地表沉陷预测的改进BP神经网络模型

为了更加准确地预测地表沉陷变形,基于Adaboost算法采用多网络共同计算策略改进了BP神经网络,通过实际沉降数据对Adaboost算法改进后的神经网络进行训练,预测地表最大下沉量、影响角正切和拐点偏移距,将预测的3个参数代入概率积分法中,建立了地表沉陷公式,对改进效果和地表沉陷公式分别进行了验证。结果表明:(1)通过对比改进前后BP神经网络的计算精度,未经过Adaboost算法改进的BP神经网络误差明显大于改进后的BP神经网络,说明基于Adaboost修正后的BP神经网络计算精度得到了有效提升;(2)基于BP神经网络对最大下沉量、影响角正切和拐点偏移距3个参数进行预测,结合概率分析法,能够实现稳沉后采空区主断面上方地表沉降规律的准确描述。以鲁西南地区某矿3301采空区地表为例,利用改进BP神经网络预测了地表最大下沉量、影响角正切和拐点偏移距,进而给出了地表沉陷曲线,与现场实测结果对比显示:改进BP神经网络的最大误差小于0.105 m,最大相对误差为4.3%,证明了所提计算方法的可靠性。     

基于神经网络的主要影响角正切值求取方法

主要影响角正切tanβ是开采沉陷预计的重要参数,对于地表影响范围的确定具有决定性的作用,其影响因素十分复杂,很难用一定的理论公式来描述,本文利用神经网络自学习、自主对复杂的非线性关系的拟合原理,通过对大量样本的学习训练,获得了基于神经网络的主要影响角正切值求取方法,并通过样本测试,取得了较好的效果;为主要影响角正切tanβ的求取开辟了新的途径。     

基于支持向量机的主要影响角正切求取方法研究

主要影响角正切是开采沉陷预计的重要参数,对于地表影响范围的确定具有重要的意义。在综合分析主要影响角正切与地质采矿条件之间关系的基础上,运用我国典型的地表移动观测站资料作为学习训练样本,通过合理地选择SVM中的核函数,惩罚参数C,不敏感损失参数ε,建立了主要影响角正切与各影响因素的SVM回归关系模型,并用此模型对检验样本进行预测。结果表明,用支持向量机方法求算主要影响角正切具有较高的精度,可以在实际工程中进行推广应用。该方法可以综合考虑多种因素对主要影响角正切的影响,为今后快速准确地求取主要影响角正切提供了一个新的方法。     

山东黄河北煤田地表沉陷规律研究

为研究山东黄河北煤田开采地表沉陷规律,在黄河北煤田的邱集煤矿的西一采区建立了地表沉陷观测站,并按有关规程要求进行了观测,结合其他矿区的地表沉陷规律,利用回归分析法对所取得的观测数据进行研究,分析出山东黄河北煤田的开采沉陷特征,黄河北煤田的地表沉陷符合概率积分法,获得其参数分别为下沉系数0.86,主要影响角正切1.55,影响传播角89,°拐点移动距0得出了其下沉系数大、主要影响角正切偏小的特厚松散层的地表沉陷特点。     

基于PSO-RBF神经网络的主要影响角正切求取方法

主要影响角正切tanβ是采用概率积分法进行矿山开采沉陷预计的主要参数之一,决定着开采沉陷的影响范围。为了提高tanβ求取精度,在分析tanβ及其影响因素的基础上,选取tanβ的5个主要影响因素作为输入层神经元,将粒子群(PSO)快速搜索全局最优解算法与径向基(RBF)神经网络相结合,提出一种求取tanβ的PSO-RBF神经网络预测模型,获得tanβ和地质采矿条件之间的非线性映射关系。运用我国30个典型观测站的实测数据作为学习训练和测试样本,进行了PSO-RBF神经网络模型的适应度和泛化能力测试,对预测结果与实测值进行了对比分析。结果表明：应用PSO-RBF神经网络模型预测tanβ,收敛速度快,预测精度高。预测结果的最大相对误差为6.54%,最小为2.56%,所得到的tanβ精度有了一定的提高。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

