预测和评价煤矿煤炭撞基于改进神经网络

文摘

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。

1。介绍

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1]。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2]。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。

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(3]。第二类是基于现场测量的预测方法,主要包括微重力方法(4],声发射方法[5),和微震的方法(6]。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(7)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。8和王et al。9)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。(10)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。11)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。(12]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。13)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。14]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15)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。16)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。17)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。

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18)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。19],Roohollah和阿巴斯[20.吴,et al。21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)22]。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。

2。预测样本数据库

2.1。评价指标的选择

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。

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。

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。

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。

2.2。采集的样本数据

根据所选择的评价指标和基于煤炭撞的研究成果23- - - - - -26),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。

3所示。改善深层神经网络模型

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。

3.1。深层神经网络模型

款模型来源于感知器模型(如图1)。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2。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3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4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。

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(27],ReLu选为隐层的激活函数,及其函数形式如下:

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: 在哪里的输出是什么在输出层神经元。

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。28]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: 在哪里是实际的价值,预测的价值,是学习样本数量,的数量分类。

3.2。算法改进的神经网络模型

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。

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。29日)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30.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1。

3.3。煤炭撞基于改进神经网络预测模型

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5。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。

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1、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”。

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6,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。

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7,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8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1。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。

4所示。案例研究煤的碰撞基于改进神经网络模型

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9。

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10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 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。

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。

5。结论

(一)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(b)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 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(c)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(d)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

