进化神经网络在定量预测回采巷道围岩移近率中的应用

王民华，张召千，牛 显

（太原理工大学 矿业工程学院，山西 太原 030024）

进化神经网络在定量预测回采巷道围岩移近率中的应用

王民华，张召千，牛 显

（太原理工大学 矿业工程学院，山西 太原 030024）

神经网络处理非线性关系有明显优势。把影响回采巷道移近率的四个指标作为神经网络的输入层，巷道顶底板移近率和两帮做为网络的输出层，运用大量的回采巷道样本数据，对巷道围岩移近率的神经网络模型进行学习训练，得到稳定的网络结构；结合工程实践对训练得到的稳定网络结构进行检验，表明进化神经网络在回采巷道移近率的定量预测中有较大的实用价值。

回采巷道；围岩移近率；进化神经网络

1 概述

目前，对回采巷道围岩移近量的预测有多种方法：通过实测确定老顶岩梁运动特征参数，或通过巷道围岩稳定性类别，或通过多元回归分析方法等。回采巷道围岩变形与各影响因素之间具有复杂的非线性关系，采用神经网络处理非线性关系有明显优势，神经网络通过实例学习，能从样本数据中学到复杂的非线性关系。本文利用进化神经网络处理巷道围岩变形与各影响因素之间关系，并经工程实践检验神经网络在巷道围岩移近率预测中的合理性和优越性。

2 进化神经网络原理

2.1 进化神经网络

见图1，多数的人工神经网络模型采用BP神经网络或其变形，它是目前最成熟的一种神经网络模型。在不影响神经网络局部优化前提下，提高BP网络性能的最佳途径是对网络结构及初始权值进行局部优化。由于遗传算法有很好的全局并行搜索、搜索空间大，宜于找到最优解和准优解，故将遗传算法的全局搜索能力与BP算法的局部寻优能力结合起来，形成优化组合，大大提高了其算法性能。

2.2 进化神经网络算法基本思想

图1 单层神经网络

进化神经网络方法是：用遗传算法的全局搜索能力，对BP网络结构参数和初始权值进行全局优化，再由BP算法从全局优化后的初始权值开始，进一步局部寻优提高精度。进化神经网络具体学习循环过程如下：

（1）BP网络结构参数的进化：通过遗传算法对BP网络结构参数进化搜索。算法中每产生一组新的结构参数，其进化过程暂时搁置，进入下一级初始权值的进化循环。（2）初始权值的进化选择：对于上面产生的每一个结构参数组，计算出权系数等信息。然后通过随机给定的初始权系数矩阵开始，按照遗传进化算法进行初始权值的优化，并计算适应值。最后必须再按普通BP神经网络学习训练进行局部优化。（3）BP神经网络训练（优化后初始权值的训练）：通过提供学习样本，采用下式计算各个隐含层的输入x'j和输出层的输出值yk。

然后调整权值；最后再求系统平均误差，直到系统平均误差小于规定要求为止。

通过遗传算法进行全局优化、BP神经网络局部优化后的网络权值和结构参数组合，最后构成了当前网络结构配置下的最佳BP网络模型。

3 回采巷道围岩移近率预测的神经网络模型

3.1 网络结构设计

回采巷道围岩变形的诸多影响因素，可以分为两类：（1）巷道围岩地质条件的影响，主要有：巷道围岩的强度和地质构造特征，巷道的埋藏深度，煤层倾角，地下水的影响等。（2）采矿生产技术的影响，例如：采煤工艺的影响，巷道尺寸及形状的影响，护巷煤柱尺寸的影响，巷道支护方式的影响等。

山东科技大学蒋金泉教授在巷道围岩稳定性分类的基础上，根据影响回采巷道结构稳定性对其进行了亚分类，并提出了影响回采巷道结构稳定性的四个定量化指标，确定了四个指标对回采巷道结构稳定性影响的权值。通过四个权值有效定量，确定回采巷道变形与影响因素间的数量关系。回采巷道结构稳定性的四个指标与巷道围岩移近率之间存在复杂的非线性关系，采用神经网络对处理有明显的优势；它不需要确定非线性关系中的数学表达式，就能很好处理它们之间的非线性关系。进化神经网络是对BP算法的改进，通过遗传算法对BP神经网络结构参数进行全局优化，避免了BP算法容易陷入局部最小而导致预测结果与实际不符以及结构参数运用试错法带来的不便，大大提高了算法的性能。利用回采巷道围岩结构稳定性的四个指标作为神经网络结构的输入层（顶板稳定性指标S1，底板稳定性指标S2，煤柱稳定性指标S3，煤体侧稳定性指标S4）；并把顶底板移近率和两帮移近率作为网络结构的输出层。通过收集到的回采巷道围岩移近率的样本进行BP神经网络训练，以得到预测回采巷道围岩移近率的稳定网络结构。根据有关理论和学者经验，神经网络结构参数进化过程中，约束条件取2个隐含层，各隐含层之间节点参数范围5～50，种群规模30个，杂交概率0.8，变异概率0.2。初始权值进化过程中，收索范围-10.0～10.0。种群规模200个，杂交概率0.95，变异概率0.05。BP网络学习率取0.1，动量项系数为0.5。

