GEOFLUIDSgydF4y2Ba GeofluidsgydF4y2Ba 1468 - 8123gydF4y2Ba 1468 - 8115gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2021/7794753gydF4y2Ba 7794753gydF4y2Ba 研究文章gydF4y2Ba 预测和评价煤矿煤炭撞基于改进神经网络gydF4y2Ba https://orcid.org/0000 - 0002 - 5698 - 3291gydF4y2Ba 龚gydF4y2Ba 双gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba https://orcid.org/0000 - 0003 - 2942 - 3704gydF4y2Ba 棕褐色gydF4y2Ba 易gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba 王gydF4y2Ba 温gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 王gydF4y2Ba 海盐gydF4y2Ba 1gydF4y2Ba 国家重点实验室在煤矿水资源保护和利用gydF4y2Ba 北京100011年gydF4y2Ba 中国gydF4y2Ba 2gydF4y2Ba 能源科学与工程学院gydF4y2Ba 河南理工大学gydF4y2Ba 焦作454000gydF4y2Ba 中国gydF4y2Ba hpu.edu.cngydF4y2Ba 3gydF4y2Ba 河南省重点实验室为绿色、高效开采和综合利用矿产资源gydF4y2Ba 焦作454000gydF4y2Ba 中国gydF4y2Ba 4gydF4y2Ba 协同创新中心的煤炭安全生产gydF4y2Ba 焦作gydF4y2Ba 河南省454000年gydF4y2Ba 中国gydF4y2Ba hpu.edu.cngydF4y2Ba 2021年gydF4y2Ba 20.gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 3gydF4y2Ba 8gydF4y2Ba 2021年gydF4y2Ba 24gydF4y2Ba 9gydF4y2Ba 2021年gydF4y2Ba 20.gydF4y2Ba 10gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 版权©2021双锣等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

煤炭撞预测深层煤矿工程的一个关键问题。准确、可靠地预测煤撞灾难,我们提出一种神经网络(款)深度预测模型基于辍学方法和改进的亚当算法。煤炭撞事故的例子是为了分析影响因素,计算特点,这种类型的事故的原因。最后,四个指标的最大切向应力的围岩,单轴抗压强度的岩石,岩石的单轴抗拉强度、岩石弹性能量形成煤的预测指标体系选择肿块。基于岩爆的研究结果,305组岩石破裂工程实例数据收集煤撞预测的样本数据,然后,预测模型基于辍学和改进Adam-based深层神经网络(DA-DNN)建立了使用深度学习技术。DA-DNN模型避免了确定指标权重的问题,完全数据驱动,减少了人为因素的影响,并且可以实现复杂和微妙的学习深度关系不完整,不准确和嘈杂的有限的数据集。山西煤矿是用来预测煤炭撞与深度学习方法的改善。预测结果验证DA-DNN煤炭撞预测模型的有效性和正确性。最后,证明了该模型可以有效地提供科学依据煤碰撞预测类似的项目。gydF4y2Ba

 重点科研项目基金的河南省高校gydF4y2Ba 20 b440001gydF4y2Ba 21 a610005gydF4y2Ba 河南省重点实验室为绿色、高效开采和综合利用矿产资源(河南理工大学)gydF4y2Ba KCF201804gydF4y2Ba 主要研发和推广的特殊项目(科技)河南省gydF4y2Ba 212102310379gydF4y2Ba 为河南大学的基础研究资金gydF4y2Ba NSFRF200332gydF4y2Ba 中国国家自然科学基金gydF4y2Ba 51974105gydF4y2Ba 河南理工大学gydF4y2Ba B2019-22gydF4y2Ba T2021-5gydF4y2Ba 科技创新人才支持计划在河南省高校gydF4y2Ba 21 hastit024gydF4y2Ba 国家重点实验室在煤矿水资源保护和利用gydF4y2Ba gjny 73.16 - 18gydF4y2Ba 1。介绍gydF4y2Ba

煤炭肿块是一个动态现象的特点是突然,快速,和暴力破坏工作面巷道周围煤(岩)或由于弹性变形能量的瞬间释放gydF4y2Ba 1gydF4y2Ba]。这种灾难是地下采矿工程的一个瓶颈问题,直接威胁到施工人员和设备的安全,严重影响项目进度。因此,预测煤的碰撞是非常重要的。预测是煤炭撞预防和控制的核心。准确和可靠的高强度煤撞灾难的预测是有效地避免和控制它gydF4y2Ba 2gydF4y2Ba]。预测煤的肿块已经成为一个研究热点领域的大规模地下岩土工程和深部煤炭开采矿产资源。gydF4y2Ba

