基于神经网络的地表下沉系数计算.pdf
第5 6 卷第3 期 2004 年8 月 有色金属 N o n f e r r o u sM e t a h V 0 1 .5 6 ,N o .3 A u g u s t2 0 04 基于神经网络的地表下沉系数计算 何晖,赵敏,林开升 西安工业学院建筑工程系,西安7 1 0 0 3 2 摘要在实测资料以及综合分析地表下沉系数影响因素的基础上,采用人工神经网络方法建立了地表下沉系数的计算模 型,并用实际数据对网络进行学习训练和检测。结果表明,用改进B P 算法得出,的地表下沉系数预测结果与实际情况相吻合。 关键词采矿工程;下沉系数;神经网络;非线性;B P 算法 中图分类号T D 3 2 7 T D 7 6 文献标识码A文章编号1 0 0 1 0 2 1 1 2 0 0 4 0 3 0 0 9 0 0 4 地表下沉系数是采动影响区地表移动变形预测 的重要参数,表示充分开采时,地表最大下沉值与煤 层法线采厚在铅垂方向投影长度的比值,其预测的 准确程度,直接影响到地表移动变形及采动影响区 建筑群 物 破坏程度的预计,对村镇布局和抗变形 建筑设计也有重要意义[ 1 | 。 为预测矿区地表沉陷量,减缓地表沉陷速度,把 人工地质灾害降低到最小程度,科研工作者进行了 很多理论研究,然而,影响地表下沉系数的因素极为 复杂,有确定的、非确定的,还有随机的、模糊的,因 此理论研究只能从宏观上给予半定量化的规律性描 述或给出一定的取值范围,难以全面考虑各种因素 的综合影响,因而研究成果的应用受到一定的限制。 随着相关学科的发展,很多方法应用于地表沉 陷量预测方面的研究,如数理统计、模糊数学、有限 元、边界元、剖面函数、连续介质力学等方法【1 _ 9J , 并建立了许多可供预测沉陷量的数学模型,如 P T S 、灰色系统、G I S 等模型[ 6 q ] 。这些虽为预测采 动区地表沉陷提供了一定的理论依据,取得了一定 的成效,但要把下沉系数与各种因素之间可能存在 的复杂非线性关系用数学或物理方法准确描述,存 在很大难度。 人工神经网络 A r t i f i c i a lN e u r a lN e t w o r k 简称 神经网络或A N N 具有许多优点[ 1 0 _ 14 | ,在物理机 制上模拟人脑信息处理机制,不但具有处理数据的 一般计算能力,还具有处理知识的思维、学习、记忆 能力。采用类似于“黑箱”的方法,通过将所获取的 收稿日期2 0 0 4 0 2 1 1 作者简介何I 珲 1 9 6 2 一 ,男,陕西眉县人,尉教授,硕士,主要从 事岩土工程研究与教学。 数据输入给训练好的网络,依据网络学到的知识,运 用并行推理方式使问题从初始状态转移到目标状 态,从而找出输入、输出变量之间的非线性关系 映 射 ,得出合理的答案与结果。神经网络同时具有自 组织、自学习和强容错性能,因此在土木工程领域尤 其是岩土工程领域得到了一定的应用,基于神经网 络来研究地表下沉系数与各影响因素间的关系,正 是发挥了神经网络能处理各因素影响权值的性能, 利用神经网络来预测地表下沉系数,具有重要的理 论和实际意义。 1影响地表下沉系数的主要因素 通过对大量实测资料以及理论分析,地表下沉 系数主要影响因素有采矿方法、顶板管理方法、总开 采厚度和开采深度、工作面尺寸、上覆岩层岩性、土 层与岩层的厚度比例、松散层厚度、是否为重复采 动、煤层倾角、工作面的推进速度等1 0 个因素[ 卜4 I 。 其中前8 个影响因素,文献[ 1 0 ] 已全面介绍,在此对 后两个因素简要说明。 工作面的推进速度。在采动过程中,工作面推 进速度的快慢,对于上覆岩层的沉陷及至土体的应 力分布均有较大影响,并且会影响到地表的最大下 沉值。文献[ 1 5 ] 给出了走向主断面充分采动区地表 点随工作面推进速度的下沉计算公式,见式 1 。 w 。 C ,W 幺e x p { 一口[ L v t /H ] “ t ≤L /v ; V 矿 。 c 0 Ⅵ0 。[ 1 一e x p 一g /H t ] t L /v 1 式中Ⅳ 。 一某点在t 瞬间的下沉量;V 一月工作面 的推进速度;w c 。