概率积分法模型参数全局灵敏度分析

采用多元逐步回归法对矿区变形预测模型——概率积分法模型各参数进行逐步回归分析,由回归顺序确定模型各参数的全局灵敏度。以淮南矿区1212(3)工作面为例,采用@RISK模拟计算,结果表明,下沉系数对模型起最关键的作用,灵敏度最高,与模型的相关系数为0.85,其次为主要影响角正切和拐点偏移距,相关系数为0.09和0.03,开采影响传播角的灵敏度最低,相关系数为0.004。该研究结果为模型参数的选择提供了数学层面的依据,在应用概率积分法模型进行开采沉陷预计时,应准确确定灵敏性高的下沉系数和主要影响角正切值这两个参数。     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

露天矿最终边坡角的BP神经网络预测及数值模拟验证

利用专家调查表的方式分析露天矿山边坡稳定性的主要影响因素,确定网络模型的输入层神经元。研究BP神经网络的结构和输出方式,对神经网络模型进行优化,并收集大量矿山稳定边坡的相关参数作为样本库,建立神经网络预测模型,将该模型用于某大型深凹露天矿山最终边坡角的预测。根据预测边坡角参数,采用SURPAC—MIDAS—FLAC3D多软件组合的方式,创建逼真的矿山边坡稳定性三维数值计算模型并进行模拟分析,结果表明,模型预测的边坡角满足设计要求。     

开元煤矿丘陵地貌开采沉陷规律研究

通过实测和模拟方法对开元煤矿丘陵地貌条件下开采沉陷规律进行了研究,结果表明:充分采动时地表下沉系数为0.78,水平移动系数为0.23,采动影响边界范围173 m,边界角为59°,移动角为73°,主要影响角正切为1.8。研究成果为开元煤矿保护煤柱设计确定采动影响范围、进行"三下"采煤地表沉陷设计、确定地表沉陷各项参数和村庄压煤开采设计提供了依据。     

Mountain ground movement prediction caused by mining based on BP-neural network

Six main influencing factors: slope, aspect, distance, angle, angle of coal seam, and the ratio of depth and thickness, were selected by Grey correlation theory and Grey relational analysis procedure programmed by the MATLAB software package to select the surface movement and deformation parameters. On this basis, the paper built a BP neural network model that takes the six main influencing factors as input data and corresponding value of ground subsidence as output data. Ground subsidence of the 3406 mining face in Haoyu Coal was predicted by the trained BP neural network. By comparing the prediction and the practices, the research shows that it is feasible to use the BP neural network to predict mountain mining subsidence.     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

开采沉陷预计参数的广适应性BP神经网络反演方法（增刊）

基于实测资料的概率积分法下沉预计能够准确描述开采引起的地表下沉变化,广泛应用于全国各大采区。为了获取准确可靠的开采沉陷概率积分法预计参数,本文以概率积分法沉陷预计为基础,利用BP人工神经网络反演求取预计参数。BP人工神经网络具良好的鲁棒性和非线性映射能力,在参数选取过程中能快速准确的确定预计参数与观测站点实测下沉量之间的映射关系,能准确反演得到实测下沉预计参数。根据地表实测数据,将概率积分法下沉预计与BP人工神经网络相结合,建立了适用于多种地质采矿条件的沉陷预计参数反演模型,并对阳泉某矿进行参数反演,得到结果与实测数据基本吻合,表明应用广适应性BP神经网络方法反演开采沉陷预计参数是可行的。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

利用随机森林回归模型预计水平移动系数

水平移动系数b是开采沉陷预计的重要参数之一,对于精确确定开采沉陷地表影响范围具有决定性作用。为精确有效地计算b值,进而提高开采沉陷的预计精度,首先详细分析了R语言特点及随机森林(Random forest,RF)算法的基本原理及实现流程;然后,详细探讨了影响b值的地质采矿因素,并确定了5个基本变量,即开采厚度、煤层倾角、开采深度、工作面斜长、覆岩评价系数;最后,结合R语言构建了一种RF回归模型并用于预计b值。用于训练和测试RF回归模型的样本来源于我国一些主要矿区的典型地表移动观测站实测资料,试验结果表明:利用基于R语言编程的RF回归模型预计的b值与实测值的最大相对误差仅为4.559%;相对于BP神经网络、支持向量机(Support vector machine,SVM),RF回归模型在预计精度和模型稳定性等方面优势较明显,且该模型具有较强的泛化能力,可基本满足实际工程需要,为高精度预计b值提供了一种有效方法。