当前研究预测煤的肿块通常可以分为三类:第一类是标准的基础上建立了煤炭碰撞机制,如Russense标准,巴顿判据,Hoek Turchaninov准则,准则(gydF4y2Ba 3gydF4y2Ba]。第二类是基于现场测量的预测方法,主要包括微重力方法(gydF4y2Ba 4gydF4y2Ba],声发射方法[gydF4y2Ba 5gydF4y2Ba),和微震的方法(gydF4y2Ba 6gydF4y2Ba]。第三种类型是预测方法考虑各种因素的影响。第三种方法考虑问题比较全面,对工程实践具有良好的指导意义。近年来,这种方法吸引了学者们的广泛关注。第三个方法分为两个子目录:(1)基于煤炭撞指数标准综合预测方法。其中,谭(gydF4y2Ba 7gydF4y2Ba)提出了一种预测方法综合判断煤的可能性和强度撞击基于模糊数学理论。Adoko et al。gydF4y2Ba 8gydF4y2Ba和王et al。gydF4y2Ba 9gydF4y2Ba)进行了深入研究;基于模糊数学理论建立了预测模型,分别,但在此方法中,指标权重的确定取决于主观因素。胡锦涛et al。(gydF4y2Ba 10gydF4y2Ba)建立了一个改进的物元可拓模型对煤炭撞强度预测,这是很难预测的混合和中间煤疙瘩。陈等人。gydF4y2Ba 11gydF4y2Ba)建立理想点方法的预测模型通过组合加权法计算指标权重,但理想点方法只是一个评估和分析方法,它是必要的,以确定合理的评价因素和理想点在使用。胡锦涛et al。(gydF4y2Ba 12gydF4y2Ba]应用组合权重分配重量指数,建立了煤炭撞主持年级排名模型基于近似理想的解决方案的方法。这种方法很难确定指标权重的情况下多种因素。李等人。gydF4y2Ba 13gydF4y2Ba)提出了一种改进的云模型来预测煤碰撞融合指数权重通过云雾化。的预测精度将减少索引不服从正态分布。(2)煤的综合预测方法撞基于样本数据的例子,其中具有代表性的是:龚et al。gydF4y2Ba 14gydF4y2Ba]煤炭撞预测,建立了贝叶斯判别模型和模型的预测精度容易受原始数据的代表性和样本量。罗和曹gydF4y2Ba 15gydF4y2Ba)主成分分析用于计算权重矩阵,建立了加权距离歧视模型。这种方法极大地影响原始数据的代表性和准确性。吴et al。gydF4y2Ba 16gydF4y2Ba)建立了煤炭撞的最小二乘支持向量机预测模型基于粒子群优化算法。内核函数是支持向量机的核心,和它的选择直接影响到预测精度和计算时间。聚氨酯等。gydF4y2Ba 17gydF4y2Ba)建立了煤炭撞基于决策树的预测模型。决策树是适合高维数据,但很容易适应。gydF4y2Ba

上面的方法和理论的煤碰撞预测取得了一定的预测结果从不同的角度,发挥了巨大的作用在促进研究这个问题。然而,由于煤炭碰撞机制的复杂性,影响因素的多样性,和各种方法的缺陷,实际工程应用中仍存在以下不足:(1)大多数属于综合评价方法的主要思想,核心问题是确定每个指标的权重。然而,体重的决心将不可避免的主观和武断的;重量的合理性的关键是煤撞预测结果的可靠性。(2)煤炭撞预测是一个复杂的非线性问题。煤炭碰撞的发生是多种因素共同作用的结果。这些影响因素确定和量化,而另一些则随机的,定性和模糊。很难全面而准确地描述通过使用数学或机械方法和理论,这是极大地受到人为因素的影响,一个的片面性。因此,它仍然需要探索新的预测方法和开展研究煤撞强度分类预测。1994年,冯gydF4y2Ba 18gydF4y2Ba)首次提出一种自适应模式识别方法,岩爆预测运用神经网络理论,然后,一些学者也在这一领域进行研究。贾et al。gydF4y2Ba 19gydF4y2Ba],Roohollah和阿巴斯[gydF4y2Ba 20.gydF4y2Ba吴,et al。gydF4y2Ba 21gydF4y2Ba建立了广义回归神经网络,情感的神经网络,分别预测模型和概率神经网络煤撞。煤炭肿块是一种特殊形式的矿山压力显现。繁殖的预测机制、发生时间、煤强度撞击一直是一个突出的问题。煤的有效预防和控制的关键撞在于监测和预警的研究煤的肿块。当前矿山监测主要使用微震的全球监测。矿山地震和冲击地压的监测在矿业的脸,最传统的钻芯片方法和压力监测等监测手段使用。预测的准确性有待进一步提升,以及监控系统的发展和安排需要进一步优化。随着大数据和人工智能技术的发展,人们逐渐开始使用计算机模型来预测煤的影响危害肿块。然而,预测主要是基于地质因素和开采技术因素,以及监测数据。相对单一的预测方法和算法,预测结果是固定的,是可怜的指导。 Further research is needed in the comprehensive utilization and integration analysis of the information obtained by various techniques reflecting different aspects of coal bump.

本文研究了深层神经网络模型的基础上,辍学方法和改进的亚当算法。模型充分利用较强的非线性学习能力和深层网络的深度深神经网络(款)gydF4y2Ba 22gydF4y2Ba]。该模型避免了指标权重的确定问题,完全数据驱动的。定性和定量分析的有效结合,避免人为因素的影响。它可以挖掘复杂和微妙的关系不完整,不准确和嘈杂的有限的数据集。因此,研究煤炭撞的深度应用神经网络预测具有重要意义,扩大煤炭碰撞预测系统,提高预测的能力。gydF4y2Ba

 2。预测样本数据库gydF4y2Ba 2.1。评价指标的选择gydF4y2Ba

煤炭撞的发生机制复杂,影响因素很多。指标的选择是预测的关键。太多的指标将很难获得一些指标的测量值,增加预测过程的复杂性。太少的指标不能反映预测过程的全面性,导致结果和现实之间的矛盾。本文的研究是确定煤炭撞预测和评价指标通过分析三个煤炭撞Qianqiu煤矿的工程实例,Zhaolou煤矿,五龙煤矿。煤炭撞工程实例分析的目的是将模糊和nonquantifiable影响因素转化为量化的物理力学指标。同时,所选的指标也应该是常见的,在实践中容易测量,并记录在以前的煤炭撞的例子。gydF4y2Ba

