神经网络在锚杆支护方案优选及变形预测中的应用

根据综放回采巷道的特征,确定其锚杆支护形式优选需要考虑的因素为：围岩强度、煤层强度、巷道埋藏深度、围岩节理裂隙发育程度、采动影响、顶煤厚度、护巷煤柱宽度、巷道断面面积,这些因素和支护形式、支护参数一起对巷道围岩变形产生影响.根据巷道支护方案和围岩变形与其影响因素为非线性关系的特点,建立了综放回采巷道支护方案优选和围岩变形预测的神经网络模型,为支护设计和生产管理提供科学依据.     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

改进BP神经网络在采准巷道支护中的应用研究

在对程潮铁矿采准巷道支护类型影响因素和巷道成功加固实例调查分析的基础上,提出采用改进的BP神经网络对支护类型进行研究。由学习样本的学习过程和对支护类型的预测结果可知,无论是学习样本误差收敛过程,还是收敛速度、收敛精度和支护类型的预测结果都较为理想,预测准确率较高,为研究采准巷道的支护类型提供了新的研究思路,具有较好的推广应用价值。     

寺河矿采区巷道修复收敛变形分析及发展趋势预测

寺河煤矿采区巷道围岩条件差有时会发生严重破坏,这影响正常的煤矿生产,并容易产生安全问题。文章根据寺河煤矿采区巷道的多种支护情况,通过收敛变形记录对神经网络模型进行训练,建立了相适应的BP神经网络预测模型。通过该神经网络模型成功预测修复后巷道的收敛变形发展情况,预测结果与实测值相似度达85%以上。     

基于Phase~2数值模拟的巷道支护参数优化研究

结合某矿回采巷道地质和技术条件,利用Phase~2数值模拟软件建立了不同锚杆支护参数的模型,通过分析巷道变形及应力分布特征,研究了不同锚杆间距和长度时巷道支护效果。结果表明:Phase~2数值模拟可以为巷道支护参数优化设计提供有效参考,优选支护方案效果良好,有效维护了巷道的稳定性。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

基于立体矿图系统的巷道变形预测动态可视化

针对巷道变形预测可视化识别程度不高的问题,提出了一种将神经网络巷道变形预测算法与矿井立体矿图信息管理系统相结合的方法,利用三维立体矿图系统实现巷道预测变形的动态可视化识别,并对巷道可控变形范围进行预警阀值设定,系统可及时发出相应的预警信号,为工程人员进行相应的巷道支护方案设计及施工决策提供了重要的指导信息。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

采矿巷道的开挖变形及支护效果研究

对某铁矿采区水平巷道建立有限元模型,模拟了巷道开挖后围岩应力、应变变化状况,分析了围岩变形机理,并使用收敛观测法监测采区水平巷道开挖后的周边位移变化情况,验证巷道变形机理的数值模拟结论.最后对支护效果进行了模拟,并以此为依据对支护参数设计提出了优化建议.     

地下矿山软岩巷道地压监测及其显现规律研究

针对某铁矿井下巷道陆续出现巷道底臌变形、侧帮向内挤压、顶部支护体下沉、锚杆脱落等地压显现 现象,进行了软岩巷道地压监测及其显现规律研究。设计了一套完整的巷道地压综合监测体系,以巷道围岩压力 监测和变形监测为主,实现在地表集控中心对井下巷道围岩的受力和变形进行长期观测和预警。巷道围岩压力监 测选用锚杆应力计,变形监测选用多点位移计,通过长期对监测数据进行分析,获得不同岩性的巷道围岩的应力和 变形机制。根据围岩变形和应力情况,结合矿山已有矿岩强度特征及巷道围岩松动圈厚度范围,建立巷道支护三 维数值模型,进行锚网喷支护参数优化,优化后支护效果较为稳定。研究表明,地压监测数据可为软岩巷道合理的 支护设计提供理论依据和指导,为支护结构的长期稳定提供保障。     

