[发明专利]一种基于BP神经网络建模的冲击地压动态预测方法

说明书

技术领域

本发明涉及一种矿山冲击地压预测方法，特别是关于一种基于BP神经网络建模的冲击地压动态预测方法。

背景技术

矿山的冲击地压作为矿山压力的一种特殊表现形式，是指当矿山开采达到一定深度时，由于采动应力、构造应力、地应力以及环境扰动共同作用而产生的一种地压灾害。在冲击地压发生的过程中，矿体常常被剧烈粉碎并抛入巷道中，从而对支架、巷道、工作面造成破坏，甚至造成人员伤亡。同时，周围岩体还伴有震动等灾害。大多数矿井均存在不同程度的冲击地压威胁。

对于冲击地压的研究主要侧重分析其形成机理，研究其预测预报方法。而各种预测方法则需针对具体地质条件，通过理论联系实际方法来对冲击地压进行预测预报。目前，除了经验类比法外，冲击地压的预测方法可分为以下两大类：一是以钻屑法为主的局部探测法，主要用于探测采掘局部区段的冲击危险程度。但其预测工作在时空上不具有连续性。二是系统监测法，主要有微震、地音及地球物理系统监测方法。原理是通过连续监测矿体内出现的动力现象来预测冲击地压的危险级别，所依据的基本条件是岩体结构的破坏过程，可以被视为动力破坏的前兆。此类方法可解决时空不连续问题，但维护较为困难，数据本身存在极为复杂的非线性关系，故通过分析数据判定矿体的力学状态难度较大。

近年来，人工智能方法被普遍的应用到冲击地压的预测中，如利用混沌时间序列方法来预测冲击地压，采用灰色理论建立了冲击地压预测模型。然而，通过大量的实证研究表明，上述方法并未很好解决冲击地压动态预测问题。这是因为，冲击地压与岩体深度、岩体厚度、岩体间距、日进度和日产量等多种因素密切相关，而这些影响因素又存在复杂的非线性关系。传统方法无法准确对冲击地压进行预测。

发明内容

针对上述问题，本发明的目的是提供一种基于BP神经网络建模的冲击地压动态预测方法，该方法可靠性较高，克服了目前冲击地压预测过程中并未与其影响因素相联系的缺陷，实现了冲击地压中短期动态预测。

为实现上述目的，本发明采取以下技术方案：一种基于BP神经网络建模的冲击地压动态预测方法，其特征在于：所述预测方法包括以下步骤：1)根据矿井实际情况，确定冲击地压影响因素，并采集这些影响因素的特征数据；2)对步骤1)中的影响因素指标中定性描述部分进行定量化处理，获得初始种群，将冲击地压分为四个危险级别：无明显冲击、微弱冲击、较强冲击和强烈冲击；3)将采集到的八项影响因素的全部数据存储到数据库中，并分别进行BP神经网络训练，获得BP神经网络模型参数和输入层和隐藏层之间的连接权重W_ij、隐藏层和输出层之间的连接权重W_jk；4)利用遗传算法对神经元个数h、算法学习率η及动量因子α寻优，获得最优隐含层节点数目；5)利用步骤3)及步骤4)训练得到BP神经网络算法模型对矿井的冲击地压进行预测，获得矿井冲击地压的危险级别。

所述步骤1)中，所述影响因素包括矿体厚度、矿体倾角、埋深、地质构造情况、倾角的变化程度、矿体厚度变化情况、顶板管理情况和采前卸压情况。

所述步骤2)中，所述量化方法为：地质构造：Ⅰ表示简单地质构造，Ⅱ表示地质构造一般，Ⅲ表示地质构造较为复杂，Ⅳ表示地质构造极为复杂；矿体间倾角变化：Ⅰ表示无明显变化，Ⅱ表示有较小变化，Ⅲ表示有较大变化；矿体厚度变化：Ⅰ表示无明显变化，Ⅱ表示有较小变化，Ⅲ表示有较大变化；顶板管理情况：Ⅰ表示支护差，Ⅱ表示支护一般，Ⅲ表示支护较好；采前卸压情况：Ⅰ表示无卸压措施，Ⅱ表示卸压情况一般，Ⅲ表示卸压情况较好，Ⅳ表示卸压情况很好。

所述步骤3)中，所述BP神经网络训练算法如下：(1)随机给各输入层和隐藏层之间的连接权重W_ij和隐藏层和输出层之间的连接权重W_jk赋一个初始权值，要求各连接权重值互不相等，且都为一较小的非零数，在(-1.0,1.0)之间取值；(2)对样本集中每一个样本(X_p,Y_p)确定网络的实际输出值O_p；其中，p＝1、2、…i；(3)计算实际输出O_p和相应的理想输出Y_p之间的差；(4)按网络结构的极小误差方式调整权值矩阵；(5)判断最大迭次数N是否大于预先给定的大数，大于则判断网络结构的误差是否小于较小的值ε；反之将网络结构误差反向传播，修正各个连接权重，返回步骤(1)。