基于工程类比煤巷支护智能预测系统与应用

马鑫民，杨仁树，2，王茂源，陈　凯，马石岩，林天舒

(1.中国矿业大学(北京)力学与建筑工程学院，北京 100083；2.深部岩土力学与地下工程国家重点实验室，北京 100083)

基于工程类比煤巷支护智能预测系统与应用

马鑫民1，杨仁树1，2，王茂源1，陈凯1，马石岩1，林天舒1

(1.中国矿业大学(北京)力学与建筑工程学院，北京 100083；2.深部岩土力学与地下工程国家重点实验室，北京 100083)

摘要：基于煤巷支护理论研究成果和生产一线调研，分析研究了影响工程类比法煤巷支护设计的六个主要影响因素。采用一线调查问卷和实验室实测等方式，获得52条煤巷支护典型巷道数据，并结合领域专家成果建立了煤巷支护设计典型案例知识库。应用最新的人工智能技术、计算机技术和可视化的设计方法，研发了工程类比煤巷支护智能预测系统。将工程类比、现场实测和专业理论有机结合，实现待测巷道的支护方案预测和优化，较大程度发挥了工程类比法支护设计的优势。应用系统对山西霍州煤矿进行支护方案预测，其预测结果与实际情况吻合较好。系统的研发和使用对利用信息技术发挥工程类比优势，提高煤巷实际支护效果具有一定的实用价值。

关键词：工程类比，煤巷支护，智能，预测系统

工程类比法在岩土工程设计中应用广泛，是解决岩土工程领域技术问题有效和实用的手段，许多重要岩土工程正是采用了工程类比法设计成功[1]。煤矿巷道地质条件复杂性和多样性特点，使得工程类比法成为巷道支护方案设计的关键技术手段。一些岩土规范也曾明确规定[2]，在岩土工程设计中应采用工程类比法。但规范只是给出了参考意见，并未给出类比法的准确定义和具体技术操作方法。但该方法在工程实践中确实能发挥重要作用，尤其是对于巷道支护这种对经验很倚重的工程设计问题，工程类比法的使用尤其重要。因此，随着煤矿开采深度的增加和支护难度的加大，如何有效运用先进的技术手段更好发挥工程类比法是一个值得深入研究的课题。

在我国煤巷支护方案设计中，采用先进的技术手段丰富工程类比法的应用研究相对较少。本文基于最新发展的人工智能技术与工程类比法有机结合，对于工程类比法中类比的关键指标，典型工程案例的选取，类比的影响因素等进行分析和研究。开发了工程类比煤巷支护计算机智能预测系统，为工程类比设计支护参数提供科学的定量依据，使工程设计更合理有效和经济。

1基于工程类比煤巷支护智能预测思路的提出

1.1煤巷支护设计传统工程类比法

类比推理是一种极为重要的人类思维形式。一般而言，类比设计就是主要参考类似工程的经验进行新项目的设计[3]。煤巷支护工程类比是基于成功支护的类似工程的经验，通过工程类比提出待开挖巷道支护参数。目前，我国绝大多数煤巷支护工程设计依赖工程类比进行初始设计，属于定性设计的水平。究其原因是煤矿巷道复杂的地质和生产条件难以获取有效的工程信息，而经验性的知识就起到了主导的作用。经过大量的实地调研和分析研究可知，我国现行的巷道支护工程类比设计中，一般是通过围岩分类单一关键指标比较来选择巷道支护类型和参数[4]。这种传统的工程类比法也有诸多弊端：类比指标选取简单且单一，不能完全达到类比的实际效果；已有的经验性知识涉及范围有限，遇到工程技术新问题时可能判断失误；简单粗糙的经验方法做出的预测是定性的，一般偏于保守，不能完全满足合理、经济安全施工的效果。工程类比不是简单的对比和比较，要经过大量的真是有效的样本数据来进行深入的对比和分析，而目前我国煤矿一线技术人员对这项技术的掌握还存在一定问题。

