一种基于神经网络的巷道围岩变形预测方法技术

一种基于神经网络的巷道围岩变形预测方法，属于预测巷道围岩变形的方法。通过层次分析得到围岩的关键影响因素，对不同地质条件下现场检测数据进行采集和整理，由监测得到的可信赖的数据组作为巷道围岩变形的训练样本，训练样本数据通过trainlm函数对神经网络系统进行训练，可建立BP神经网络模型；利用经训练的神经网络对巷道开挖初期变形量进行预测，根据输入的指标参数，得到围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度，神经网络会根据预测请求预测出开挖初期的巷道变形，选取合适的支护参数对巷道进行支护控制，预防由于岩体失稳所带来的安全事故。为巷道采挖过程提供可信赖的预测数据，指导巷道施工过程，合理的安排工序。

【技术实现步骤摘要】

本专利技术涉及一种预测巷道围岩变形的方法，尤其涉及一种利用神经网络预测巷道围岩变形的方法。技术背景伴随着我国社会经济的快速发展，人类对地下资源的开发和利用变的日趋广泛。对地下采矿工程而言，要想保证矿山的安全生产，首先要解决的问题就是巷道在开挖卸载后如何保持围岩的稳定性，由此而引发的关于地下巷道围岩稳定性问题的研究也日益受到人们的重视和关注。越来越多的研究发现，巷道围岩的失稳破坏，往往是巷道周边围岩的应力超载或围岩位移过量所致。为此，为了保证巷道围岩的稳定性，就需要对巷道在开挖之后围岩应力场的分布规律及变形破坏做进一步的研究，并以此作为根据采取必要合理、经济有效的控制措施。然而，巷道围岩体的变形是非常复杂和高度非线性的，目前巷道围岩体变形的理论计算方法还不成熟，现有理论公式计算结果很难应用到工程实践中去；除此之外，对于影响巷道围岩变形的因素太多，这也导致了我们要想准确预测出巷道围岩变形的具体数值变得非常困难，进而也就不可能对其进行定量的分析。
技术实现思路
技术问题：本专利技术的目的是提出一种采用神经网络预测巷道围岩变形的方法，解决预测巷道围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度的问题。技术方案：实现本专利技术目的的基于神经网络的预测方法，通过层次分析得到围岩的关键影响因素，建立BP神经网络模型，输入由前期不同地质条件下监测得到的数据组形成的训练样本，该数据结构是多维矩阵，训练样本数据通过trainlm函数对神经网络系统进行训练；利用经训练的神经网络对巷道开挖初期变形量进行预测，根据输入的指标参数，得到围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度，神经网络会根据预测请求预测出开挖初期的巷道变形，选取合适的支护参数对巷道进行支护控制，预防由于岩体失稳所带来的安全事故。具体步骤如下：a.通过层次分析法确定预测巷道围岩变形与塑性区范围的有8个输入层节点指标，b.将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[-1，1]之间，归一化后的样本为：xk=2×x-xminxmax-xmin-1]]>式中：xk为归一化后样本数据，x为原始样本数据，xmin、xmax分别为原始样本数据中的最小值和最大值；所述的训练样本为前期在不同地质条件下监测的数据，样本数据是由样本输入和期望输出组成的样本对；c.对样本数据进行训练：采用trainlm训练函数对样本数据进行训练，并对训练样本进行滚动累积，使所建立的神经网络模型达到学习记忆功能；d.建立神经网络模型：首先，根据步骤a的8个输入层节点指标，建立具有8个节点输入层；然后，参考公式来确定隐含层节点数的范围:l＝n-1l=(m+n)+a]]>l＝log2n式中：n为输入层节点数；l为隐含层节点数；m为输出层节点数；a为1～10之间的任意实常数；重复步骤c，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，即为隐含层的最佳节点数；通过对输入变量正向计算与误差的逆向传播逐层调节各层权值和阀值矩阵，最终达到所要求的训练精度，得到预测巷道围岩变形的BP神经网络模型；e.预测围岩巷道围岩变形：根据不同的地质条件，当巷道围岩为非线性的动态反馈系统时，对BP神经网络的预测结果进行反归一化处理，得到围岩变形的预测结果。所述的BP神经网络模型包括三层：8节点输入层，12节点隐含层以及4节点输出层；所述的8节点输入层为：巷道断面尺寸即拱高r和墙高h、埋深即等效上覆载荷q、围岩非均质度(D)及岩石力学参数的弹性模量E、泊松比μ、岩石黏聚力c和岩石内摩擦角8个指标；所述的12节点隐含层为12个隐层节点数目，通过d步骤的参考公式，利用MATLAB软件中的神经网络工具箱结合试凑法对样本数据进行训练，当隐层节点为12时训练达到目标误差所需的步数相对较少，其误差下降梯度变化平缓。所述的4个节点输出层是：预测巷道围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度。所述8个指标是通过层次分析法对这8个指标建立判断矩阵；再根据经验公式CI＝(λmax-n)/(n-1)和CR＝CI/RI进行一致性检验，式中：λmax--为判断矩阵的最大特征根；n--参加比较的因素数目；RI--平均随机一致性指标，CI--一致性指标，CR--一致性比率。有益效果，由于采用了上述方案，对于地质条件较为复杂的巷道，通过综合分析不同因素影响下所造成的围岩体变形量与塑性区范围，利用人工神经网络处理非线性问题的能力，建立预测模型，并将其应用于实际工程中来，对于及时掌握巷道开挖初期所造成的变形量与塑性区范围；通过BP神经网络的自学习、自反馈、自修正的特点，对现场8个指标进行训练，可以比较有效的预测巷道围岩的变形量，提高计算效率，对现场施工具有十分重要的指导意义。附图说明图1是本专利技术的BP算法的神经网络结构示意图。图2是本专利技术的预测巷道围岩变形与塑性区深度的BP神经网络模型示意图。图3是本专利技术的预测巷道围岩变形与塑性区深度的标准BP神经网络算法流程图。具体实施方式该预测方法，通过层次分析得到围岩的关键影响因素，建立BP神经网络模型，输入由前期不同地质条件下监测得到的数据组形成的训练样本，该数据结构是多维矩阵，训练样本数据通过trainlm函数对神经网络系统进行训练；利用经训练的神经网络对巷道开挖初期变形量进行预测，根据输入的指标参数，得到围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度，神经网络会根据预测请求预测出开挖初期的巷道变形，选取合适的支护参数对巷道进行支护控制，预防由于岩体失稳所带来的安全事故。预测方法的具体步骤如下：a.通过层次分析法确定预测巷道围岩变形与塑性区范围的有8个输入层节点指标，b.将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[-1，1]之间，归一化后的样本为：xk=2×x-xminxmax-xmin-1]]>式中：xk为归一化后样本数据，x为原始样本数据，xmin、xmax分别为原始样本数据中的最小值和最大值；所述的训练样本为前期在不同地质条件下监测的数据，样本数据是由样本输入和期望输出组成的样本对；c.对样本数据进行训练：采用trainlm训练函数对样本数据进行训练，并对训练样本进行滚动累积，使所建立的神经网络模型达到学习记忆功能；d本文档来自技高网...