从原位应力水平和煤炭肿块的位置在这个例子中,煤炭肿块通常发生在岩体在高应力集中。因此,围岩隧道壁的最大切向应力是选为煤炭撞预测指标之一。在地形方面,煤炭肿块通常发生在山区或地下深处的项目,或在与高构造应力岩体。从结构布局、开挖越不规则部分,煤炭撞击的可能性就越大,上述因素可以反映围岩的最大切向应力。在这个例子中,煤炭凹凸部分形式主要是拉伸断裂,伴随着剪切破坏,所以选择岩石的抗拉强度和剪切强度。通过阅读现有的文献,发现很少有记录剪切强度在实际煤撞的例子中,这是很难分析。因此,只有选择岩石的抗拉强度作为一个预测煤的撞击,和抗拉强度被认为代表了拉伸和剪切岩石的性质。gydF4y2Ba

此外,煤炭撞主要发生在无烟煤或与完整岩石结构,和常见的指数来衡量煤的硬度岩石,岩石的抗压强度是煤炭和岩石的抗压强度应以几乎任何煤质量工程。因此,煤的抗压强度也选为煤的预测指数肿块。围岩的高能水库的形成必须满足两个条件:一是岩体可以存储大的弹性应变能和第二是岩体内部应力高度集中。煤炭撞倾向指数反映了岩体的能量储存和释放性能。在相同的应力条件下,岩体越大越好岩体的能量储存和释放性能。因此,煤炭被撞上趋势指数选择煤炭评价指标。gydF4y2Ba

通过上面的分析,认为许多影响因素的作用可以反映煤撞四个物理力学指标的最大切向应力,单轴抗压强度、单轴抗拉强度、围岩的弹性能量指数。因此,四个指标的预测和评价指标选择煤炭撞在这个研究。gydF4y2Ba

 2.2。采集的样本数据gydF4y2Ba

根据所选择的评价指标和基于煤炭撞的研究成果gydF4y2Ba 23gydF4y2Ba- - - - - -gydF4y2Ba 26gydF4y2Ba),305组煤撞工程案例数据收集的样本数据煤炭撞预测。所有数据样本完全独立的四个因素。gydF4y2Ba

 3所示。改善深层神经网络模型gydF4y2Ba

近年来,深度学习技术引起了广泛关注。深度学习模型拟合复杂的非线性关系,深层神经网络不仅突破了图像分类也显著提高语音识别的准确性。gydF4y2Ba

3.1。深层神经网络模型gydF4y2Ba

款模型来源于感知器模型(如图gydF4y2Ba 1gydF4y2Ba)。感知器模型只能用于二进制分类和无法学习更复杂的非线性模型。款扩展基于感知器模型通过添加隐藏层,扩大激活功能,添加在输出层神经元。款的内部可以分为三个类别:输入层、隐藏层和输出层。其结构如图gydF4y2Ba 2gydF4y2Ba。款的突出特征是,它有多个隐藏层。每个网络单元之间的联系是一个因果链,可以学习和训练。如果使用相同的网络单元,款已经远比浅网络的表达能力和较强的处理复杂问题的能力。图gydF4y2Ba 3gydF4y2Ba显示肿块的煤炭的数量的趋势在中国据《中国能源统计年鉴》2013年。图gydF4y2Ba 4gydF4y2Ba显示机器学习理论的发展历史的基础上综合分析以前的文学。gydF4y2Ba

感知器的原理图。gydF4y2Ba

深层神经网络的拓扑结构。gydF4y2Ba

中国的凹凸的煤炭数量。gydF4y2Ba

一个简短的机器学习的历史。gydF4y2Ba

激活函数模拟人脑神经元的激活阈值特性,介绍了非线性特性到款,实现从简单的线性空间转变为高度非线性的空间。常用的激活功能包括乙状结肠函数、双曲正切函数,ReLu功能,softplus函数。考虑到模型的快速收敛性和泛化能力强的优势培训使用ReLu函数(gydF4y2Ba 27gydF4y2Ba],ReLu选为隐层的激活函数,及其函数形式如下:gydF4y2Ba (1)gydF4y2Ba fgydF4y2Ba lgydF4y2Ba zgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba zgydF4y2Ba lgydF4y2Ba 。gydF4y2Ba

输出层的激活函数是根据要解决的问题决定的。煤炭碰撞预测属于分类任务,通常采用softmax函数,及其函数形式如下:gydF4y2Ba (2)gydF4y2Ba ugydF4y2Ba =gydF4y2Ba hgydF4y2Ba kgydF4y2Ba lgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba zgydF4y2Ba kgydF4y2Ba lgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba 经验值gydF4y2Ba zgydF4y2Ba 我gydF4y2Ba lgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba hgydF4y2Ba kgydF4y2Ba lgydF4y2Ba 的输出是什么gydF4y2Ba kgydF4y2Ba 在输出层神经元。gydF4y2Ba

提出计算不能学习最好的参数(重量和偏见)基于学习样本。因此,Rumelhart et al。gydF4y2Ba 28gydF4y2Ba]提出了反向传播(BP),每一层的输出参数依次从预测值和实际值的误差,从输出层。当使用BP算法来优化参数,对于分类任务,错误,损失函数通常选择叉及其函数形式如下:gydF4y2Ba (3)gydF4y2Ba EgydF4y2Ba =gydF4y2Ba −gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba TgydF4y2Ba ygydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 日志gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ∧gydF4y2Ba kgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba kgydF4y2Ba 是实际的价值,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba ∧gydF4y2Ba kgydF4y2Ba 预测的价值,gydF4y2Ba NgydF4y2Ba 是学习样本数量,gydF4y2Ba TgydF4y2Ba 的数量分类。gydF4y2Ba

 3.2。算法改进的神经网络模型gydF4y2Ba

过度拟合训练数据指的是国家,只有可以安装,但其他数据不包含在训练数据无法安装。一般来说,过度拟合的原因如下:(1)模型有很多参数和强烈的表现力和(2)更少的训练数据。因为很少有模型的参数中,唯一原因2可以考虑。考虑煤炭碰撞数据的限制,为了防止过度拟合训练过程中款模型,本文使用了辍学的方法来调整模型。辍学的基本思想方法是随机丢弃一定比例的神经元在输入层和隐层款培训过程。辍学减少无关的特性数据的特征提取过程。gydF4y2Ba