1.2基于工程类比煤巷支护人工智能的应用

以单纯的经验性或围岩分类为类比指标的传统类比设计法已不能满足设计定量、科学和合理的要求。为解决这个问题，专业领域学者们做出了积极的努力。周保生[5]等提出了预测巷道围岩参数的人工神经网络预测法，构造了预测围岩参数的神经网络模型。预测结果证明，该模型具有很高的预测精度。为了改变大多数工程仍然依赖工程类比的经验方法的定性水平，李世辉[6]基于典型类比分析法和研制的相关程序，从理论和实践层面为初步解决这一问题提供了必要的技术条件。朱琢华[7]等利用模糊经验法开展了锚喷支护工程类比研究，考虑锚喷支护的现有经验，提出了锚喷支护工程类比设计的模糊经验分析法。金峰[8]等有效利用工程类比进行了小湾拱坝安全评价，解决了条件复杂，工程规模巨大的安全评价技术问题。汝佧[9]等利用模糊数学的方法进行了分析，采用工程类比进行边坡工程的治理，取得良好效果。朱川曲，缪协兴[10]等根据软岩的力学及物理性质，分析了软岩巷道稳定性的影响因素，在此基础上应用神经网络理论建立了软岩巷道支护方式优化及巷道变形预测模型。采用改进型算法增加了网络的学习速度，加快了网络的收敛，提高了模型的精度。

立足于当前研究成果和工程实际应用现状，利用最新发展的计算机开发技术，提出了基于人工智能技术中、典型案例工程类比法。充分利用典型工程系统实践和完整的现场原位测试资料，将经验类比、现场量测、人工智能有机结合，坚持专业、实际、实用、操作简单的原则，开发了能在各个煤矿普及应用的煤巷支护技术咨询设计的智能化系统，在工程实用的前提下有效进行煤巷支护方案预测。

2基于工程类比煤巷支护影响因素

2.1工程类比法煤巷支护设计智能预测实践基础

工程类比法分析法的实践基础是对于煤巷支护典型工程设计施工具有成功实践经验的案例，对于同类围岩一般工程进行技术咨询的思路和方法的一种概括和总结[11]。①围岩稳定性分类是煤巷支护类比的基础。在围岩分类基础上，以同类围岩典型工程的成功经验和现场原位测试资料作为类比的基准；②在众多的复杂的影响因素里面，选取关键的、核心对比指标，便于尽快找出相同属性；③依据预测系统的智能化、自适应、学习和自组织的特点，依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，将典型案例的关键原始条件和支护参数完成具有规律性的信息。

2.2工程类比法煤巷支护设计主要影响因素的确定

鉴于煤矿地质和生产条件的特殊性，煤巷支护的工程类比可比度影响因素较多。但是，作为科学研究，考虑所有的影响因素会有实际困难，也不利于抓住事物主要矛盾来定量分析。确定这些因素主要从以下三个方面考虑：要保证其是巷道支护工程类比的主要影响因素，并且能定量表示；能反映巷道围岩稳定性的特点，对工程类比中支护形式和参数起决定性作用[12]；基于生产应用的实际要求在煤矿生产条件下能容易测取，物理意义明确，便于技术人员使用；在能够满足实际工程应用的技术条件下，尽量控制影响因素指标的数量，充分体现技术人员操作的可行性和指标的实用性。

基于以上考虑，通过对不同矿区井下巷道工程生产条件和实际应用，总结我国巷道矿压与支护的实践经验和理论研究成果[13]，并参考了国内外有关巷道围岩稳定性影响因素研究成果，应用权值分析法做出影响煤巷支护工程类比可比度因素。主要包括巷道顶板强度、底板强度、巷道埋深、直接顶初次垮落步距、巷道净宽、巷道净高等。

3基于工程类比的煤巷支护智能预测系统实现

3.1基于工程类比煤巷支护智能预测系统结构

基于智能系统的特点和工程要求，采用人工智能中的改进型神经网络为预测算法。模块化的系统结构主要包括：人机接口、工程类比典型案例知识库、数据分析计算、智能预测、信息管理等组成，如图1所示。

