灾难的一种新方法预测基于最小二乘优化神经网络

文摘

评估风险的先决条件的实现对策岩爆的预防和控制,快速预测和研究岩爆现场更重要的是对煤矿的安全生产。针对动态灾害造成的问题由很多因素和异质性的煤和岩石很难预测煤矿开采过程中,在这篇文章中,一般的法律和岩爆的风险控制因素进行了研究,基于BP神经网络的数学模型,建立了根据不同的实际开采条件在矿区,取得预测结果和输出层。然后,输出样本训练后的结果通过使用SPSS软件,安装和多个最小平方拟合得到的拟合函数。最后,拟合结果检查实际煤矿动力灾害的数据参数。预测结果表明,BP神经网络预测模型的仿真结果和拟合函数的最小二乘法可以减少主观判断的影响预测结果,拟合函数的应用可以在第一次获得预测结果,确保施工安全。现场风险评估和检验的方法通过使用拟合函数是简单可行的,具有较高的准确性,它提供了一个新想法的岩爆预测领域。

1。介绍

岩爆是一种常见的煤矿生产和动态灾害越来越严重随着开采深度和强度的增加逐年[1]。岩爆是一个相当复杂的动态现象,有许多影响因素;是等因素综合作用的结果,地面压力和煤的物理和机械性能,以及影响因素非常模糊和非线性。

目前,一系列的理论和技术措施对风险评估、预防、和岩爆的预测已经被开发出来,包括刚度理论、强度理论、能量理论,“三个标准”理论、突变理论、灰色理论、综合指数法、灾难级数方法,层次分析法,混沌理论(2- - - - - -4]。电磁辐射监测方法包括(5],声发射观测[6,7],微地震监测[8),断层扫描技术(9),和钻井岩屑(10]。岩爆的日益严重情况在煤矿,更高的要求提出了岩爆的监控和预测。然而,现有的方法通常是在考虑单一因素和指标来解决这个非线性问题,还有存在的问题在预测精度和可靠性。因此,如何综合考虑多种因素的相互作用和非线性关系,实现准确、高效的现场岩爆的预测已经成为了岩爆的预防和控制的关键。

作为方法的非线性逼近能力基于黑盒理论,信息映射的神经网络具有独特的优势。它可以捕捉影响因素之间的相关法律和优秀的动态事件灾难数据,结合定性和定量。它还可以减少主观性,是科学、合理,计算过程简单,计算结果是准确的,它被广泛应用于对岩爆的预测,煤与瓦斯突出。理想的效果可以通过使用神经网络模型;因此,国内外许多专家和学者进行了大量的研究,产生了重要的结果在这个领域11- - - - - -13]。为了有效地预测和防止岩爆发生在煤矿,王et al。14)提高了BP神经网络预测结合声发射技术和神经网络。一个新的线性生成机制(LGMS)被刘和李15,16)修改果蝇优化算法(失落)优化广义回归神经网络(GRNN)和BP神经网络;建立了岩爆的预测模型具有良好的预测能力和泛化能力。为了更合理和有效地解决煤矿岩爆的风险预测问题,高et al。17]介绍了主成分分析(PCA)压缩来自GRNN的输入样本的信息。李等人。18)建立基于主成分分析的评价模型和RBF神经网络。预测结果表明,PCA-GRNN模型和PCA-RBF模型显示出更多优秀的网络性能和更高的预测精度和泛化能力。周和王(19)发展了概率神经网络(并通过基于多元模式分类的贝叶斯标准。Afraei et al。20.)开发的智能分类岩爆预测模型通过使用五个普遍技术包括人工神经网络技术;不同分类模型的训练和测试相同的对应数据集评估和比较他们的表演在类似的条件。机器学习的两个主要组件(21),人工神经网络(ANN)和支持向量机(SVM),已经使用了岩爆预测。Zhang et al。22,23]建立的预测模型是基于SVM理论考虑岩爆的影响因素。和统计学习方法,支持向量机用于金伯利岩破裂预测的渊源等。24]。

总之,神经网络操作的分析过程是复杂的,它通常需要由电脑编程。前线员工很难得到第一手关于岩爆的预测结果的信息,和原位准确和高效的岩爆预测需要进一步研究。作为一种数学优化技术,使用最小二乘法最小化误差的平方和寻找数据的最佳函数匹配。可以使用最小二乘法获得未知数据简单,使获得的之间的误差平方和最小的数据和实际的数据。最小二乘法的思想用于本文以适应所有的影响因素和岩爆的风险指数,得到最小二乘拟合函数。后监测的因素影响岩爆的风险,我们可以正常的数据和计算影响的帮助下风险最小平方拟合函数。人工神经网络和最小二乘拟合函数提高初始预测和监测的效率。同时,他们相互验证,有效地提高预测的准确性和探索新想法的现场岩爆的预测和预防。