款培训的目标是减少错误直到到达全局最优或次优的解决方案基于随机梯度下降法,动量,AdaGrad,自适应运动估计(亚当)。SGD是最简单和常用的优化算法在训练款。亚当与SGD算法相比,算法的优点结合动量算法和Adagrad算法,自动调整学习速率,有效地搜索参数空间。适用于解决问题的煤炭肿块与高噪声预测。虽然亚当算法从理论上解决了自适应学习速率的问题,威尔逊et al。gydF4y2Ba 29日gydF4y2Ba)发现,亚当算法不仅具有较高的训练效果也带来了将近一半的测试误差。为了解决这个问题,我们整合势头的想法gydF4y2Ba 30.gydF4y2Ba到亚当的算法,更稳定。改进的亚当算法的优化和更新步骤显示为算法gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

<大胆>算法1:< /大胆>亚当改进算法的步骤。gydF4y2Ba

改进亚当算法gydF4y2Ba

1。初始化:最初的学习效率,gydF4y2Ba ηgydF4y2Ba =gydF4y2Ba 0.001gydF4y2Ba ;指数衰减速度的一阶矩和二阶矩估计,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba =gydF4y2Ba 0.9gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 0.999gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba ∈gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ;小常数数值稳定,gydF4y2Ba δgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba egydF4y2Ba −gydF4y2Ba 08年gydF4y2Ba

2。初始化参数gydF4y2Ba θgydF4y2Ba

3所示。初始化:一阶矩向量gydF4y2Ba 米gydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ,二阶矩向量gydF4y2Ba vgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ;时间步长gydF4y2Ba tgydF4y2Ba 0gydF4y2Ba =gydF4y2Ba 0gydF4y2Ba ;亚当改善算法的迭代方向gydF4y2Ba pgydF4y2Ba 0gydF4y2Ba λgydF4y2Ba =gydF4y2Ba 0gydF4y2Ba

4所示。当停止标准没有达到gydF4y2Ba

5。一个小批gydF4y2Ba 米gydF4y2Ba样品gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ⋯gydF4y2Ba ⋯gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 米gydF4y2Ba 从训练集收集吗gydF4y2Ba

6。计算梯度ygydF4y2Ba我gydF4y2Ba为目标gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba 1gydF4y2Ba /gydF4y2Ba 米gydF4y2Ba ∇gydF4y2Ba θgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba lgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ;gydF4y2Ba θgydF4y2Ba ,gydF4y2Ba ygydF4y2Ba 我gydF4y2Ba

7所示。gydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba tgydF4y2Ba +gydF4y2Ba 1gydF4y2Ba

8。更新有偏见的一阶矩估计:gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ⋅gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba ⋅gydF4y2Ba ggydF4y2Ba tgydF4y2Ba

9。更新有偏见的二阶矩估计:gydF4y2Ba vgydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba vgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba ⋅gydF4y2Ba ggydF4y2Ba tgydF4y2Ba ⊙gydF4y2Ba ggydF4y2Ba tgydF4y2Ba

10。纠正偏差的第一时刻:gydF4y2Ba 米gydF4y2Ba ^gydF4y2Ba ⟵gydF4y2Ba 米gydF4y2Ba tgydF4y2Ba /gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba

11。正确的偏差二阶矩:gydF4y2Ba vgydF4y2Ba ^gydF4y2Ba ⟵gydF4y2Ba vgydF4y2Ba tgydF4y2Ba /gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba βgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba

12。的更新改进亚当的每个迭代算法:gydF4y2Ba PgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba =gydF4y2Ba 米gydF4y2Ba ^gydF4y2Ba tgydF4y2Ba /gydF4y2Ba vgydF4y2Ba ^gydF4y2Ba +gydF4y2Ba δgydF4y2Ba PgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba ⟵gydF4y2Ba λgydF4y2Ba ⋅gydF4y2Ba PgydF4y2Ba tgydF4y2Ba 量gydF4y2Ba 1gydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba +gydF4y2Ba ηgydF4y2Ba ⋅gydF4y2Ba PgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba

13。参数更新:gydF4y2Ba θgydF4y2Ba tgydF4y2Ba ⟵gydF4y2Ba θgydF4y2Ba tgydF4y2Ba −gydF4y2Ba 1gydF4y2Ba −gydF4y2Ba PgydF4y2Ba tgydF4y2Ba 一个gydF4y2Ba 米gydF4y2Ba

14。结束时gydF4y2Ba

3.3。煤炭撞基于改进神经网络预测模型gydF4y2Ba

摘要辍学方法和改进的亚当算法应用于煤炭撞预测模型基于款。煤流碰撞预测模型基于DA-DNN如图gydF4y2Ba 5gydF4y2Ba。考虑到有限的煤炭撞示例数据,参考数据集划分方法常用的深度学习领域;训练集、验证集和测试集划分根据6:2:2。首先,61组随机选择从305组样本数据作为测试集,提取数据特征可以代表整个数据集和相同的训练集,其余的244组样本数据作为学习样本的DA-DNN模型。在培训过程中,80%的学习样本作为训练集,20%作为验证集,之间没有交叉训练集和验证集。该训练集用于培训和更新模型参数。验证设置用于测试模型的精度,调整超级参数(培训时间、学习速率等),和监控模型是否已经安装。测试集是用来评估后的泛化能力和测试真正的预测精度的最后训练模型。gydF4y2Ba

