分享
基于机器学习与构建井巷围岩分级模型初探_王增.pdf
下载文档

ID:2253345

大小:181.01KB

页数:3页

格式:PDF

时间:2023-05-04

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于 机器 学习 构建 围岩 分级 模型 初探 王增
江西煤炭科技2023年第1期摘要:巷道围岩稳定性是煤矿安全生产的关键,准确的巷道围岩分级是围岩控制的基础。本文采用BP人工神经网络,设计训练得到一种巷道围岩分级模型,用以自动识别巷道围岩稳定性。根据工程实践中巷道的围岩稳定性分析案例,考虑巷道围岩的相关地质力学参数,通过Python构建改进的BP神经网络模型,对样本进行学习并将预测结果与实际相拟合。研究表明,构建围岩分级模型能够较为准确地对巷道围岩稳定性类别进行有效判断。关键词:巷道;围岩稳定性;神经网络;机器学习;围岩分级中图分类号:TD6 7 9;TD3 2 2+.4文献标识码:B文章编号:1 0 0 6-2 5 7 2(2 0 2 3)0 1-0 0 1 0-0 3Discussion on Surrounding Rock Classification Model Based on Machine Learning and Roadway ConstructionWang Zeng(Nanjing Design and Research Institute Co.,Ltd.,China Coal Science and Engineering Group,Nanjing,Jiangsu 210031)Abstract:The stability of roadway surrounding rock is the key to coal mine safety production,and accurate classification ofroadway surrounding rock is the basis of surrounding rock control.In this paper,BP artificial neural network is used to design andtrain a roadway surrounding rock classification model to automatically identify the stability of roadway surrounding rock.Based onthe stability analysis case of the surrounding rock of the tunnel in engineering practice,and the relevant geomechanicalparameters of the surrounding rock of the tunnel,an improved BP neural network model is built through Python to learn thesamples and fit the prediction results with the actual situation,whose research shows that the surrounding rock classificationmodel can accurately judge the stability category of roadway surrounding rock.Key words:roadway;stability of surrounding rock;neural network;machine learning;surrounding rock classification基于机器学习与构建井巷围岩分级模型初探王 增(中煤科工集团南京设计研究院有限公司,江苏南京2 1 0 0 3 1)巷道围岩稳定性是矿井安全生产的关键技术难题,它决定支护方案及参数的安全性和准确性。巷道围岩稳定性影响因素繁多,且围岩稳定性分级与影响巷道围岩稳定性的各变量关系为非线性,难以用准确的数学公式直接表达1-2。支护数据基本依赖长期工程经验,其稳定性分级更是缺乏可靠的理论支撑和准确性。对于此类问题,人工神经网络利用大数据平台模拟人脑神经结构进行数学计算,通过神经元互联构建独特的计算流程。它能自主学习非线性功能映射,轻松实现复杂函数的自适应调整,在数据计算与处理、识别及分级、预测与报警等方面优于传统数学的计算方法3-4。因此,神经网络自2 0世纪9 0年代初以来被普遍用来分析隧道围岩体稳定性相关的工程实践中,成为采矿和岩土工程领域的重要分析工具,例如隧道的失效模式识别,煤矿顶板稳定性监测,隧道稳定性预测,隧道支护的稳定性预测,隧道支护位移分析,瓦斯突出预测、矿井巷道稳定性分类、顶板沉降预测、煤矿顶板失稳预测等5-8。本文根据工程实践中巷道的围岩稳定性分析案例,考虑巷道围岩的相关地质力学参数,通过P y t h o n构建改进的B P神经网络模型,对样本进行学习并将预测结果与实际相拟合,对巷道围岩稳定性的类别进行有效判断。1神经网络在岩石力学中的应用目前应用机器学习的巷道围岩稳定性分级主要有依据B P神经网络、模糊神经网络、蚁群算法神经网络、H o p f i e l d神经网络等。较多学者研究发现,其中B P网络结构简单,可塑性强,自适应、自学习、容错能力和非线性映射能力强,还能够实现将学习成果循环运用以适应新条件新情况。大多数巷道围岩稳定性分级均应用B P神经网络模型或基于B P神经网络模型的改进模型,其结果可靠准确9。研究结果分析显示,基于B P神经网络的机器学习已经成为巷道围岩稳定性分级的主流。陈建平等1 0在通过研究围岩稳定性的各种影响因素,利用B P神经网络的改进模型,建立了识别隧1 0江西煤炭科技2023年第1期道围岩稳定性的机器自学习方法。胡建华1 1等基于升级后的M B P模型,对深部空间结构健康性进行准确分析识别,预测结果和实际情况拟合度非常高。