一地表充分采动的最大下沉值; C 。一倾向方向的采动系数;a ,,z 一待定参数;g 一 万方数据 第3 期何晖等基于神经网络的地表下沉系数计算9 1 决定于覆岩性质的移动时间系数;H 一煤层采深;L 一地表走向主断面半移动盆地长度。分析中,以y 为参数来讨论对下沉系数的影响。 煤层倾角口。煤层倾角的变化对岩层和地表沉 陷有明显影响,而且影响是多方面的,文献[ 1 6 ] 在总 结了多种计算方法的基础上得出计算煤层倾角对地 表下沉系数影响的公式,见式 2 。 黟加 q M L C O S 0 t s i n o t / L c o s a M s i n a 2 式中Ⅳ砌一最大下沉值;q 一下沉系数;M 一煤层 厚度;L 一开采宽度。 2 建立人工神经网络模型 2 .1 网络选型 目前实际应用的人工神经网络有十几种【1 1 】,包 括B P 网络、K o h n o e n 自组织特征映射、H o p f i e l d 网 络、自适应共振理论、A R T 网络、R B F 网络、小波神 经网络、概率神经网络等。这些网络模型在不同的 应用领域有效地解决了众多的问题。 B P 神经网络模型具有自学习、自组织、强容错 性、计算简单、并行处理速度快等优点[ 1 1 I ,应用最为 广泛。R o b e r t N i e l s o n 证明了具有1 个隐含层的3 层B P 网络模型可以有效地逼近任何非线性映射连 续函数。所建立的地表下沉系数网络模型采用3 层 B P 网络结构。 2 .2 网络结构与参数 设计一个实用的B P 网络,需要确定网络结构 和参数,对于B P 网络而言,需要确定网络输入层和 输出层的节点个数,网络的层数、每层的节点数、初 始权值、阈值等。 2 .2 .1 输出参数的确定。在系统中,地表下沉系数 是一个值,即确定了单输出的网络结构。 2 .2 .2 输入参数的确定。对地表下沉系数的预测, 应选择与地表下沉有关的几个主要因素作为网络的 输入参数,主要是地质与采矿因素。 由于开采方法中,我国普遍使用的是长壁式采 煤方法,并且大部分地表移动观测站是建立在此工 作面上,故为了监测网络的性能,仅考虑长壁式采煤 方法。另外,工作面尺寸分别反映了沿走向和倾向 的两个方向的采动程度,非充分采动时下沉系数随 采动程度的增大而增大,充分采动时下沉系数不随 工作面尺寸而变化[ 1 0 】,故仅研究充分采动时的下沉 系数。实际情况中,当观测站工作面为非充分采动 时,可将非充分采动的下沉系数按采动程度换算成 充分采动时的下沉系数。 经过上述总结,确定网络的输入参数为顶板管 理方法、开采深厚比、上覆岩层岩性、工作面推进速 度、土岩比、松散层厚度、是否为重复采动、煤层倾角 这8 种,则输入层节点数定为8 。 在确定了网络输入参数后,需要对输入项进行 预处理。顶板管理方法中,顶板管理方法对下沉系 数影响很大,例如采用水砂充填时下沉系数就很小。 考虑全部跨落法及水砂充填法管理顶板时的下沉系 数,全部跨落法变量输入为0 ,充填法时变量输入为 1 ,对顶柱法管理顶板及采取岩层控制措施时的下沉 系数未作讨论。是否为重复采动项中,考虑了重复 采动的影响,即初次采动时输入变量为0 ,重复采动 时输入变量为1 。因为上覆岩层在受到初次采动时 已破裂离层而软化,使得重复采动时岩体碎胀量减 小,或者重复采动引起老空区的“活化”,地表移动变 形增大。 2 .2 .3 隐层节点的确定。依据R .H e e h t N i e l s o n 的映射定理【1 1 】,隐层单元数小,则结构简单,逼近能 力差,不收敛,隐层单元数大,结构复杂,逼近能力 强,收敛慢。基于隐层单元数的选取基本原则,在能 正确反映输入输出关系的基础上,尽量选取较小的 隐层节点数,而使网络尽量简单,参照多层感知机网 络的情况,得出所讨论问题的隐层节点数为6 。 2 .2 .4 网络参数初始值的选取。对于所需确定的参 数,如初始权值、阈值、步长、最小误差等,用随机函数 R a n d o m 确定。标准是初始值较小 接近于0 。 2 .3 网络算法 2 .3 .1 改进的B P 算法。