流程图的煤炭撞预测基于改进神经网络模型。gydF4y2Ba

输入层神经元包括4。全面考虑到训练精度、训练时间和其他因素,根据经验公式,确定隐层是三层,和神经元节点的数量是32,64,分别和16。如表所示gydF4y2Ba 1gydF4y2Ba、煤炭撞强度通常分为四个层次,即没有煤炭肿块(一级),轻微的煤炭撞(要求等级2),中间煤炭肿块(第三级),和强大的煤炭肿块(ⅳ级)。考虑到DA-DNN模型的输入和输出数值,上述煤炭撞水平编码,和四个“不”岩爆的水平,“轻微的岩爆”,“中等岩爆”,和“强烈岩爆”是由数字“0”、“1”、“2”和“3”。四个输出层神经元是“0”,“1”、“2”、“3”。gydF4y2Ba

煤参数预测模型。gydF4y2Ba

序列号gydF4y2Ba 参数gydF4y2Ba 价值gydF4y2Ba
1gydF4y2Ba 输入层的神经元数gydF4y2Ba 6gydF4y2Ba
2gydF4y2Ba 隐层神经元的数目gydF4y2Ba 32岁,64年,16岁gydF4y2Ba
3gydF4y2Ba 输出层的神经元数量gydF4y2Ba 6gydF4y2Ba
4gydF4y2Ba 隐层的激活函数gydF4y2Ba 线性整流函数（Rectified Linear Unit）gydF4y2Ba
5gydF4y2Ba 输出层的激活函数gydF4y2Ba SoftmaxgydF4y2Ba
6gydF4y2Ba 损失函数gydF4y2Ba 叉的错误gydF4y2Ba
7gydF4y2Ba 抑制过度拟合gydF4y2Ba 辍学的方法gydF4y2Ba
8gydF4y2Ba 辍学下降率模型gydF4y2Ba PgydF4y2Ba =gydF4y2Ba 0.4gydF4y2Ba
9gydF4y2Ba 培训功能gydF4y2Ba 改进亚当算法gydF4y2Ba
10gydF4y2Ba 最初的学习速率gydF4y2Ba ηgydF4y2Ba =gydF4y2Ba 0.001gydF4y2Ba
11gydF4y2Ba 动量系数gydF4y2Ba λgydF4y2Ba =gydF4y2Ba 0.95gydF4y2Ba
12gydF4y2Ba 错误的目标价值gydF4y2Ba 0.001gydF4y2Ba
13gydF4y2Ba 批量大小gydF4y2Ba 10gydF4y2Ba
14gydF4y2Ba 培训时间gydF4y2Ba 70年gydF4y2Ba

隐层的激活函数是ReLu函数。因为煤炭碰撞预测是一个分类的任务,输出层的激活函数是softmax函数,损失函数是叉错误。验证的优越性ReLu函数,测试集的预测精度是作为验证的目标,这是相对于其他三种常见的激活函数。从图可以看出gydF4y2Ba 6gydF4y2Ba,选择ReLu作为激活函数的预测精度超过95%,剩下的不到85%。显然,选择ReLu函数的预测精度较高。gydF4y2Ba

激活函数的选择和比较。gydF4y2Ba

本研究采用改进的亚当算法。来验证改进的亚当算法的优越性,它是与SGD相比,亚当,亚当和改进。从图可以看出gydF4y2Ba 7gydF4y2Ba,以测试集的预测精度为验证目标,当训练*(时代)小于700,SGD算法的预测精度小于62%。当100年培训时间,亚当和改进亚当算法的准确性达到70%以上,而当300年培训时间,改进亚当算法的准确性达到95%以上。这显然是比亚当算法。只有当训练时间大于700,SGD算法的预测精度可以达到70%以上。从图可以看出gydF4y2Ba 8gydF4y2Ba改进的亚当算法的训练时间明显低于亚当算法,表明其收敛速度损失更好。DA-DNN煤炭撞预测模型的主要参数如表所示gydF4y2Ba 1gydF4y2Ba。摘要DA-DNN算法是用Python编程语言,开发环境是Python 3.7,基于keras算法的代码实现方案。gydF4y2Ba

比较三种算法的预测精度。gydF4y2Ba

训练时间比较之前和之后的算法改进。gydF4y2Ba

 4所示。案例研究煤的碰撞基于改进神经网络模型gydF4y2Ba

以山西省煤矿为例,煤矿的开采深度是500米,有许多影响动态现象在巷道开挖,有岩石破裂事故,属于我强烈岩爆。根据上述指标的预测结果,这与实际情况是一致的。钻孔卸压方法形成围岩断裂区域通过构建大直径孔煤壁,消除应力集中,降低风险的影响。钻井和卸载压力形成的破碎区可以减弱矿山地震引起的振动波,迅速削弱振动波能量传输到巷道,并保护巷道受震破坏。大口径钻探的减压原理如图gydF4y2Ba 9gydF4y2Ba。gydF4y2Ba

措施,防止危害的影响。(一)隧道层卸压开采的布局。(b)煤的应力变化曲线影响大直径减压孔。gydF4y2Ba

在401101年的采矿工作面和中央主要巷道的开挖煤矿、压力缓解两岸的巷道钻孔。钻井方向是沿煤层倾向,孔间距为0.7 m,井深20米,洞是1.2 ~ 1.5米的巷道。从图可以看出gydF4y2Ba 10gydF4y2Ba每日总能量是在低能量阶段煤炭撞击事件后连续五天6月16日,和大能量释放事件再次发生6月22日,但没有引起煤炭撞击事故。自那时起,全面预防和控制方案结合综合支持技术和大口径钻孔卸压巷道实施,和能源已经低于gydF4y2Ba 7.5gydF4y2Ba ×gydF4y2Ba 10gydF4y2Ba 4gydF4y2Ba JgydF4y2Ba 连续4天之后,该计划的实施;频率小于3倍,表明该方案可以有效降低能量存储在煤岩体及其振动频率。gydF4y2Ba