根据以上研究结果和工程应用实际,本文拟通过构建围岩分级模型,对巷道围岩稳定性类别进行准确有效判断。2基于神经网络识别巷道围岩稳定性建立井巷围岩稳定性分级的B P神经网络模型首先要确定影响围岩稳定性的关键参数。巷道围岩稳定性影响因素众多、影响程度不同、各影响因素之间存在非线性关系。根据矿井各自工程特点有针对性选择关键影响因素对提高稳定性分类的准确性十分重要。结合理论分析和现场实践,根据分类指标“首要、独立、精准、易获得”的选取特性,得出其普遍适用于矿井巷道围岩稳定性的地质影响因素有:围岩应力场、围岩类别、围岩构造特征、埋藏深度、煤层倾角、地下水等。本文根据巷道围岩质量(顶板、两帮、底板)以及埋深对巷道围岩所属类别进行判断。围岩稳定性影响因素原始数据及巷道围岩原属类别如表1所示。表1围岩稳定性影响因素原始数据及巷道围岩类别序号顶板质量巷道壁质量底板质量埋深巷道围岩类别15 7 83 8 46 0 91 2 9125 6 63 1 43 9 21 5 7234 7 33 0 83 0 42 8 0245 1 52 9 54 4 32 9 7255 9 63 4 85 6 61 3 5164 4 52 5 53 4 32 1 8274 7 92 8 53 2 82 5 0284 0 13 0 44 1 23 4 7294 2 72 5 74 2 73 9 821 04 1 42 6 12 7 11 5 031 13 5 22 0 22 1 04 3 431 25 2 12 6 32 6 35 7 331 32 8 32 5 03 1 52 8 731 43 3 42 5 63 3 34 9 031 53 5 12 0 32 0 34 5 731 62 4 82 1 12 4 84 7 031 74 5 52 1 82 1 83 3 031 83 2 82 2 02 2 02 3 031 93 4 62 1 12 1 15 3 032 02 4 92 1 72 2 25 0 032 11 8 61 8 61 8 66 3 04典型B P网络拓扑结构如图1所示,其中包含输入层、隐含层与输出层三要素。输入层节点数量受输入特征数量的控制。本模型输入层节点个数为4个,即顶板质量、巷道壁质量、底板质量以及埋深。输出层的结点个数由分类的种类决定,本模型中输出层节点个数为1个,即巷道围岩类别。在输入层和输出层之间通常还有若干个隐含层,隐含层的个数以及每个隐含层的结点个数需要根据实际应用场景而优化设定,本模型中设置有2层隐含层,每个隐含层有4个节点。图1BP网络拓扑结构根据图1构建巷道围岩分级识别的B P神经网络模型,代入表1各参数。将表1中的影响因素作为输入层,将巷道围岩类别作为输出层对所建B P神经网络模型进行训练,即可得到训练后的B P神经网络模型,B P神经网络学习后的误差曲线如图2所示。图2神经网络训练误差代入表2数据开展训练后的B P神经网络模型仿真,得1 0条巷道的识别结果及误差值。从表2中可以看到,序号为4的两条巷道识别误差较大,其余巷道均正确识别,识别正确率达到9 0%。表2待识别巷道原始数据及识别结果序号顶板质量巷道壁质量底板质量埋深原属类别识别类别误差14 4 52 5 53 4 32 1 822.0 0 83-0.0 0 8323 6 72 2 73 4 92 9 222.2 5 36-0.2 5 3634 8 42 6 32 6 34 0 532.9 9 30 0.0 0 7044 8 42 8 12 9 74 6 322.5 4 48-0.5 4 4853 5 52 9 12 9 43 3 032.9 8 69 0.0 1 3162 4 82 0 52 0 54 0 733.0 0 15-0.0 0 1574 5 52 1 82 1 83 3 033.0 0 15-0.0 0 1582 9 52 2 02 2 02 4 033.0 0 15-0.0 0 1593 4 62 1 12 1 15 5 033.0 0 15-0.0 0 151 02 2 62 1 72 7 14 8 033.0 0 15-0.0 0 151 1江西煤炭科技2023年第1期护的高效施工。经观察和现场工作人员反应,柔性网多功能支撑装置的使用停采施工工期缩短了2天,现场柔性网和机道支护标准化水平、支护质量得到了有效地提升,且有效避免了人员登高安装树脂、钢管撑网等带来的安全隐患,具有明显的安全经济优势,该装置功能及可靠性得到了充分验证。5结论1)柔性网多功能支撑装置在8 1 0 8大采高工作面停采支护使用后缩短了施工工期2天,折合成原煤产量近2 00 0 0t,节约人工投入3 7 6工,停采单工按4 8 5元计算,约1 8 23 6 0元,制作成本只需93 5 5元,原煤洗耗4 0%,坑口价按7 5 0元计算,除去设备、人员、材料损耗,综合创效约2 6 1.3万元。2)该装置的使用有效地避免了机道处原撑网方式的弊端,创造了相对安全的施工环境,提高了停采支护工程质量,为液压支架提供了安全的回撤通道,提高了搬家倒面效率。3)该装置制作材料来源广泛,取材较为方便,结构相对简单,可现场实时组装,便于运输、安装、拆卸和使用,适用范围较广,且可重复利用、整体设计美观、合理,具有很强的现场实用性。4)该装置的使用提高了采煤工作面停采施工效率和工程质量,保证了液压支架安全高效回撤;同时可根据不同型号的液压支架进行适当调整、替换装置部件,以满足现场使用需求,具有良好的推广应用价值。参考文献:1 张晓东,刘智敏,甘涛,等.上隅角传感器随架移动自调式吊挂装置设计J.太原:机械管理开发,2 0 2 2,3 7(4):1 5-1 7.2 柯超.刮板输送机伸缩机尾全液压自动张紧控制系统的研究J.哈尔滨:煤矿机械,2 0 2 0,4 1(1 1):4 5-4 7.作者简介:张晓东(1 9 9 1),男,内蒙古丰镇人,毕业于内蒙古科技大学采矿工程专业,工程师,现从事煤矿开采技术工作。收稿日期:2 0 2 2-0 6-0 9编辑:黄敏辉3结语通过巷道围岩质量、巷道埋深与巷道围岩稳定性调查数据,选取其中一部分为给定数据

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开