图1　基于工程类比煤巷支护智能预测系统结构

3.1.1系统人机交互界面

人机交互界面是实现用户与系统、知识工程师与系统进行交互的窗口[14]。该系统较大程度体现了界面友好、操作简单、实用的特点，是煤矿生产一线技术人员应用系统功能的平台。

3.1.2知识库

1)典型工程案例获取的主要依据。典型类比分析法是巷道支护设计工程中传统方法的继承和发展。工程类比主要考虑类比的样本，也就是参照物，这对于新开挖巷道的支护设计至关重要。基于煤巷支护工程类比法实现的具体特点，确定典型案例的主要依据为：典型案例具有普遍适用性，其地质和生产条件均能代表一般巷道特点；确实能够体现出“典型”特点，且经过一定时间检验后表现为支护效果好，返修率低，围岩变形小等；典型案例各项支护技术指标齐全，能够为工程类比提供参考。

2)典型工程案例知识来源。系统建立的典型工程实例数据库，包含2所矿区各种类型的典型巷道支护案例52条。其数据来源有，一是深入大型矿区生产一线，通过已开展科研项目取得第一手生产技术资料；二是参阅有巷道支护工程实例的文献；三是开展巷道支护典型案例调查问卷，由生产一线技术负责人填写，并分析和整理。调查问卷技术参数如图2(a)、图2(b)所示；四是对开展科研项目相关巷道进行地应力测试，并通过实验室试验获取相关数据。表1为基于工程类比煤巷支护神经网络预测典型案例样本。

3.2基于工程类比煤巷支护智能预测系统建立

3.2.1智能预测系统开发平台

基于预测算法和内部结构特点，利用C#开发语言将智能算法用计算机语言实现，并且依据工程类比煤巷支护要求进行了函数设定和界面设计。用户不需要具备任何智能预测专业知识，只需输入指定的相关原始数据，系统便可自动进行数据分析处理，基于内容丰富的知识库并应用改进的神经网络算法进行支护设计。为了充分实现实用、方便、准确的功能，系统设计了读取、导入、导出模块，为更有效使用系统提供方便。

3.2.2系统智能预测参数确定及模型建立

1)隐含层个数。BP 神经网络即前馈式误差反传播神经网络，具有自学习、自组织、强容错性和并行处理速度快等优点，是目前应用最为广泛的网络之一[15]。单隐层BP神经网络的收敛性己经得到了研究论证，在实际应用中也得以普及和推广。鉴于此，将单隐层BP神经网络作为工程类比支护设计模型的理论基础[16]。隐含层单元的数目太多会导致学习时间过长、误差不一定最佳[17]，也会导致容错性差、不能识别以前没有看到的样本，因此一定存在一个最佳隐含层单元数，基于经验公式并兼顾Kolmogorow定理，系统选择隐含层神经元数为9个。

2)输出向量个数。基于巷道支护工程类比系统的特点及神经网络输出精度的要求，同时考虑到输出节点应满足煤巷支护围岩稳定性的关键性参数指标，确定输出样本节点定为4个，分别为：巷道顶板(或两帮)锚杆长度、锚杆直径、锚杆间距、锚杆排距。系统预测结构模型见图3。

图2　支护典型案例调查问卷设计结构

矿区霍州矿区汾西矿区矿井三交河辛置矿李雅庄曹村矿团柏矿庞庞塔水峪矿曙光矿编号12121121131212巷道2-51212-10812-107110-415160312-1201211-1112110-20525-109110-70325118611312181208顶板强度65.9674.4158.8164.1746.8972.8258.6859.641.7277.9191.1998.2347.353.64底板强度45.8751.7970.3747.825945.468.7541.7273.938.3528.6830.5253.6749.73直接顶初次垮落步距241215128121271535881515埋深225320532296639570150323684180246240500510巷道净高3.83.73.62.633.22.63.83.43.22.82.833巷道净宽4.84.84.4454.64.62.654.44.64.64.64.2顶板锚杆长度25002500250020002500250025001800250025002200220024002400顶锚杆直径2022221820222218222222222020顶间距9008008008008007209008008008009009008501000顶排距1200800800100090085095080080080090090010001000帮锚杆长度18002000200020002500200016001600200020001800180024002400帮锚杆直径14.620181820181614.6202016162020帮间距900850800900700100010008508008009009008001000帮排距12008008001000900850950120080080090090010001000巷道支护形式11111111112233锚杆类型12222211221122