钻孔卸压后微震的能量和频率的变化。gydF4y2Ba

从上面可以看出,采用综合防治方案后在巷道开挖过程中,煤炭碰撞的发生频率和强度显著降低,虽然没有影响区域应力水平较低,表明综合防治方案的效果起到了很好的控制作用,取得一定成果的预防和控制煤矿肿块。gydF4y2Ba

 5。结论gydF4y2Ba

当培训时间(时代)不到700,SGD算法的预测精度小于60%。当100年培训时间,亚当和改进亚当算法的准确性达到70%以上,而当300年培训时间,改进亚当算法的准确性达到95%以上gydF4y2Ba

综合防治方案结合综合支持技术和大口径钻孔卸压巷道实施,和能源已经低于gydF4y2Ba 7.5gydF4y2Ba ×gydF4y2Ba 10gydF4y2Ba 4gydF4y2Ba JgydF4y2Ba 连续4天之后,该计划的实施;频率小于3倍,表明该方案可以有效降低能量存储在煤岩体及其振动频率gydF4y2Ba

后采用综合防治方案在巷道开挖过程中,煤炭碰撞的发生频率和强度显著降低,虽然没有影响区域应力水平较低,表明综合防治方案的效果起到了很好的控制作用,取得一定成果的预防和控制煤矿肿块gydF4y2Ba

煤产生碰撞数据快速增长,大量在采矿工程。传统的数据处理方法逐渐不能适应。紧急方向发展人工智能数据处理方法和使用深度学习的技术学习和矿井煤炭碰撞数据gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关的出版。gydF4y2Ba

 确认gydF4y2Ba

这项工作是财政支持的国家重点实验室的水资源保护和利用煤矿(gjny - 18 - 73.16),科技创新人才支持计划的河南省高校(21 hastit024)的时候,在河南理工大学科技创新研究团队(T2021-5),中国国家自然科学基金(51974105),河南大学的基础研究基金(批准号NSFRF200332),重点研发和推广的特殊项目(科技)河南(212102310379号),重点科研项目基金的河南省高校(21 a610005号和20号b440001),河南省重点实验室绿色高效开采和综合利用矿产资源(河南理工大学)(KCF201804),和河南理工大学的博士生基础(没有。B2019-22)。非常感谢您的支持。gydF4y2Ba