3.2 网络学习训练

选用较全面的样本可使训练结果更趋精确。BP神经网络的特点是内插性比外插性好，所以训练样本空间最好覆盖预测结果；如果预测结果在样本空间之外(外插)，预测效果不好，精度较差。选用样本中应包括典型的变形较大样本和变形较小样本。共收集到37条回采巷道围岩移近率的样本，选用30条巷道作为样本，进行网络结构训练，按照网络结构设计中的网络学习训练参数进行学习训练。运用中国科学院武汉岩土所冯夏庭教授编制的岩石力学与工程分析方法软件，进行神经网络训练，并用另外7条巷道，作为回采巷道围岩移近率预测稳定网络结构的测试样本。从表1看到：通过神经网络训练得到了有效稳定的巷道围岩移近率网络结构。

表1 测试样本结果

4 工程实践分析

山西三元王庄煤矿3043大采高综采工作面位于井田东部，东为3045回风顺槽，西为3042综采工作面(已采)，北为304采区三条巷道，南部相邻雄山矿采空区。煤层平均厚度为5.12m，开采厚度为5.12 m，煤层倾角为2°～7°，轨道顺槽采用锚杆+金属网+锚索联合支护。净宽5.0m，净高3.5m，根据王庄巷道基本特征参数，运用影响回采巷道变形四个指标的计算方法，算出影响3043工作面轨道顺槽巷道变形的四个指标（见表2），然后运用训练好的回采巷道进化神经网络移近率预测模型预测。受企业委托对王庄煤矿3043工作面进行了将近两个月的矿压观测，收集了大量的巷道变形数据。预测结构和实测结果如表3所示，由表看到：BP神经网络预测回采巷

表2 3043工作面轨道顺槽进化神经网络定量预测移近率输入数据

图2 实测3043工作面轨道顺槽巷道变形速度

图3 实测3043工作面轨道顺槽巷道变形量

道移近率较接近实测值，证明了BP神经网络对回采巷道移近率的预测是合理可行的。见图2和图3。

表3 预测结果和实例结果

5 结束语

（1）建立回采巷道移近率的进化神经网络模型，通过影响回采巷道稳定性的四个指标和大量回采巷道样本，运用中国科学院武汉岩土所冯夏庭教授编制的岩石力学与工程分析方法软件，训练出稳定的回采巷道移近率网络结构。通过王庄煤矿的工程实践，能为定量预测回采巷道移近率提供一种有效方法。(2)进化神经网络通过遗传算法的全局搜索能力和BP神经网络的局部优化能力，解决了BP网络结构参数不容易设置的问题，大大提高了算法的性能；进化神经网络在回采巷道围岩移近率的预测中提供了一种便捷的方法。（3）今后收集更全面更多的回采巷道移近率的数据样本，可以开发编制出定量预测回采巷道移近率的智能专家系统软件。

[1] 冯夏庭.智能岩石力学[M].北京:科学出版社，2000.

[2] 冯夏庭，王泳嘉.采矿工程智能系统—人工智能与神经网络在矿业中的应用[M].北京:冶金工业出版社，1994.

[3] 蒋金泉，韩继胜，石永奎.巷道围岩结构稳定与控制设计[M].北京:煤炭工业出版社，1998.

[4] 钱鸣高，石平五.矿山压力与岩层控制[M].徐州:中国矿业大学出版社，2003.

[5] 冯夏庭，贾民泰.岩石力学问题的神经网络建模[J].东北大学学报，2000(19):1030-1033.

[6] 冯夏庭，周辉，等.复杂条件下岩石工程安全性的智能分析评估和时空预测系统[J].岩石力学与工程学报2008(9)1741-1756.

Abstract:Evolutionary neural network(ENN)has obvious advantages in dealing with non-linear relation.ENN input layer consists of four indicators which influences the surrounding rock displacement rate,and ENN output layer is made up of the displacement rate of roof-floor and two sides.Huge sample data are used to train the ENN and to achieve stable network structure.The engineering practice is used to test the structure.The result shows that the ENN is practical in the prediction of displacement rate.

Key words:gateways;surrounding rock displacement rate;evolutionary neural network

编辑：刘新光

Application of Evolutionary Neural Network in the Quantitative Prediction of Surrounding Rock Displacement Rate

WANG Min-hua,ZHANG Zhao-qian,NIU Xian
(College of Mining Engineering,Taiyuan University of Technology,Taiyuan Shanxi 030024)

TD325

A

1672-5050（2012）05-0059-03

2011-10-12

王民华（1984—），男，山东聊城人，在读硕士研究生，从事岩石力学与巷道围岩结构稳定性控制研究。