注：表中支护方式取值代表的含义：1.锚网梁锚索联合支护；2.锚杆金属网支护；3.锚、网、索联合支护；锚杆类型取值代表的含义：1.普通圆钢锚杆；2.左旋螺纹钢锚。

3)训练函数选取及优化。传递函数的确定对神经网络预测值的精确度有很大影响[18]。该系统传递函数采取以下两种：输入层到隐含层之间的传递函数定为双曲正切S型函数(tansig函数)，隐含层到输出层的传递函数定为S型对数函数(logsig函数)。

trainlm函数基于Levenberg-Marquardt算法，用以最小化那些作为其他非线性函数平方和的函数，主要通过雅可比矩阵的计算来对权值及阀值进行优化。相对于其他训练函数，如traingdm、traingdx等，trainlm函数是中等规模的多层神经网络训练算法中速度最快的一种。其优点在于准确性较高，训练时易于得到较理想的结果；同时该函数在运算过程中迭代次数少，大大节省了时间的使用。由此，系统以trainlm函数作为训练函数。

4)样本数据处理分析。基于霍州、汾西矿区进行现场典型案例收集，调查问卷，部分巷道地应力测试，实验室试验所获得最后得到52组数据。对其进行分析整理后，选取其中的25组数据作为典型巷道进行分析处理。将其中的22组数据用于样本训练。

图3　系统预测结构图

在进行数据训练之前，需要先将输入及输出样本数据进行归一化处理。归一化的目的是为了加快网络的收敛性，方便数据的处理而把数据映射到-1～1(或0～1)范围之内的一个过程。系统采用了下式进行数据处理分析。

式中，x、y分别为转换前、后的值，xmax，xmin为x的最大最小值。

4工程类比煤巷支护神经网络预测系统工程应用实例

选取霍州矿区辛置矿2-1071巷、310巷，三交河矿10-0012巷三条巷道进行支护参数预测。三条巷道埋深分别为532m、345m、419m，地质条件均比较复杂，能够较好地反映出霍州矿区不同地质条件下巷道的支护情况。其基本原始数据如表2所示。将三条巷道的相关支护原始数据输入预测系统，得到系统推理的支护参数。由表3对比数据可知，实际采用的支护参数与系统预测结果相差不大，实际平均误差为0.0534，说明系统用于煤矿巷道支护设计确实可行。基于工程类比能够对巷道支护进行快速智能决策，为矿山的信息化建设和煤矿支护技术的发展提供新的参考。

表2　待预测测试样本参数

表3　系统预测与现场实际结果比较

5结论

1)基于理论和现场实践，分析研究了工程类比法煤巷支护设计的主要影响因素巷道顶板强度、底板强度、巷道埋深、直接顶初次垮落步距、巷道净宽、巷道净高等。并将它们作为煤巷支护设计工程类比的关键匹配指标。

2)通过大量的现场生产一线问卷调查和领域专家成果，建立了内容丰富的煤巷支护知识库，实现了工程类比法的煤巷支护设计智能化预测功能。

3)基于改进的神经网络算法和模型实现待测巷道的支护方案预测和优化，最大程度发挥了工程类比法支护设计的优势。

4)将系统应用到生产一线煤巷支护，推理结果与实际情况相符，表明系统在解决现场实际问题和提高支护技术具有一定实际意义。

参考文献

[1]杨志法，尚彦军，刘英.关于岩土工程类比法的研究[J].工程地质学报，1997，5(4)：299-305.

[2]中华人民共和国国家标准.锚杆喷射混凝土支护技术规范(GBJ86-85)[S].1985..