 龚gydF4y2Ba 年代。gydF4y2Ba 调查烟煤的拉伸和断裂力学性能在不同的应变率gydF4y2Ba 材料研究和技术杂志》上gydF4y2Ba 2021年gydF4y2Ba 15gydF4y2Ba 834年gydF4y2Ba 845年gydF4y2Ba 龚gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba Z。gydF4y2Ba 周gydF4y2Ba lgydF4y2Ba 王gydF4y2Ba W。gydF4y2Ba 的拉伸断裂性能试验研究burst-prone在准静态条件下煤gydF4y2Ba 冲击和振动gydF4y2Ba 2021年gydF4y2Ba 2021年gydF4y2Ba 1gydF4y2Ba 13gydF4y2Ba 李gydF4y2Ba x B。gydF4y2Ba 龚gydF4y2Ba f . Q。gydF4y2Ba 王gydF4y2Ba 美国F。gydF4y2Ba 李gydF4y2Ba d . Y。gydF4y2Ba 道gydF4y2Ba M。gydF4y2Ba 周gydF4y2Ba J。gydF4y2Ba 黄gydF4y2Ba l Q。gydF4y2Ba 马gydF4y2Ba c, D。gydF4y2Ba 杜gydF4y2Ba K。gydF4y2Ba 冯gydF4y2Ba F。gydF4y2Ba 耦合分析动载荷岩爆的力学机制和动态标准深硬岩矿山gydF4y2Ba 中国岩石力学与工程学报gydF4y2Ba 2019年gydF4y2Ba 38gydF4y2Ba 4gydF4y2Ba 708年gydF4y2Ba 723年gydF4y2Ba 伯聂乌斯基gydF4y2Ba z . T。gydF4y2Ba 岩石的脆性断裂机理gydF4y2Ba 国际岩石力学和采矿科学和地质力学学报文摘gydF4y2Ba 1967年gydF4y2Ba 4gydF4y2Ba 4gydF4y2Ba 405年gydF4y2Ba 430年gydF4y2Ba 陆gydF4y2Ba c·P。gydF4y2Ba 杨gydF4y2Ba lgydF4y2Ba 侬gydF4y2Ba Z。gydF4y2Ba 现场和实验调查的岩爆引起的前体和预防断层滑动gydF4y2Ba 国际岩石力学和采矿科学杂志》上gydF4y2Ba 2018年gydF4y2Ba 108年gydF4y2Ba 86年gydF4y2Ba 95年gydF4y2Ba 邓肯gydF4y2Ba p . M。gydF4y2Ba 艾斯纳gydF4y2Ba lgydF4y2Ba 储层表征表面使用微震的监控gydF4y2Ba 地球物理学gydF4y2Ba 2010年gydF4y2Ba 75年gydF4y2Ba 3gydF4y2Ba 75139年gydF4y2Ba 75146年gydF4y2Ba 棕褐色gydF4y2Ba y。gydF4y2Ba 应用综合评价运用模糊数学在地下洞室岩爆的预测gydF4y2Ba 第二届全国代表大会的中国岩石力学与工程学会gydF4y2Ba 1989年gydF4y2Ba 北京gydF4y2Ba 了解新闻gydF4y2Ba 247年gydF4y2Ba 253年gydF4y2Ba AdokogydF4y2Ba a . C。gydF4y2Ba GokceoglugydF4y2Ba C。gydF4y2Ba 吴gydF4y2Ba lgydF4y2Ba 左gydF4y2Ba 问:J。gydF4y2Ba 以知识为基础的岩爆预测和数据驱动的模糊建模gydF4y2Ba 国际岩石力学和采矿科学杂志》上gydF4y2Ba 2013年gydF4y2Ba 61年gydF4y2Ba 4gydF4y2Ba 86年gydF4y2Ba 95年gydF4y2Ba 10.1016 / j.ijrmms.2013.02.010gydF4y2Ba 2 - s2.0 - 84875244443gydF4y2Ba 王gydF4y2Ba C。gydF4y2Ba 吴gydF4y2Ba 一个。gydF4y2Ba 陆gydF4y2Ba H。gydF4y2Ba 保gydF4y2Ba T。gydF4y2Ba 刘gydF4y2Ba X。gydF4y2Ba 基于模糊物元模型预测岩爆倾向gydF4y2Ba 国际岩石力学和采矿科学杂志》上gydF4y2Ba 2015年gydF4y2Ba 75年gydF4y2Ba 224年gydF4y2Ba 232年gydF4y2Ba 10.1016 / j.ijrmms.2015.02.004gydF4y2Ba 2 - s2.0 - 84924165438gydF4y2Ba 胡gydF4y2Ba j . H。gydF4y2Ba 商gydF4y2Ba j·L。gydF4y2Ba 周gydF4y2Ba k P。gydF4y2Ba 改进的物元可拓模型及其应用岩石破裂强度的预测gydF4y2Ba 中国有色金属学报gydF4y2Ba 2013年gydF4y2Ba 23gydF4y2Ba 2gydF4y2Ba 495年gydF4y2Ba 502年gydF4y2Ba 徐gydF4y2Ba C。gydF4y2Ba 刘gydF4y2Ba x L。gydF4y2Ba 王gydF4y2Ba e . Z。gydF4y2Ba 王gydF4y2Ba 美国J。gydF4y2Ba 预测和分类基于摘要的应变模式岩爆判据和weight-ideal点相结合的方法gydF4y2Ba 中国岩土工程杂志》上gydF4y2Ba 2017年gydF4y2Ba 39gydF4y2Ba 12gydF4y2Ba 2245年gydF4y2Ba 2252年gydF4y2Ba 胡gydF4y2Ba 问:G。gydF4y2Ba 程ydF4y2Ba f·M。gydF4y2Ba 宁gydF4y2Ba g . Z。gydF4y2Ba 岩爆CW-TOPSIS评价模型和应用程序gydF4y2Ba 山东大学学报(工程科学版)gydF4y2Ba 2017年gydF4y2Ba 47gydF4y2Ba 2gydF4y2Ba 20.gydF4y2Ba 25gydF4y2Ba 李gydF4y2Ba s . H。gydF4y2Ba 王gydF4y2Ba s Y。gydF4y2Ba 朱gydF4y2Ba j . D。gydF4y2Ba 李gydF4y2Ba B。gydF4y2Ba 杨gydF4y2Ba J。gydF4y2Ba 吴gydF4y2Ba l Z。gydF4y2Ba 预测岩爆倾向基于加权融合和改进的云模型gydF4y2Ba 中国岩土工程杂志》上gydF4y2Ba 2018年gydF4y2Ba 40gydF4y2Ba 6gydF4y2Ba 1075年gydF4y2Ba 1083年gydF4y2Ba 龚gydF4y2Ba f . Q。gydF4y2Ba 李gydF4y2Ba x B。gydF4y2Ba 张gydF4y2Ba W。gydF4y2Ba 地下工程岩爆的预测基于贝叶斯判别分析方法gydF4y2Ba 岩石和土力学gydF4y2Ba 2010年gydF4y2Ba 31日gydF4y2Ba 370年gydF4y2Ba 377年gydF4y2Ba 罗gydF4y2Ba lgydF4y2Ba 曹gydF4y2Ba P。gydF4y2Ba 模型的加权距离判别分析和应用深的巷道gydF4y2Ba 中南大学学报(科技)gydF4y2Ba 2012年gydF4y2Ba 43gydF4y2Ba 10gydF4y2Ba 3971年gydF4y2Ba 3975年gydF4y2Ba 吴gydF4y2Ba s . C。gydF4y2Ba 吴gydF4y2Ba z G。gydF4y2Ba 张gydF4y2Ba c . X。