2。设计基于Matlab的BP神经网络

人工神经网络是一种新的信息处理系统的基础上,初步了解人类大脑的结构和活动机制(25]。它是一个非线性的复杂的网络系统,与神经元处理单元类似于神经元相互连接。的基础上理解人类大脑的神经网络,人类大脑的神经网络与数学和物理方法和抽象信息处理角度,和建立一个简化的模型。它分为前馈网络和反馈网络根据网络结构(26]。

误差反向传播神经网络是一种多层前馈网络。反向传播学习算法的权重调整;这个网络也称为BP网络(27- - - - - -30.]。学习过程由正向传播和误差反向传播的信息。的函数作为神经元的传递函数。在前进的过程中传播的信息,从中间输入参数传输层通过输入层到输出层,和任意非线性可以实现从输入到输出的映射。如果输出层不能得到期望的输出,则传输误差反向传播。此时,传输误差信号从输出层向输入层和调整每一层的连接权值和阈值,减少错误直到到达目标的准确性。目前,绝大多数的神经网络应用程序全部采用BP网络或其改进形式,提出网络的核心部分,体现了神经网络的本质。典型的BP神经网络有五种智能特征,包括联想记忆、非线性映射,分类和识别、优化计算、和知识处理。三层感知器包括一个输入层、隐层和输出层。信息隐含在一个网络由大量神经元的连接,没有明确的描述和一个非线性传递函数的引入,它提供了一种处理非线性复杂问题的有力工具。此外,神经网络具有自学习的能力,这可以训练新的数据,可以调整模型,自适应的动态过程。

神经网络的计算和推导过程是复杂的。Matlab是一种最优秀的数值计算和仿真分析的软件。它有许多优点,如编程效率高,扩展能力强,方便的绘图功能,简单的句子,丰富的内涵,和高的效率矩阵和数组。神经网络工具箱开发了在Matlab环境中基于神经网络理论;它可以构建典型的神经网络的激活函数,以便设计师的计算选择网络的输出成为调用激活函数。SPSS是一系列的IBM软件产品及相关服务,用于统计分析、数据挖掘、预测分析和决策支持任务。在SPSS的“回归”子菜单,一个非常富有和强大的回归建模功能。基于最小二乘的概念(31日),对多个自变量的回归模型,应用SPSS软件可以很容易地得到期望的结果。

2.1。BP神经网络模型的建设

岩爆是一个复杂的动态现象在我。其力学环境、位置和宏观和微观的外表是多种多样的,冲击强度和损伤程度是不同的。高强度的变形能量引起的煤(岩)矿山开采可以瞬间释放。它可以导致煤岩体被扔在相应的挖掘空间,导致损害的支持,屋顶,道路的堵塞,受伤的人,伟大的噪音,和岩体冲击岩爆所有被认为是危险的。在BP网络的输入层节点的数目取决于数据源的维数。在输出层节点的数目取决于研究对象的分类。选择影响岩爆的主要因素作为模型的输入参数。确定特征指数可以反映岩爆的法律的前提下,建立岩爆的预测模型。(32- - - - - -34岩石破裂的主要因素根据前面分析基本上是相同的。它可以概括为综合效应的结果的主要因素,如X1开采深度、X2煤层厚度、X3煤层倾角,X4顶板岩性、X5地质结构,X6煤岩石强度和X7矿业的意思。因此上述因素作为输入变量。输入层的量化指标标准化和规范化的封闭区域[0 1]。输出变量是否存在危险的岩石破裂监测站点。神经网络的输出层使用1和0,分别指示岩石破裂的风险。弱者对工作面影响相对较小。为了简化分析,神经网络分析统一显示为0,和中等或以上岩爆计算根据1 (35]。

通常,隐藏层和隐藏的神经元的数量确定速度、神经网络的收敛性和存储空间。网络中节点的数量在其泛化能力有很大的影响。节点的数量太少,不能适应示例数据。节点的数量太大,那么它会记住所有学习资料,还包括噪声干扰,但减少了泛化性能。根据以往丰富的理论和实践,一个三层BP网络隐层可以近似任何有理函数(36]。增加隐藏层的数量可以进一步减少错误,提高精度,但同时使网络复杂化,从而增加网络权值的训练时间。为了减少系统的规模和复杂性尽可能本文采用三级改进BP网络模型1的输入层,1隐层和输出层。然后进行网络训练,岩爆预测的BP人工神经网络模型时获得网络收敛。样本参数的测量值需要预测岩爆的被使用这个模型作为输入量,和岩爆等级决定根据实际输出。

