸出的映射關系。BP神經網絡作為當前熱門的機器學習模型，具有分布式存、并行處理、自學習和自適應等四大特點，適用于非線性過程預測。BP神經網絡結構圖如下圖2所示。

圖2 BP神經網絡結構

BP神經網絡輸入輸出節點通常是自己給出。因此，網絡模型的設計主要針對隱含層的層數，層數增加雖然可以提高擬合精度，但如果隱含層過多，會導致機器模型不能完全收斂，通常采用經驗公式確定：

其中：P為隱含層層數：M為輸入節點數：N為輸出節點數。

2.2 SSA的基本原理

SSA算法核心是一種用于模擬麻雀群體覓食互動行為以及模擬麻雀反捕食互動行為的新型群體智能優化算法，其基本原理如下：

在SSA中，每只麻雀的尋找食物中的位置作為一個解。每只麻雀在覓食過程中通常扮演三種角色：作為發現者，作為加入者，作為警戒者。發現者和加入者始終保持恒定的比例，發現者也是種群覓食的引導著，擁有更高的適應度值，可以獲得更加廣闊的搜索區域。而加入者會跟隨發現者一同進行覓食。同時一些新的麻雀加入者會不斷追蹤監控這些新發現者并不斷試圖通過奪取實時食物系統中的大量資源或者數據數量來從而大幅提高自身的主動實時追蹤捕食率。種群監控系統通常會隨機自動選取一部分麻雀來作為新的實時覓食警戒者并對其進行實時覓食監視和主動追蹤,這些新的麻雀大約占整個麻雀種群的10%～20%,當整個種群中最邊緣的一些麻雀在進行追蹤覓食者的行動過程中被察覺遇到危險時,會迅速提醒整個種群做反捕食行為。

發現者位置更新描述如下：

加入者位置更新描述如下：

XP為發現者的最佳位置，為最差位置。A用1×d的矩陣表示，并且滿足A+=AT(AAT)-1。當i >n/2時，這表明第i只麻雀未找到事物需到別處覓食，

警界者位置更新描述如下：

是警戒者最佳位置。β服從正態分布的隨機作為步長參數。K∈[- 1 ,1]。fw是最佳適應度值。fg是最差的適應度值。ε是選取一個靠近0的數避免無意義。當fi＞fg表示此時處在危機邊緣。fi=fg表明麻雀需要更換位置減小危機風險。K表示麻雀移動的方向。SSA優化BP網絡流程圖如下圖3所示。

圖3 SSA優化BP神經網絡流程圖

2.3 基于SSA優化BP神經網絡的預測模型

(1)初始化參數。

(2)計算所有麻雀的適應度值根據當前位置找出最佳和最差的適應度。

(3)根據發現者、加入者、警戒者的位置公式進行更新。

(4)輸出最優麻雀位置，即BP神經網絡的最優參數。

(5)使用最優參數對沖擊地壓應力數據進行仿真預測，經過反歸一化處理后，輸出沖擊地壓應力預測值。

3 應力預測及分析

3.1 樣本選擇

為了充分驗證本文設計的SSA優化BP神經網絡的有效性，從上述的三軸聲發射試驗中選取13組數據進行預測，前6組做訓練集，后6組做測試集，將預測得到的值與期望值相對比，獲取相對誤差。

3.2 參數設置

對預測模型進行參數設置，麻雀進化種群數量為40，麻雀進化次數為20，發現者比例為0.2，警戒者比例為0.1，警戒值為0.8，BP神經網絡學習率為0.1，迭代次數為1000次，訓練目標為10e-5。

圖4 迭代次數圖

由上圖可知，經過SSA優化后的BP神經網絡在進化20次之后達到收斂效果，利用 BP神經網絡進行預測得到的結果與真實值的相對誤差較大，而通過麻雀算法(SSA)優化BP神經網絡后的相對誤差較小，使用SSA優化BP后的預測精度比未優化的更高，可以較為準確地反映應力曲線的變化，很好的滿足了精度上的需求，這說明本文模型的預測精度良好，可以為沖擊地壓預測做前期數據處理工作提供幫助。

綜上所述，SSA優化BP神經網絡用于沖擊地壓數據預測是可行的，且預測精度和穩定性以及運行時間都優于BP神經網絡算法，有較好的實用性。

圖5 預測結果對比