采用标准的B P 算法时, 如果学习率太低,收敛太慢,若学习率太高,可能修 正过头,导致震荡甚至发散,并且在实际应用中容易 陷入局部误差极小点。为了克服这个弊端,采用变 步长的改进B P 算法来避免固定学习率的弊端。 S t e p1 赋予初始权值w 0 和允许误差e 0 。 S t e p2 在时刻7 /.o ,计算误差E [ Ⅳ ,z o ] 的负 梯度 方向 d ”o V E W I 。。 。. 。 S t e p3 若I Id 4 0 I I e ,结束;否则从w 扎o 出发,沿d ”o 做一维搜索,求出最优步长叩 咒o a r gm i n 乒[ w 咒o 彬o ’] S t e p4 W n o 1 W 扎o 叩 n O d o ’, 转S t e p 2 。 2 .3 .2 步长刁 ,z o 学习率 的确定。采用迭代修 正法,令A E E [ w n O 一彬‘~ ] 一E [ w 咒o ] , 万方数据 有色金属第5 6 卷 则叩一 矿~,i f △E o ;叩’ 矿肇,i f △E 0 。 2 .4 网络模型结构 基于以上的分析和推导,得出所建立的地表下 沉系数计算三层B P 网络模型,如图1 所示。 输 入 变 量 图1 地表下沉系数计算的网络模型结构 F i g .1 N e t w o r km o d dS t r t l c t l /。r ef o rc a l c u l a t i n g s u b s i d e n c ec o e f f i c i e n t 3 结果与分析 3 .1 选择学习和训练样本 根据文献[ 3 ] 中2 0 8 个典型地表移动观测站资 料,筛选出3 0 个实测数据作为学习训练和测试的样 本,见表1 。将其中1 ~2 6 号观测数据作为学习样 本对网络进行训练,2 7 ~3 0 号观测数据作为计算测 试样本,用于检验网络的性能。 3 .2 网络的学习和训练 分析表1 中所列样本的数据特点,将表1 中所 有输入数据运用比例归一法处理为[ 0 ,1 ] 闭区间的 数值,然后以学习训练样本对网络进行学习训练,训 练的终止条件是网络系统输出的平均误差小于 0 .0 1 ,经过数次学习迭代后,满足误差要求,获得稳 定的连接权值、节点阈值和合适的网络结构。 表1 学习和训练样本 T a b l e1 L e m r l l i n ga n dt r a i n i n gs a m p l e s 序号⋯ 采鬻厚冀写訾蓁萎嬲置要霎萎嚣荔叠 1 清河门主井北翼南三路 2 2 4 /1 .81 30 .3 5 703 10 8 .1 3 .6 0 .6 6 2清河门主井北翼南二路3 1 8 .5 /1 .6 1 00 .4 2 403 002 .73 .10 .6 7 3 清河门三坑北三路8 1 /1 .5 80 .1 1 004 503 .23 .10 .6 2 4平安五坑东一路6 0 .5 /2 .1 3 00 .4 2 904 501 0 .03 .00 .6 4 5 平安八坑东三路 5 7 .5 /2 .32 00 .8 203 009 .03 .20 .6 6 6三宝矿马牛河1 5 0 /1 .8 51 8 0 .6 5 102 0O8 .03 .50 .5 7 7冠山二井小凌河 2 6 4 .5 /4 .94 20 .3 2 202 501 44 .00 .3 6 8 台吉矿一井 1 2 0 /1 .63 81 .2 8 803 602 43 .60 .6 5 9彩北第Ⅱ走向线6 0 6 /8 .0 5 1 91 .1 0 202 8086 .00 .6 5 1 0 彩屯矿走向线 5 1 3 /5 .4 71 51 .1 2 402 701 35 .00 .6 8 1 1 牛矿第Ⅱ倾斜线 2 5 3 .5 /2 .02 2 1 .0 7 903 0032 .50 .6 5 1 2北斜井3 1 1 4 4 /5 .960 .0 7 506 002 21 .40 .1 5 1 3峰峰0 2 7 74 5 9 .5 /4 .92 8 1 .4 4 50 3 0 06 3 5 .0 6 0 .7 2 1 4峰峰0 2 5 