gydF4y2Ba 基于案例分析的岩爆预测概率模型gydF4y2Ba 隧道与地下空间技术gydF4y2Ba 2019年gydF4y2Ba 93年gydF4y2Ba 103069年gydF4y2Ba 10.1016 / j.tust.2019.103069gydF4y2Ba 2 - s2.0 - 85070258530gydF4y2Ba 聚氨酯gydF4y2Ba Y Y。gydF4y2Ba ApelgydF4y2Ba d·B。gydF4y2Ba LinggagydF4y2Ba B。gydF4y2Ba 在金伯利岩岩爆预测无监督学习方法和支持向量分类器gydF4y2Ba 隧道与地下空间技术gydF4y2Ba 2019年gydF4y2Ba 90年gydF4y2Ba 12gydF4y2Ba 18gydF4y2Ba 10.1016 / j.tust.2019.04.019gydF4y2Ba 2 - s2.0 - 85067994823gydF4y2Ba 冯gydF4y2Ba x T。gydF4y2Ba 自适应模式识别预测岩爆在地下的开口gydF4y2Ba 东北大学学报gydF4y2Ba 1994年gydF4y2Ba 15gydF4y2Ba 5gydF4y2Ba 471年gydF4y2Ba 475年gydF4y2Ba 贾gydF4y2Ba y . P。gydF4y2Ba 陆gydF4y2Ba Q。gydF4y2Ba 商gydF4y2Ba Y。gydF4y2Ba 岩爆预测使用粒子群优化算法和广义回归神经网络gydF4y2Ba 中国岩石力学与工程学报gydF4y2Ba 2013年gydF4y2Ba 32gydF4y2Ba 2gydF4y2Ba 343年gydF4y2Ba 348年gydF4y2Ba RoohollahgydF4y2Ba 美国F。gydF4y2Ba 阿巴斯gydF4y2Ba T。gydF4y2Ba 长期预测岩爆风险在地下深处开口使用三个强大的数据挖掘技术gydF4y2Ba 与计算机工程gydF4y2Ba 2019年gydF4y2Ba 35gydF4y2Ba 2gydF4y2Ba 659年gydF4y2Ba 675年gydF4y2Ba 10.1007 / s00366 - 018 - 0624 - 4gydF4y2Ba 2 - s2.0 - 85048592771gydF4y2Ba 吴gydF4y2Ba s . C。gydF4y2Ba 张gydF4y2Ba c . X。gydF4y2Ba 程gydF4y2Ba z Q。gydF4y2Ba 强度的预测分类基于PCA-PNN岩爆gydF4y2Ba 中国煤炭学会杂志》上gydF4y2Ba 2019年gydF4y2Ba 44gydF4y2Ba 9gydF4y2Ba 2767年gydF4y2Ba 2776年gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba OsinderogydF4y2Ba 年代。gydF4y2Ba 格兰gydF4y2Ba y W。gydF4y2Ba 深度信念网的快速学习算法gydF4y2Ba 神经计算gydF4y2Ba 2006年gydF4y2Ba 18gydF4y2Ba 7gydF4y2Ba 1527年gydF4y2Ba 1554年gydF4y2Ba 10.1162 / neco.2006.18.7.1527gydF4y2Ba 2 - s2.0 - 33745805403gydF4y2Ba 钱gydF4y2Ba 问:H。gydF4y2Ba 的定义、机理、分类和定量预测模型对岩爆和煤炭肿块gydF4y2Ba 岩石和土力学gydF4y2Ba 2014年gydF4y2Ba 35gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 6gydF4y2Ba 非洲水稻中心gydF4y2Ba h·A。gydF4y2Ba HaddaragydF4y2Ba s . H。gydF4y2Ba ·丁gydF4y2Ba e . M。gydF4y2Ba SedahmedgydF4y2Ba M。gydF4y2Ba 晶格玻尔兹曼的模拟非均匀多孔介质的毛细管压力凹凸现象gydF4y2Ba 石油科学与工程杂志》上gydF4y2Ba 2017年gydF4y2Ba 157年gydF4y2Ba 558年gydF4y2Ba 569年gydF4y2Ba 10.1016 / j.petrol.2017.06.058gydF4y2Ba 2 - s2.0 - 85026418731gydF4y2Ba 王gydF4y2Ba H。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 杰gydF4y2Ba Z。gydF4y2Ba RuyuegydF4y2Ba 年代。gydF4y2Ba 程ydF4y2Ba W。gydF4y2Ba 数值调查评估和缓解煤炭撞在一个岛上长壁板gydF4y2Ba 国际矿业科技杂志》上gydF4y2Ba 2013年gydF4y2Ba 5gydF4y2Ba 625年gydF4y2Ba 630年gydF4y2Ba 赵gydF4y2Ba Y。gydF4y2Ba 江gydF4y2Ba Y。gydF4y2Ba 声发射和热红外前体bump-prone煤炭失败gydF4y2Ba 国际煤炭地质杂志》上gydF4y2Ba 2010年gydF4y2Ba 83年gydF4y2Ba 1gydF4y2Ba 11gydF4y2Ba 20.gydF4y2Ba 10.1016 / j.coal.2010.04.001gydF4y2Ba 2 - s2.0 - 77953622708gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba lgydF4y2Ba 刘gydF4y2Ba D。gydF4y2Ba 修改后的漏ReLU方案(高)与多个材料拓扑优化gydF4y2Ba 应用数学和计算gydF4y2Ba 2019年gydF4y2Ba 352年gydF4y2Ba 188年gydF4y2Ba 204年gydF4y2Ba 10.1016 / j.amc.2019.01.038gydF4y2Ba 2 - s2.0 - 85061653882gydF4y2Ba RumelhartgydF4y2Ba d E。gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba 威廉姆斯gydF4y2Ba r . J。gydF4y2Ba 学习back-propagating错误的陈述gydF4y2Ba 自然gydF4y2Ba 1986年gydF4y2Ba 323年gydF4y2Ba 6088年gydF4y2Ba 533年gydF4y2Ba 536年gydF4y2Ba 10.1038 / 323533 a0gydF4y2Ba 2 - s2.0 - 0022471098gydF4y2Ba 威尔逊gydF4y2Ba a . C。gydF4y2Ba 鲁洛夫•gydF4y2Ba R。gydF4y2Ba 斯特恩gydF4y2Ba M。gydF4y2Ba SrebrogydF4y2Ba N。gydF4y2Ba 雷希特gydF4y2Ba B。gydF4y2Ba 的边际值自适应梯度方法在机器学习gydF4y2Ba 学报》31日会议上的神经信息处理系统gydF4y2Ba 2017年gydF4y2Ba 美国长滩gydF4y2Ba 1gydF4y2Ba 14gydF4y2Ba 张gydF4y2Ba H。gydF4y2Ba 在深入学习研究和改进的优化算法gydF4y2Ba 2017年gydF4y2Ba 北京gydF4y2Ba 北京邮电大学gydF4y2Ba