[3]薛守义.论岩土工程类比设计原理[J].岩土工程学报，2010，32(8)：1279-1283.

[4]杨仁树，马鑫民，李清，等.煤矿巷道支护方案专家系统及应用研究[J].采矿与安全工程学报，2013，30(5)：648-652.

[5]周保生，朱维申.巷道围岩参数的人工神经网络预测[J].岩土力学，1999，20(1)：22-26.

[6]李世辉.锚喷支护分析预测的典型类比分析法[J].煤炭学报，1994，19(1)：33-39.

[7]朱琢华，黄宏伟，杨新安.锚喷支护设计的工程类比模糊经验法[J].煤炭学报，1998，23(6)：571-574.

[8]金 峰，胡 卫，张楚汉，等.基于工程类比的小湾拱坝安全评价[J].岩石力学与工程学报.2008：27(10)，2027-2032.

[9]汝佧，易发成，张洪.基于模糊数学法的工程类比法在边坡治理中的研究与应用[J].长春工程学院学报，2013：14(1)，105-107.

[10]朱川曲，缪协兴，谢东海.软岩巷道支护方式优化的神经网络模型[J].岩土工程学报.2001，23(6)：708-710.

[11]李世辉.锚喷支护分析预测的典型类比分析法[J].煤炭学报，1994，19(1)：33-39.

[12]王述红，朱浮声，刘斌，等.岩体隧道施工过程智能辅助决策系统的实现[J].岩石力学与工程学报，2002，21(4)：590-594.

[13]潘一山，肖永惠，李忠华，等.冲击地压矿井巷道支护理论研究及应用[J].煤炭学报，2014，39 (2)：222 - 228.

[14]杨仁树，马鑫民，李清，等.煤矿巷道掘进爆破智能设计系统及应用[J].煤炭学报，2013，38(7)：1130-1135.

[15]杨永国，黄福臣．非线性方法在矿井突水水源判别中的应用研究[J].中国矿业大学学报，2007，36( 3)：283-286．

[16]孙文彬，刘希亮，谭正龙，等.基于抛掷爆破预测的BP神经网络参数优化方法[J].煤炭学报，2012，37(S1)：59-64.

[17]沈花玉，王兆霞，高成耀，等.BP神经网络隐含层单元数的确定[J].天津理工大学学报，2008，24(5)：13-15.

[18]史峰，王小川，郁磊，等.Matlab神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.

Intelligent forecast system of roadway support and it’s application based on engineering analogy

MA Xin-min1，YANG Ren-shu1，2，WANG Mao-yuan1，CHEN Kai1，MA Shi-yan1，LIN Tian-shu1

(1.School of Mechanics & Civil Engineering，China University of Mining and Technology (Beijing)，Beijing 100083，China；2.State Key Laboratory of GeoMechanics and Deep Underground Engineering(China University of Mining and Technology (Beijing))，Beijing 100083，China)

Abstract:Based on the research on theory of coal roadway supporting and production line survey，we analyzed the influence of coal roadway supporting design engineering analogy method six main influencing factors.Applying the latest artificial intelligence technology，computer technology and visual design method，we developed the engineering analogy coal roadway supporting neural network prediction system.We used questionnaire and laboratory measurement methods such as a line to get 52 roadway supporting in coal roadway，typical data，and combined with the results of domain experts the typical sample knowledge base of coal roadway supporting design is established.The experience of analogy，field measurement and professional theories combine to achieve the test roadway support forecasting and optimization solutions，has played a large extent support design engineering analogy advantage.Used the system to predict Shanxi Huozhou coal mine roadway supporting plan and the prediction results are in good agreement with actual situation.Development and use of the system has some practical value for the use of information technology has played engineering analogy advantage and improving the actual effect of coal roadway supporting.

Key words：engineering analogy；roadway support；intelligence；forecast system

收稿日期：2015-03-09

中图分类号：TD353

文献标识码：A

文章编号：1004-4051(2016)02-0085-06