【技术保护点】
一种基于神经网络的巷道围岩变形预测方法，其特征在于：通过层次分析得到围岩的关键影响因素，建立BP神经网络模型，输入由前期不同地质条件下监测得到的数据组形成的训练样本，该数据结构是多维矩阵，训练样本数据通过trainlm函数对神经网络系统进行训练；利用经训练的神经网络对巷道开挖初期变形量进行预测，根据输入的指标参数，得到围岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度，神经网络会根据预测请求预测出开挖初期的巷道变形，选取合适的支护参数对巷道进行支护控制，预防由于岩体失稳所带来的安全事故。

【技术特征摘要】
1.一种基于神经网络的巷道围岩变形预测方法，其特征在于：通过层次分析得到围岩的
关键影响因素，建立BP神经网络模型，输入由前期不同地质条件下监测得到的数据组形成
的训练样本，该数据结构是多维矩阵，训练样本数据通过trainlm函数对神经网络系统进行训
练；利用经训练的神经网络对巷道开挖初期变形量进行预测，根据输入的指标参数，得到围
岩顶板下沉量、底板上移量、巷帮位移量及产生的最大塑性区破坏深度，神经网络会根据预
测请求预测出开挖初期的巷道变形，选取合适的支护参数对巷道进行支护控制，预防由于岩
体失稳所带来的安全事故。
2.根据权利要求1所述的基于神经网络的巷道围岩变形预测方法，其特征在于：预测方
法的具体步骤如下：
a.通过层次分析法确定预测巷道围岩变形与塑性区范围的有8个输入层节点指标，
b.将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有
的样本数据都归一为[-1，1]之间，归一化后的样本为：
xk=2×x-xminxmax-xmin-1]]>式中：xk为归一化后样本数据，x为原始样本数据，xmin、xmax分别为原始样本数据中的最小
值和最大值；
所述的训练样本为前期在不同地质条件下监测的数据，样本数据是由样本输入和期望输
出组成的样本对；
c.对样本数据进行训练：采用trainlm训练函数对样本数据进行训练，并对训练样本进行
滚动累积，使所建立的神经网络模型达到学习记忆功能；
d.建立神经网络模型：首先，根据步骤a的8个输入层节点指标，建立具有8个节点输
入层；然后，参考公式来确定隐含层节点数的范围:
l＝n-1
l=(m+n)+a]]>l＝log2n
式中：n为输入层节点数；l为隐含层节点数；m...

【专利技术属性】
技术研发人员：赵玉成，黄丽，魏锋，李冲，杨卫明，王朋，李二霞，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32