基于改进BP神经网络算法的煤巷支护方案预测研究

2018-05-31冯利宁

中国煤炭 2018年5期

冯利宁

(冀中能源股份有限公司邯郸云驾岭矿，河北省武安市，056300)

煤巷支护是矿井生产建设的关键环节，单纯依靠现场技术人员简单的工程类比确定支护方案既不科学也不安全，有必要利用近年来发展迅猛的人工智能算法进行支护方案决策。国内外学者对BP神经网络进行了研究，并将其引入煤矿巷道支护设计，取得了较好的效果。但是，煤巷复杂的地质条件及生产条件，使得神经网络输入参数的选取存在较大困难，神经网络本身固有的缺陷也会使得支护参数预测稳定性差，实际效果不佳。

针对以上问题，以邯郸矿区为工程背景，通过分析该矿区支护工程典型案例数据，利用改进的BP神经网络算法对煤巷支护参数预测，在分析影响巷道支护设计的关键因素基础上，确定了BP神经网络预测模型结构参数，实现了支护参数预测。

1 BP神经网络原理及模型建立

1.1 BP神经网络基本原理

BP神经网络(以下简称BP网络)是一种按误差反向传播训练的多层前馈网络，其算法称为BP算法。从结构上讲，BP网络具有输入层、隐藏层和输出层；从本质上讲，BP算法就是以网络误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。BP网络无需事先确定输入和输出之间映射关系的数学方程，仅通过对数据库中学习样本的训练，找出输入和输出之间的某种规则，在给定输入值时得到最接近期望输出值的结果。

BP神经网络算法由两部分运算组成：首先，将样本数据通过既定的学习规则由输入层、隐含层逐层传递到输出层，并与设定误差进行对比，以验证计算效果，此为数据的正向传播过程；其次，算法通过对误差大小进行分析，如不满足精度效果时，通过学习算法，将误差由输出层经隐含层反馈到输入层，迭代计算，经多次运算后，得到最终结果，并以各层权值、阈值的形式体现出来，此为误差的反向传递过程，经过以上两步骤完成训练。

在整个BP神经网络模型设计中，其基本处理单元包括输入层、输出层、隐含层、传递函数及训练函数等内容。通过结合成庄煤矿巷道案例，对该神经网络模型进行设计。

1.2 支护模型建立

1.2.1 输入输出层节点确定

通过学习与归纳国内外相关学者的研究成果，根据神经网络算法、煤矿巷道实际情况以及下一步工作进展，确定了7个输入层节点因子：顶板围岩强度、底板围岩强度、两帮围岩强度、直接顶初次垮落步距、埋深、巷道净宽及巷道净高；基于锚杆支护的情况下，确定了5个输出层节点因子：锚杆长度、锚杆直径、锚杆间距、锚杆排距及支护类型(为保证数据预测的准确性，分两次进行运算)。在此基础上，收集输入层、输出层样本数据，进行整理分析归纳，建立典型巷道数据库。

1.2.2 隐含层的设计

隐含层的层数与节点数直接关系到预测结果的好坏。理论上，增加隐含层数目可以降低误差，使结果更加精确。但隐含层数目的增多也会导致网络结构过于复杂、使训练时间增加并导致节点参数确定的复杂化。因此，总结相关成果，确定隐含层数目为1层。

隐含层节点数的确定与输入层、输出层节点数有着直接的关系。隐含层节点数过多会增加训练时间，过少会引起误差过大，目前隐含层节点数相应的一些公式都不太精确，因此需要结合设计者的经验与参考公式进行确定。

1.2.3 初始值的选取

初始值包括各层权值与阈值，该值对于神经网络能否达到全局优化及达到允许误差影响很大。在首次训练中，权值与阈值一般取随机值，并限定在(0，1)的范围内；同时对输入、输出样本进行归一化处理，以使数据结构更为合理，避免误差过大。

1.2.4 传递函数的选取

传递函数的确定对神经网络预测值的精确度有很大影响。基于相关研究文献并经过多次模拟运算，在该预测方法中确定输入层为S形对数函数(logsig)，输出层为线性函数(purelin)，这两种函数的结合可以使算法逼近任意形式的非线性函数映射。

2 BP算法的改进

标准的BP算法由于自身固有的缺陷，在进行支护参数预测准确性上还存在不足，一般对于BP算法的应用均在其训练函数改进的基础上进行，根据实际情况，采用LM (Levenberg-Marquardt)算法对BP算法改进。

LM算法是在近似二阶训练速率进行修正时，为避免计算Hessian矩阵而设计的，该方法运算速度快、精度高，对于中等程度的神经网络尤为适用。根据以上原理及优点，采用LM算法对基于煤巷支护方案预测的BP神经网络进行改进。

2.1 巷道支护样本训练

2.1.1 数据预处理

采用以下公式，对巷道顶板强度、两帮强度、底板强度进行预处理：

(1)

当煤性为软煤(σ帮<10 MPa)时，W′取值如下：

(2)

式中：W′—— 宽度处理转换后的数据，mm；

B——煤帮初始宽度，mm；

B0——处理后的煤帮宽度，mm。

其中，B0按照下式计算：

B0=15.43+0.098H

(3)

式中：H——巷道埋深，m。

当煤性为中硬(10 MPa<σ帮<20 MPa)时，W′取值如下：

当煤性为硬(20 MPa<σ帮)时，W′取值如下：

2.1.2 样本数据转置与归一化

根据神经网络原理，只有在数据列相等的情况下，算法模型才可进行运算。因此，对于原始数据，在对其数据处理的情况下进行转置，才可保证运算过程的准确性。同时，由于数据的各个指标量纲和量级的不同，如直接使用原样本数据，会因数据大小不一导致误差过大，影响训练效果。基于此现象，一般情况下需对数据进行归一化处理，以解决数据大小问题。

3 煤巷支护参数预测

3.1 预测数据的前向传递

将待预测巷道数据指标归一化处理，得到量纲统一的输入值，计算公式如下：

(8)

式中：Zi——归一化的待预测巷道数据指标；

zi——原待预测巷道数据指标；

ximin——输入数据指标的最小值；

ximax——输入数据指标的最大值。

通过式(8)，将原始数据归一化至[0，1]之间，保证数据指标的一致性。将处理后的待预测数据，利用得到的符合效果的各层权值与阈值，重复数据前向传播中的计算过程，得到预测巷道支护数据值。

3.2 反归一化与转置

上述程序完成后即进行反归一化，其过程与归一化运算相反，参考下式进行运算：

O=Oj(tjmax-tjmin)+tjmin

(9)

式中：O——反归一化后的输出预测支护数据；

Oj——BP神经网络输出预测支护数据；

tjmax——输出数据指标的最大值；

tjmin——输出数据指标的最小值。

最后，对以上得出的预测值进行转置，得到最终的待预测巷道支护设计参数有关指标。

4 工程应用

基于计算机编程技术，研发了改进型BP神经网络算法的煤巷支护方案预测可视化系统，如图1和图2所示。为验证改进型BP神经网络预测方法的优越性，将研发的系统在云驾岭矿12808工作面运输平巷进行支护方案预测，经过推理运算得到顶板及两帮的锚杆支护参数，并与现场实际支护案例比对，以验证系统设计的可行性，对比数据见表1。