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有关的出版。

确认

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。

引用

1. 美国锣”,调查烟煤的拉伸和断裂力学性能在不同的应变率,”材料研究和技术杂志》上15卷,第845 - 834页,2021年。视图:谷歌学术搜索
2. 锣,z . Wang l .周和w·王,“拉伸和断裂特性的试验研究burst-prone煤在准静态条件下,“冲击和振动,卷2021,不。1,13页,2021。视图:谷歌学术搜索
3. x b, f .问:锣,s . f .王et al。”耦合分析动载荷岩爆的力学机制和动态标准深硬岩矿山,“中国岩石力学与工程学报,38卷,不。4、708 - 723年,2019页。视图:谷歌学术搜索
4. z . t .伯聂乌斯基,“岩石的脆性断裂机制”,国际岩石力学和采矿科学和地质力学学报文摘,4卷,不。4、405 - 430年,1967页。视图:谷歌学术搜索
5. c·p·卢·l·杨,z侬,“现场和实验调查的断层滑动,引起的岩爆前体和预防”国际岩石力学和采矿科学杂志》上卷,108年,第95 - 86页,2018年。视图:谷歌学术搜索
6. 下午邓肯和l·艾斯纳“使用表面微震监测储层特征,”地球物理学,卷75,不。3、75139 - 75146年,2010页。视图:谷歌学术搜索
7. y . a Tan“综合评价运用模糊数学的应用在地下洞室岩爆预测,”第二届全国代表大会的中国岩石力学与工程学会253年,页247 -知识出版社,北京,1989。视图:谷歌学术搜索
8. 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
9. 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
10. j·h·胡、j·l·商和k . p .周“改进的物元可拓模型及其应用的预测岩爆强度,”中国有色金属学报,23卷,不。2、495 - 502年,2013页。视图:谷歌学术搜索
11. e·c·徐x l . Liu z . Wang和s . j . Wang”预测和分类基于摘要的应变模式岩爆判据和weight-ideal点方法相结合,“中国岩土工程杂志》上,39卷,不。12日,第2252 - 2245页,2017年。视图:谷歌学术搜索
12. 问:g . Hu f·m·陈,g . z宁”CW-TOPSIS岩爆评价模型和应用程序”,山东大学学报(工程科学版)卷,47号2、20 - 25,2017页。视图:谷歌学术搜索
13. 郑胜耀王,s·h·李,j·d·朱b . Li j .杨和l . z吴”预测岩爆倾向基于加权融合和改进的云模式,”中国岩土工程杂志》上,40卷,不。6,1075 - 1083年,2018页。视图:谷歌学术搜索
14. 李x b, f .问:锣,和w·张,“地下工程岩爆的预测基于贝叶斯判别分析方法,”岩石和土力学31卷,第377 - 370页,2010年。视图:谷歌学术搜索
15. l·罗和p .曹”模型的加权距离判别分析和巷道深处,申请”中南大学学报(科技),43卷,不。10日,3971 - 3975年,2012页。视图:谷歌学术搜索
16. s . c .吴,吴振国和c . x张“岩爆预测概率模型基于案例分析,“隧道与地下空间技术,第93卷,第103069页,2019年。视图:出版商的网站|谷歌学术搜索
17. y y Pu、d . b . Apel和b . Lingga”在金伯利岩岩爆预测无监督学习方法和支持向量分类器,”隧道与地下空间技术卷。90年,12 - 18,2019页。视图:出版商的网站|谷歌学术搜索
18. x t·冯”自适应模式识别预测岩爆在地下的开口,“东北大学学报,15卷,不。5,471 - 475年,1994页。视图:谷歌学术搜索
19. y y·贾问:陆,商,“岩爆预测使用粒子群优化算法和通用回归神经网络,”中国岩石力学与工程学报,32卷,不。2、343 - 348年,2013页。视图:谷歌学术搜索
20. s . f . Roohollah t·阿巴斯,“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,”与计算机工程,35卷,不。2、659 - 675年,2019页。视图:出版商的网站|谷歌学术搜索
21. c s c . Wu张x, z .问:,“岩爆的预测强度分类基于PCA-PNN,”中国煤炭学会杂志》上,44卷,不。9日,第2776 - 2767页,2019年。视图:谷歌学术搜索
22. g·e·辛顿、美国Osindero和y w·格兰”快速学习算法深度信念网”,神经计算,18卷,不。7,1527 - 1554年,2006页。视图:出版商的网站|谷歌学术搜索
23. 问:h .钱”的定义、机理、分类和定量预测模型对岩爆和煤炭肿块,”岩石和土力学,35卷,不。1、1 - 6,2014页。视图:谷歌学术搜索
24. h·a . Warda s . h . Haddara e·m·m . Sedahmed,“晶格玻尔兹曼的模拟非均匀多孔介质毛细管压力凹凸现象,”石油科学与工程杂志》上卷,157年,第569 - 558页,2017年。视图:出版商的网站|谷歌学术搜索
25. 江h . Wang y, z杰,s . Ruyue和w·陈,“数值调查评估和缓解煤炭撞在一个岛上长壁板,“国际矿业科技杂志》上5卷,第630 - 625页,2013年。视图:谷歌学术搜索
26. 江赵y、y”,声发射和热红外前体与bump-prone煤炭失败,”国际煤炭地质杂志》上,卷83,不。1、11日至20日,2010页。视图:出版商的网站|谷歌学术搜索
27. l . x y . Liu Wang Wang和刘,“漏ReLU修改方案(高)与多个材料拓扑优化,“应用数学和计算卷,352年,第204 - 188页,2019年。视图:出版商的网站|谷歌学术搜索
28. d . e . Rumelhart、g·e·辛顿和r . j·威廉姆斯,“学习back-propagating错误的陈述,”自然,卷323,不。6088年,第536 - 533页,1986年。视图:出版商的网站|谷歌学术搜索
29. a·c·威尔逊,r .鲁洛夫•m•斯特恩,n . Srebro和b·雷希特”的边际值自适应梯度方法在机器学习,”学报》31日会议上的神经信息处理系统美国长滩,页1 - 14,2017。视图:谷歌学术搜索
30. h·张,在深入学习研究和改进的优化算法,北京邮电大学,北京,2017年。

版权

版权©2021双锣等。这是一个开放的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。