选择隐层神经元的数目是一个非常复杂的问题,这是由于网络映射的复杂性和不确定性的培训过程。它常常需要确定根据设计者的经验和多次模拟测试。大多数选择隐藏节点的方法是基于一个经验公式。经验公式的基础上,确定节点的数量根据神经网络的预测效果。模型相关性差当隐层节点的数量小于12,超过16。节点的实际预测能力在12日至16日范围测试,和15层隐层节点的选择,和数据模拟不同隐层节点表所示1。

的收敛因子代表了学习速率,即步长。网络训练的数量将会增加,学习效率的价值时将是缓慢的η太小了,但是学习的过程是相对稳定的。如果该值的η比较大,学习的过程将会非常快,但学习过程太快;这可能会导致不稳定的解决方案的过程,但会导致错误的增加 。最大的培训频率 ,精度和训练 。BP算法训练网络。当训练的目标是达到或满足最大迭代次数,自动停止训练。建立网络结构模型如图1。

在Matlab中,“newff”功能可用于创建BP神经网络,这就需要四个输入条件:输入的最大和最小的样品维度,每一层的神经元数量,每一层的神经元的传递函数和训练函数的名称。创建BP网络后,网络自动初始化权值和阈值,默认值为0。摘要网络的权值和阈值由确定的实际大小的影响。的函数是用来输入给定的网络结构和输入矩阵,和模拟操作的结果。Matlab提供的各种培训功能不同的条件,和网络的权值和阈值将反复调整减少性能函数的默认值。

2.2。应用BP神经网络模型

基于实际情况的相邻矿区岩爆我的山东省,中国,岩爆情况在不同的矿区附近不同位置进行了研究。为了实现现场快速、准确预测的影响,所有参数由现场技术人员量化。为了满足BP神经网络的要求,避免收敛的问题由小信号数据下沉和奇异数据造成的。同时,为了加快操作,所有数据归一化。与此同时,为了提高数据的可靠性,量化过程由一个统一的标准。开采深度、煤层厚度和煤层倾角是基于测量结果的归一化的公式。

的公式,和之前和之后的值转换和吗和分别是样本的最大和最小值。

屋顶的参数管理、地质构造、煤岩强度和采矿方法根据简单的分为四个等级,一般情况下,媒介,灾难的复杂趋势表达的诱导和0.1,0.4,0.7和1.0。相应的规范化描述如表所示2。第一个20组数据作为训练数据,而后者10组作为实验数据进行分析。

3所示。最小平方估计的拟合系数基于SPSS

研究的统计方法的科学实验,有必要找出变量之间的关系,结果一组实验数据( , ),是一个正整数0到吗 。由于观测数据通常有错误,我们不要问 通过所有的点( , ),,只要求在给定的错误由某一标准最小化。因此,在煤矿的实际领域,后测量影响岩爆的关键变量,数据拟合的数值分析。使用这个概念,结合数值分析的优势,岩爆的风险可以进一步划分更仔细,和风险的影响从微观的影响分为四个等级,疲软的影响,一般的影响,风险高的影响。表达的结果是0.1,0.4,0.7和1,分别安装的数据。拟合后的结果进行了分析。如果实际的地质条件,验证了影响风险可以当危险迹象并不明显;它可以提供安全保障一线煤矿的生产。

测量值的主要影响因素和一组体重系数是已知的,要求功能:

它使

以下是正常满足方程:

得到的系数,最小二乘拟合。

由于大量的数据,传统的手工算法是缓慢和准确性不高。基于最小二乘法的思想,使用SPSS软件,可以使用最小二乘法拟合迅速得到所有的结果系数和相关测试。使用上述方法得到的函数表达式如下:

拟合达到0.99,满足精度的要求,具有良好的相关性。它可以应用于预防和矿山岩爆的初步预测。

4所示。比较预测结果和实际情况

根据上面的示例量化表,最小平方拟合是通过使用Matlab和拟合结果。最小二乘拟合的结果和实际情况如图2。

通过预测结果的分析,可以清楚地看到,拟合函数的应用可以准确预测突出危险位置的第一次,这避免了人文主义的主观因素在一定程度上的影响。如果拟合结果是超过0.5,这表明倾向在这种条件下有巨大的影响。

人工神经网络结合的方法和最小二乘法用于研究高在矿区冲击地压的预测。实际应用表明,该方法的预测结果与实际情况吻合较好,,,它是一种有效的方法来预测岩爆。结合这两种方法,如果影响强的风险,需要采取下一步的卸货时间和减少灾害,防止事故的发生。总之,使用拟合函数和神经网络是可行的预防和监测岩石破裂的危险。