2 1 3 3 /2 .41 11 .9 714 8175 .80 .8 4 1 5 马家沟矿小屈庄 2 0 9 .5 /4 .53 01 .6 2 204 503 05 .00 .6 0 1 6 斜庄矿一采区 1 3 0 /2 .7 1 81 .3 3 304 011 04 .00 .1 4 1 7 潘西矿一采区 9 l /2 .22 20 .2 9 204 4095 .00 .6 8 1 8协庄矿八采区1 5 2 /1 .8 2 80 .2 4 303 501 04 .00 .6 0 1 9马村1 0 2 走向1 2 2 .5 /2 .2 82 .0 5 208 001 84 .00 .6 7 2 0 马村矿1 0 2 东倾斜 1 2 2 .5 /6 .682 ,0 5 208 001 84 .00 .8 9 2 l韩桥矿7 5 53 9 /1 .9 1 32 2 9 .303 401 24 .3 50 .7 8 2 2 董庄矿1 0 7 1 0 2 /2 .03 01 .3 3 003 003 33 .4 20 .8 3 2 3 董庄矿1 1 3 1 0 3 /2 .13 31 .3 3 004 203 33 .4 20 .8 5 2 4 庞庄矿5 0 2 9 8 .5 /2 .01 61 .3 6 004 206 43 .50 .9 2 2 5牛马司矿2 2 22 2 6 /2 .21 60 .3 002 3037 .10 .6 3 2 6洪山殿矿1 6 1 2 1 1 4 .5 /2 .03 40 .0 6 003 204 .55 .00 .6 3 2 72 3 0 97 3 /2 .51 50 .0 6 702 3006 .20 .6 2 8萍乡高坑6 2 1 9 终1 7 0 /2 .2 5 4 04 3 .4 713 608 04 .20 .7 0 2 9 保安一井0 9 区一分层 1 2 0 /2 .12 40 .0 8 302 009 .56 .00 .6 9 3 0峰峰3 2 5 27 8 /0 .8 1 91 .5 9 306 001 7 4 .80 .7 8 三 三 万方数据 第3 期何晖等基于神经网络的地表下沉系数计算 3 .3 网络性能检测 用2 7 ~3 0 号测试样本对训练好的网络模型进 行检验,结果如表2 所示。可以看出,利用网络模型 计算的地表下沉系数与实测值之间的最大绝对误差 为0 .0 2 3 6 ,此时相对误差为3 .0 3 %,计算精度高,与 实际情况拟合性好,可以满足工程实际需要。 4结论 用改进B P 算法建立网络模型,全面考虑下沉 参考文献 系数的影响因素,预测结果与实际情况相吻合。 表2 计算结果与实测值的比较 T a b l e2 C o m p a r i s o no fc a l c u l a t e dr e s u l t s o fA N Nw i t ho b s e r v e dv a l u e s 序号观测站名称 计算值茗篓萎豁 [ 1 ] 何晖,王云虎,陈翔.渭北采动沉陷区地表裂缝规律及村庄抗变形民宅设计分析[ J ] .西安工业学院学报,2 0 0 2 ,2 2 3 2 4 9 2 5 5 . [ 2 ] 何国清,杨伦,凌赓娣,等.矿山开采沉陷学[ M ] .徐州中国矿业大学出版社,1 9 9 1 9 4 1 1 4 . [ 3 ] 国家煤炭局.建筑物水体、铁路及主要井巷煤柱留设与压煤开采规程[ M ] .北京煤炭工业出版社,2 0 0 0 5 0 1 5 5 . [ 4 ] 姜晨光,盖玉松,廖明全,等.矿区地表沉陷规律新认识[ J ] .岩石力学与工程学报,2 0 0 3 ,2 2 1 1 6 2 1 6 5 . [ 5 ] 王悦汉,邓喀中,张冬至,等.重复采动条件下覆岩下沉特性的研究[ J ] .煤炭学报,1 9 9 8 ,2 3 5 4 7 0 4 7 5 . [ 6 ] 郭广礼,张国良.灰色系统模型在沉陷预测中的应用[ J ] .中国矿业大学学报,1 9 9 7 ,2 6 4 6 2 6 5 . [ 7 ] 赵晓东,宋振骐.开采沉陷预测的G I S 面元栅格数字化模型及其应用[ J ] .