[发明专利]一种露天矿边坡位移量预测模型的建立方法

说明书

本发明关于露天矿采挖工程技术领域，一种露天矿边坡位移量预测模型的建立方法，获取边坡变形监测样本数据，确定BP神经网络的拓扑结构，确定输入层、隐含层和输出层的神经元个数；根据BP神经网络的拓扑结构确定粒子群种群规模和维数确定适应度函数和系统误差；将样本数据带入到每个粒子中，进行网络的前向传播计算，逐个计算每个粒子的适应度值；比较适应度函数值，通过比较变异前后粒子对应的适应度值，如果变异后粒子的个体最优解的适应度值或粒子群全局最优解对应的适应度值小于变异前，则替换为变异后的个体最优解和全局最优解；将停止迭代后的全局最优解对应的向量元素初始化BP神经网络，该BP神经网络即为露天矿边坡位移量预测模型。

技术领域

本发明关于露天矿采挖工程技术领域，特别是一种露天矿边坡位移量预测模型的建立方法。

背景技术

露天矿开采是煤炭生产的主要形式之一，因此露天矿边坡变形监测是边坡稳定性和矿山工程安全的重要保障。近年来随着露天矿不断增加开采深度，导致边坡高度和倾角不断增加，导致边坡变形量不断增大，对矿山开采的安全性构成极大的威胁，因此对露天矿边坡的位移量进行预测具有重要的应用价值。边坡位移的变化受边坡地区地质构造、边坡体及滑动面的力学性质、边坡区域的水文气象条件等多因素共同影响，是一个多因素共同作用的复杂非线性过程，所以如何能够充分利用边坡变形监测数据对边坡位移量进行准确预测，进而对边坡的变形量以及稳定性做定量分析就成为问题的关键。

边坡变形监测与预测的方法分为回归分析模型和时间序列模型等，这些传统的变形监测模型基本是个影响因素与变形量之间具有确定的线性函数关系，然而影响因素与变形量之间的关系是复杂的非线性关系，因此这种模拟必然会影响边坡变形监测与预测的准确度和边坡稳定性分析。其次，构建边坡变形非线性影响因素与边坡变形量的数学模型难度非常大，因此对变形监测数据处理以及对边坡变形量进行预测具有非常大的制约作用。传统的BP神经网络模型虽然能够解决非线性模型预测的问题，但是在预测变形量过程中具有迭代次数过多，易陷入局部极小值和预测精度不高的缺点中。

发明内容

为解决上述问题，本发明提出一种露天矿边坡位移量预测模型的建立方法，该方法可解决背景技术中提到的问题，可以定量计算一定范围内露天矿边坡变形量，从而对边坡的稳定性进行定量评价。

为实现上述目的，本发明采用的技术方案是：

一种露天矿边坡位移量预测模型的建立方法，

步骤1、获取边坡变形监测样本数据，因为边坡变形监样本测数据量纲和数量级的不同，对监测样本数据归一化处理；

步骤2、初始化BP神经网络，确定BP神经网络的拓扑结构，确定输入层、隐含层和输出层的神经元个数；根据BP神经网络的拓扑结构确定粒子群种群规模M、维数n，随机初始化每个粒子的位置向量x_i和向量v_i，分别确定适应度函数和系统误差；

步骤3、将归一化的样本数据带入到每个粒子中，进行网络的前向传播计算，逐个计算每个粒子的适应度值，即均方差E_k；

步骤4、比较适应度函数值，确定每个粒子的个体最优解和粒子群的全局最优解，在迭代的过程中，为了防止某些粒子陷入局部最优解而导致种群粒子快速收敛到局部最优解，应用自适应高斯变异和柯西变异分别对粒子个体最优解和全局最优解进行变异，通过比较变异前后粒子对应的适应度值，如果变异后粒子的个体最优解的适应度值或粒子群全局最优解对应的适应度值小于变异前，则替换为变异后的个体最优解和全局最优解；

步骤5、将停止迭代后的全局最优解对应的向量元素初始化BP神经网络，该BP神经网络即为露天矿边坡位移量预测模型。

作为优选的，在步骤1中，将边坡变形监测样本数据代入以下公式进行归一化处理：