5。结论

(1)针对当前形势下的岩爆灾害的影响不断加大,为了准确、方便地进行快速预测和岩爆的预测,神经网络和最小二乘拟合的思想,和一个基于组合的风险评估方法提出了神经网络和最小二乘拟合函数(2)根据实际情况的不同开采矿区,Matlab数学模型对风险的预测岩爆基于BP神经网络,构造和输出层取得了岩爆的预测结果的危险。由多个最小二乘拟合得到拟合函数通过SPSS软件,也就是说,(3)基于实际情况的相邻矿区矿业集团,岩爆情况在不同的位置不同的矿区附近进行了研究,拟合结果进行了测试。仿真结果的BP神经网络预测模型和最小二乘拟合函数预测岩石破裂的危险。结果表明,测试方法简单、可行,具有较高的精度

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了山东省自然科学基金(ZR2019BEE013)和中国国家自然科学基金(51974174和51974174号)。

引用

1. 王x和f·b·孟”在中国煤矿重大事故的统计分析,2016年”自然灾害,卷92,不。1,第325 - 311页,2018。视图:出版商的网站|谷歌学术搜索
2. t·h·a . c . Wang Wu Lu包,和刘x,“基于模糊物元模型,预测岩爆倾向”国际岩石力学和采矿科学杂志》上卷,75年,第232 - 224页,2015年。视图:出版商的网站|谷歌学术搜索
3. c·a·唐问:Yu l . Li g . w . Cheng和l . x唐”研究岩石破裂成核过程的深埋隧道基于微地震监测、”冲击和振动ID 685437条,卷。2015年,17页,2015。视图:出版商的网站|谷歌学术搜索
4. z . j ., s . l .静江y . j . et al .,“上覆地层的断裂规律的研究在水下Flow-Stress-Damage模型的基础上,“Geofluids卷,2019篇文章ID 3161852, 12页,2019。视图:出版商的网站|谷歌学术搜索
5. 诉Frid”,岩爆灾害预测由岩石破裂电磁辐射兴奋,”岩石力学和岩石工程,30卷,不。4、229 - 236年,1997页。视图:出版商的网站|谷歌学术搜索
6. t·w·t·h·w·Goebel贝克尔,d . Schorlemmer et al .,“识别断层异质性通过映射空间异常声发射数据,”地球物理学研究杂志:固体地球,卷117,不。B3, 2012年。视图:出版商的网站|谷歌学术搜索
7. s . a .大厅、f·d·桑蒂斯和g . Viggiani”监测裂缝延伸在软岩(那不勒斯凝灰岩)使用声学排放和数字图像,”纯粹与应用地球物理,卷163,不。10日,2171 - 2204年,2006页。视图:出版商的网站|谷歌学术搜索
8. c, n, l . Li和k·马,“微地震监测和数值模拟在水利水电工程高陡岩石边坡的稳定性,”《岩石力学与岩土工程,7卷,不。5,493 - 508年,2015页。视图:出版商的网站|谷歌学术搜索
9. n . Hosseini”评估潜在岩爆的长壁采煤使用被动地震速度层析技术和图像减法,”《地震学,21卷,不。5,1101 - 1110年,2017页。视图:出版商的网站|谷歌学术搜索
10. g . Tokar”模型试验测试钻井预测岩爆风险(在德国),“国际岩石力学和采矿科学和地质力学学报文摘,26卷,不。2、77 - 77年,1989页。视图:出版商的网站|谷歌学术搜索
11. r . Trivedi、t·n·辛格和a . k . Raina”预测blast-induced flyrock使用神经网络在印度石灰石矿山,“《岩石力学与岩土工程》第六卷,没有。5,447 - 454年,2014页。视图:出版商的网站|谷歌学术搜索
12. a·c·Adoko c . Gokceoglu l .吴问:j .左,“知识型为岩爆预测和数据驱动的模糊建模,”国际岩石力学和采矿科学杂志》上,卷61,不。4、86 - 95年,2013页。视图:出版商的网站|谷歌学术搜索
13. z h .郭m .霁k . Chen, y,和m .张“水体下开采的可行性基于模糊神经网络,”矿井水和环境,37卷,不。4、703 - 712年,2018页。视图:出版商的网站|谷歌学术搜索
14. h·l . l . y . h . Wang Liu傅,徐和y s .,“我的预测方法研究压力撞基于改进BP神经网络,”煤炭科学技术,45卷,不。10日,36-40,2017页。视图:谷歌学术搜索
15. 刘x y和p . y . Li”预测岩爆的基于改进FOA-BP神经网络”矿业安全与环境保护,45卷,不。3,成本则高达55 - 2018页。视图:谷歌学术搜索