复杂矽卡岩巷道锚杆支护参数优化研究

锚网喷支护是最常用和经济的矿山巷道支护方式,主要以锚杆为主体控制围岩变形与破坏,其锚杆长 度、间排距与预应力的选取是体现支护效果的关键因素。 针对某铁矿复杂破碎矽卡岩巷道,现有锚网喷支护效果不 理想,展开支护参数优化研究。 首先采用探地雷达进行巷道松动圈测试,根据围岩松动圈范围及岩体结构特征对矽 卡岩进行分类,共分为 3 类分别进行锚网喷支护参数优化;然后在前期点荷载试验及现场地压监测结果的基础上采用 黄金分割法对岩体力学参数进行反演,获得围岩强度及变形参数;最后根据松动圈支护理论确定最佳锚杆长度、合理 预紧力,利用 FLAC3D 建立巷道支护三维数值模型,结合巷道变形及塑性区面积,对锚杆间排距进行优化,分别确定 3 类矽卡岩巷道合理的锚杆支护参数。 经实践验证,优化后支护效果较稳定可靠。 研究结果可为复杂矽卡岩巷道锚杆 支护设计提供参考。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

永定庄矿火成岩侵入巷道支护技术研究

为解决煤矿火成岩侵入区巷道支护问题,在研究国内外巷道围岩变形理论及控制技术基础上,对大同煤矿集团永定庄矿石炭系3-5~#层火成岩侵入区巷道变形破坏特征进行现场实测及理论分析,并进行支护参数设计,进而运用FLAC~(3D)软件对2种可行的支护方案进行数值模拟,通过巷道顶底板移近量、两帮收敛量、塑性区范围对巷道支护效果进行检验,最终确定φ22 mm×2 200 mm螺纹钢锚杆和φ17.8 mm×8 000 mm锚索联合支护为优选方案。通过优选方案的实际应用及围岩控制效果的检验,证明了支护措施的有效性,为类似地质条件的工程提供了借鉴。     

高应力破碎岩体巷道锚网支护应用研究

主要论述锚网支护在高应力破碎岩体巷道中的应用研究,结合矿区现场实际情况得出合理的支护参数和支护工艺,并且在支护完成后及时设置测站对围岩变形进行监测以验证支护效果。通过对巷道围岩变形监控量测数据的分析,得到拱顶下沉、周边位移的变形曲线具有明显的阶段特征;同时对变形曲线进行非线性回归分析,得到围岩变形"增长模型"的非线性回归方程,为预测围岩变形规律和最终变形提供基础和依据。锚网支护有效地解决了大顶山矿区支护难的问题,同时也为具有类似情况的矿山提供了支护参考。     

软岩锚注巷道围岩变形量的时序预测

为反映软岩锚注巷道围岩的变形在时间上的变化规律,利用径向基函数RBF神经网络强大的非线性映射能力,通过已经观测到的巷道围岩变形数据,建立软岩锚注巷道围岩变形量的时序预测模型．利用训练好的模型和当前观测数据得到了软岩巷道在锚注之后3,9,15及30d的顶底变形量和两帮相对变形量．实例分析表明,该预测模型能弥补现场观测和数值模拟的不足,预测结果具有较高的精度．同时也说明锚注支护能有效控制软岩巷道围岩的变形．     

MATLAB在煤矿巷道支护参数的网络设计及仿真分析

煤矿巷道支护的形式是多种多样的,而在对支护体系的相关参数进行设计时,必须充分考虑各方面的影响因素,如巷道围岩性质、支护形式、应力变化等,这些数据的分析和处理十分复杂,可以通过构建神经网络模型的方式来实现。结合某煤矿的实际情况,对基于MATLAB的BP神经网络模型在巷道支护参数设计中的应用进行了分析,希望能够为煤矿巷道支护体系的设计提供一些参考依据。     

GM（1,1）模型对马鞍山矿大巷变形预测

本文在现场调研和定性分析的基础上依据灰色系统理论对马鞍山矿巷道变形数据进行多种生成处理后建立了灰色微分方程预测模型（ＧＭ（１．１）模型）并据此对－１７０ｍ水平以下的巷道进行变形预测。通过预测分析作出了－１７０ｍ水平以下巷道支护形式、施工工艺改革势在必行的结论，为该矿的开拓延深设计提供了科学依据，表４，参２。     

基于BP神经网络的矿井摩擦阻力系数预测

为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素:巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。     

基于神经网络的综放回采巷道支护设计

综放回采巷道支护设计大多依赖于设计者的经验,采用工程类比法。由于其影响因素很多,且定量因素与定性因素并存,有相当一部分综放回采巷道的支护形式与围岩(煤)的变形特性不相适应,巷道支护的参数选择不合理,造成巷道支架折损严重,维护困难,严重影响煤矿的生产和安全。为此,建立了综放回采巷道支护设计二级神经网络模型,并以实际支护方案为样本,对模型进行学习训练,形成智能推理网络。实际应用表明:该方法简便,支护决策结果与实际相吻合,实用价值较高。