煤炭学报,2 0 0 0 ,2 5 5 4 7 3 4 7 7 . [ 8 ] 李永树,王金庄,周雄.I T S 采动沉陷模型研究[ J ] .河北煤炭建筑工程学院学报,1 9 9 6 , 3 3 2 3 9 . [ 9 ] 胡炳南.长壁重复开采岩层移动规律研究[ J ] .煤炭科学技术,1 9 9 9 ,2 7 1 1 4 3 4 5 . [ 1 0 ] 郭文兵,邓喀中,邹友峰.地表下沉系数计算的人工神经网络方法研究[ J ] .岩土工程学报,2 0 0 3 ,2 3 2 2 1 2 2 1 5 . [ 1 1 ] 袁曾任.人工神经网络及其应用[ M ] .北京清华大学出版社,1 9 9 9 1 3 5 . [ 1 2 ] 张德贤.前向神经网络合理隐含层节点个数估计[ J ] .计算机工程与应用,2 0 0 3 ,5 2 1 2 3 . [ 1 3 ] 姜绍飞。基于神经网络的结构优化与损伤检测[ M ] .北京科学出版社,2 0 0 2 1 ~1 7 4 . [ 1 4 ] 杨光正,吴岷,张晓莉.模式识别[ M ] .合肥中国科学技术大学出版社,2 0 0 1 1 2 3 0 . [ 1 5 ] 滕永海,采动过程中地表移动变形计算研究[ J ] .矿山测量,1 9 9 7 , 4 1 7 ~2 0 . [ 1 6 ] 戴华阳,王金庄,崔继宪,等.地表移动与变形极值问题综合评述[ J ] .矿山测量,2 0 0 0 , 6 7 1 0 . S u b s i d e n c eC o e f f i c i e n tC a l c u l a t i o nB a s e do nA N N 舰H u i ,Z H A OM i n ,L I NK a i - s h e n g C i v i lE n g i n e e r i n gD e p a r t m e n t ,藏7 a nI n s t i t u t eo fT e c h n o l o g y ,X i ,口咒7 1 0 0 3 2 ,C h i n a A b s t r a c t O nt h eb a s i so fm e a s u r e dd a t aa n ds y s t e m a t i ca n a l y s i so fs u b s i d e n c ei n f l u e n c i n gf a c t o r s ,t h ec a l c u l a t i o nm o d e lo fs u b s i d e n c ec o e f f i c i e n ti nm i n i n ga r e ai se s t a b l i s h e db ya r t i f i c i a ln e u r a ln e t w o r k A N N t e c h n o l o g ya n dt h e n e t w o r km o d e li St r a i n e da n dt e s t e db yt h es p o td a t a .T h er e s u l t ss h o wt h a tt h es u b s i d e n c ec o e f f i c i e n tc a l c u l a t e d w i t hi m p r o v e db a c kp r o p a g a t i o na r i t h m e t i ci sc o n s o n a n tw i t ht h ep r a c t i c e . K e y w o r d s m i n i n ge n g i n e e r i n g ;s u b s i d e n c ec o e f f i c i e n t ;a r t i f i c i a ln e u r a ln e t w o r k s ;b a c kp r o p a g a t i o na r i t h m e t i c ;n o n l i n e a r 万方数据