16. 李x y . Liu p y, y . j .周”研究岩爆的预测基于广义回归神经网络优化改进果蝇算法,”矿业研究与开发,37卷,不。10日,106 - 110年,2017页。视图:谷歌学术搜索
17. 高f、l·c·陈和l . g .王”的PCA和GRNN神经网络方法岩爆预测煤矿,”中国煤炭,42卷,不。4、52、2016页。视图:谷歌学术搜索
18. x b . Li w·朱w·j·刘,和d·m·张,“对岩体可爆性的研究基于主成分分析和RBF神经网络,”黄金科学技术,23卷,不。6日,58 - 63、2015页。视图:谷歌学术搜索
19. y周和t . Wang”PNN-based岩爆预测模型及其应用”地球科学研究杂志,21卷,不。3、141 - 146年,2017页。视图:出版商的网站|谷歌学术搜索
20. s . Afraei k Shahriar, s . h . Madani”开发智能分类模型对岩爆预测识别重要的预测变量后,第2部分:设计分类器时,“隧道与地下空间技术卷,84年,第537 - 522页,2019年。视图:出版商的网站|谷歌学术搜索
21. p·c·杰克逊,人工智能导论,快递多佛出版,2019年。
22. m·张,j·h·陈,z . y .周,“评分预测模型基于SVM的岩爆及其R语言描述,“中国地质灾害与控制杂志》上卷,29号4、64 - 69年,2018页。视图:谷歌学术搜索
23. m . y .乔·f·程刘x、y、z z . Liu”预测岩爆风险等级基于改进FOA-SVM,”中国地质灾害与控制杂志》上卷,29号4、70 - 77年,2018页。视图:谷歌学术搜索
24. p .渊源,d . b . Apel w .曹国伟和w·布兰登,“评估责任在金伯利岩使用支持向量机,”Acta Geophysica卷,66年,第982 - 973页,2018年。视图:谷歌学术搜索
25. a . m . Remennikov和p . a . Mendis”预测喷气负载使用人工神经网络在复杂环境中,“结构受到冲击和影响卷,87年,第278 - 269页,2006年。视图:谷歌学术搜索
26. r . Haoyuan研究BP神经网络应用于煤与瓦斯突出博士论文,西安科技大学,2012。
27. d . e . Rumerlhar”,学习由back-propagating表示错误,”自然,卷323,不。3、533 - 536年,1986页。视图:谷歌学术搜索
28. t . j . Cheng x Wang Si et al .,“最大燃烧速率和混合动力煤的固定碳倦怠效率与bp神经网络预测模型,”燃料卷,172年,第177 - 170页,2016年。视图:出版商的网站|谷歌学术搜索
29. m .口和t·n·辛格预测煤岩显微组分含量的印度直接和最终使用人工神经网络分析,“燃料,卷89,不。5,1101 - 1109年,2010页。视图:出版商的网站|谷歌学术搜索
30. s . c . Chelgani j . c .但是。e . Jorjani s Mesroghli和a . h . Bagherieh”预测煤的易磨性根据岩相学,直接和最终使用多元回归分析和人工神经网络模型,”燃料处理技术,卷89,不。1,13-20,2008页。视图:出版商的网站|谷歌学术搜索
31. o·斯坦和大肠卡门,”当地的线性化最小二乘算法训练前馈神经网络,”IEEE神经网络,11卷,不。2、487 - 495年,2000页。视图:出版商的网站|谷歌学术搜索
32. h .易和s Wanstedt”引入神经网络系统及其在岩石工程,应用”工程地质卷,49号3、1093 - 1093年,1998页。视图:谷歌学术搜索
33. z . x张“岩石力学与采矿工程有关,”ISRM第三北欧岩石力学研讨会,2017年全国抵抗运动2017年10月,芬兰赫尔辛基。视图:谷歌学术搜索
34. 杨k和j·h·陈,“研究岩爆预测基于主成分分析和神经网络的结合,“广西大学学报,37卷,不。5,997 - 1003年,2012页。视图:谷歌学术搜索
35. y s . Li k . Ai, j . m .阴”的应用bp网络基于vb和Matlab在地应力场的分析,“《长江科学研究所,26卷,不。6日,24日,2009页。视图:谷歌学术搜索
36. w . Wang和y,“人工神经网络预测深部开采岩爆,”河北师范大学科学与技术杂志》上,2卷,2007年。视图:谷歌学术搜索

版权

版权©2020 Fanbao孟等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。