遠(yuǎn)順立，高彥濤，譚志祥

(1.河南省地質(zhì)測(cè)繪總院，河南鄭州 450006;2.中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221008)

基于神經(jīng)網(wǎng)絡(luò)的水平移動(dòng)系數(shù)的求取方法*

遠(yuǎn)順立1，高彥濤1，譚志祥2

(1.河南省地質(zhì)測(cè)繪總院，河南鄭州 450006;2.中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221008)

水平移動(dòng)系數(shù)是開采沉陷預(yù)計(jì)的重要參數(shù)，對(duì)于確定地表變形值、從而準(zhǔn)確判定建筑物的破壞程度具有決定性的作用，然而其影響因素十分復(fù)雜，很難用一定的理論公式來描述。利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自主對(duì)復(fù)雜的非線性關(guān)系的擬合原理，通過對(duì)大量樣本的學(xué)習(xí)訓(xùn)練，獲得了基于神經(jīng)網(wǎng)絡(luò)的水平移動(dòng)系數(shù)求取方法，并通過樣本測(cè)試，取得了較好的效果，為水平移動(dòng)系數(shù)的求取提出了一種新的方法。

水平移動(dòng)系數(shù);神經(jīng)網(wǎng)絡(luò);樣本訓(xùn)練;模型測(cè)試

0 引言

據(jù)不完全統(tǒng)計(jì)資料，我國(guó)“三下”壓煤約137.9億t，其中，建筑物下壓煤為87.6億t[1]。部分礦區(qū)隨著資源的枯竭，開采建筑物下壓煤已成為其日常工作;因此，進(jìn)行建筑物下采煤研究具有十分重要的理論和實(shí)際意義。進(jìn)行建筑物下安全采煤的關(guān)鍵是對(duì)開采引起的地表移動(dòng)變形進(jìn)行準(zhǔn)確的預(yù)計(jì)，由此判斷對(duì)建筑物的影響程度，從而采取合理可行的井上下保護(hù)措施。根據(jù)《規(guī)程》和有關(guān)開采沉陷理論[2－3]，目前我國(guó)均采用概率積分法進(jìn)行地表移動(dòng)變形預(yù)計(jì)，且應(yīng)用效果較好。概率積分法預(yù)計(jì)能否準(zhǔn)確的關(guān)鍵在于參數(shù)的選取，其預(yù)計(jì)參數(shù)主要有:下沉系數(shù)、水平移動(dòng)系數(shù)，主要影響角正切，開采影響傳播角，拐點(diǎn)偏移距。我國(guó)有許多觀測(cè)站由于種種原因，均只進(jìn)行了水準(zhǔn)測(cè)量，由此只能獲得下沉系數(shù)等，無法獲取水平移動(dòng)系數(shù)。此外，目前許多礦井逐步向深部開采，采深越大，傾斜和曲率值越小，此時(shí)對(duì)建筑物有影響的主要為水平變形。因此，水平移動(dòng)系數(shù)的求取對(duì)于各類建筑物下安全采煤具有重要的意義。為此，本文在對(duì)

1 神經(jīng)網(wǎng)絡(luò)的模型及訓(xùn)練方法大量實(shí)測(cè)參數(shù)分析的基礎(chǔ)上，采用人工神經(jīng)網(wǎng)絡(luò)方法，對(duì)此問題進(jìn)行了深入研究。

人工神經(jīng)網(wǎng)絡(luò)[4](Artificial Neural Network)是指由大量與自然神經(jīng)網(wǎng)絡(luò)系統(tǒng)細(xì)胞類似的神經(jīng)元聯(lián)結(jié)而成的網(wǎng)絡(luò)，是用工程技術(shù)手段模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特征和功能特征的一類人工系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)能模擬人腦并行信息處理方式，具有驚人的自學(xué)習(xí)、思維推理、判斷和記憶的功能。神經(jīng)網(wǎng)絡(luò)理論，其突出特點(diǎn)在于能通過已知樣本的學(xué)習(xí)，掌握輸入與輸出間復(fù)雜的非線性關(guān)系，對(duì)相互影響、相互制約的各種因素的非線性關(guān)系的模擬，并能對(duì)這種關(guān)系進(jìn)行存儲(chǔ)記憶，直接為預(yù)測(cè)提供咨詢庫。

神經(jīng)網(wǎng)絡(luò)有多種，雖然各種網(wǎng)絡(luò)有不同的特點(diǎn)，用處不同，但是目前應(yīng)用最廣泛的為BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)主要分3層:輸入層、隱含層、輸出層，分別和訓(xùn)練樣本輸入、隱含層神經(jīng)元、訓(xùn)練樣本輸出對(duì)應(yīng)。其模型結(jié)構(gòu)，見圖1。

圖1 神經(jīng)網(wǎng)絡(luò)模型Fig.1 Neural network model

神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵在于其穩(wěn)健性和適應(yīng)性，主要影響因素包括樣本的選取、網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)(包括神經(jīng)元、訓(xùn)練函數(shù))、訓(xùn)練參數(shù)的確定。

樣本的選取主要依據(jù)經(jīng)驗(yàn)選取具有代表性、普遍性、廣泛性等特點(diǎn)的樣本。訓(xùn)練函數(shù)選取改進(jìn)型訓(xùn)練函數(shù)Levenberg－Marquardt(L－M)。L－M[4]算法避免了直接計(jì)算赫賽矩陣，從而減少了訓(xùn)練中的計(jì)算量和內(nèi)存需求量。在L－M算法中，網(wǎng)絡(luò)權(quán)值和閾值的調(diào)整公式為:

式中:Xk為第k次訓(xùn)練結(jié)果;JTJ為海森矩陣;e為誤差向量。

當(dāng)標(biāo)量μ等于0時(shí)，該算法與Newton算法相同。當(dāng)μ增大時(shí)，梯度的遞減量減少。因此，當(dāng)網(wǎng)絡(luò)的誤差減小時(shí)，減小μ的值;當(dāng)網(wǎng)絡(luò)的誤差增大時(shí)，增大μ的值，這樣就保證了網(wǎng)絡(luò)的性能函數(shù)值始終在減少。

2 水平移動(dòng)系數(shù)的求取

水平移動(dòng)系數(shù)由于影響因素復(fù)雜，有定性的、定量的，并且這些因素存在很復(fù)雜的非線性關(guān)系，沒有全面明確的理論公式，因此，實(shí)際工作中往往根據(jù)經(jīng)驗(yàn)進(jìn)行選取，具有一定的盲目性。人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有自組織、自學(xué)習(xí)和強(qiáng)容錯(cuò)性能，具有同時(shí)處理確定性和不確定性動(dòng)態(tài)非線性信息的能力，能建立復(fù)雜的非線性映射關(guān)系。神經(jīng)網(wǎng)絡(luò)技術(shù)已在開采沉陷學(xué)科有所應(yīng)用[5－6]。目前我國(guó)有部分水平移動(dòng)系數(shù)的實(shí)測(cè)資料，基本反映出各種地質(zhì)條件下采煤的水平移動(dòng)系數(shù)，只是沒有確切的理論去描述，而神經(jīng)網(wǎng)絡(luò)對(duì)這種復(fù)雜的非線性映射關(guān)系有很好的模擬作用。

2.1 水平移動(dòng)系數(shù)的影響因素

水平移動(dòng)系數(shù)是指在充分采動(dòng)或接近充分采動(dòng)條件下，地表最大水平移動(dòng)值與地表最大下沉值的比值。水平移動(dòng)系數(shù)的影響因素十分復(fù)雜，通常認(rèn)為水平移動(dòng)系數(shù)b與地質(zhì)采礦因素的關(guān)系如下[2－3]:

1)與采深H的關(guān)系:水平移動(dòng)系數(shù)隨采深的增大有下降的趨勢(shì)，當(dāng)采深增大到一定程度時(shí)，水平移動(dòng)系數(shù)不再減小。

2)與煤層傾角α的關(guān)系:水平移動(dòng)系數(shù)隨煤層傾角的增大而增大。

3)與采厚M的關(guān)系:水平移動(dòng)系數(shù)隨采厚的增大而增大。

4)與工作面斜長(zhǎng)L關(guān)系:在采深一定時(shí)，工作面斜長(zhǎng)越大，采動(dòng)程度越充分，水平移動(dòng)系數(shù)越大。

5)與覆巖綜合評(píng)價(jià)系數(shù)P的關(guān)系:當(dāng)覆巖比較堅(jiān)硬時(shí)，水平移動(dòng)系數(shù)隨P增大而減小;當(dāng)覆巖較軟弱時(shí)，水平移動(dòng)系數(shù)隨P增大而增大。

2.2 水平移動(dòng)系數(shù)的神經(jīng)網(wǎng)絡(luò)模型

2.2.1 BP神經(jīng)網(wǎng)絡(luò)的樣本訓(xùn)練

根據(jù)各種地質(zhì)采礦因素對(duì)水平移動(dòng)系數(shù)的影響，綜合考慮選取采厚M、煤層傾角a、平均采深H、工作面斜長(zhǎng)L、巖性影響系數(shù)P作為輸入層參數(shù)，對(duì)應(yīng)5個(gè)神經(jīng)元。隱含層選取5個(gè)神經(jīng)元，對(duì)應(yīng)映射輸入層。輸出層選取1個(gè)神經(jīng)元，映射水平移動(dòng)系數(shù)。樣本在大量的觀測(cè)資料中選取具有開采方法和同種頂板管理方法的資料，并最大程度上擴(kuò)大樣本的覆蓋空間，以便能提高網(wǎng)絡(luò)的泛化能力。學(xué)習(xí)和訓(xùn)練樣本[2]情況，見表1。

表1 學(xué)習(xí)和訓(xùn)練樣本Tab.1 Sample of learning and training

續(xù)表

訓(xùn)練誤差隨訓(xùn)練次數(shù)的增加變化趨勢(shì)，見圖2。從圖2中可以看出:當(dāng)?shù)螖?shù)為110次時(shí)，訓(xùn)練精度達(dá)到0.000 1。

圖3為訓(xùn)練結(jié)果效果圖。從圖3可以看出，訓(xùn)練效果較好;其中R=1，R表示網(wǎng)絡(luò)輸出與目標(biāo)輸出的關(guān)系系數(shù)，它越接近于1，表示網(wǎng)絡(luò)輸出與目標(biāo)輸出越接近，網(wǎng)絡(luò)性能越好。因此可以看出該網(wǎng)絡(luò)具有很好的性能。

2.2.2 神經(jīng)網(wǎng)絡(luò)模型測(cè)試

從實(shí)測(cè)資料[2]中選取5組同樣開采方法和頂板管理方法的數(shù)據(jù)，利用已建立的神經(jīng)網(wǎng)絡(luò)模型計(jì)算水平移動(dòng)系數(shù)，與實(shí)際結(jié)果比較，從而檢測(cè)網(wǎng)絡(luò)可取性。檢測(cè)樣本及結(jié)果，見表2。從表2可見，利用建立的網(wǎng)絡(luò)模型獲得的水平移動(dòng)系數(shù)與實(shí)測(cè)值最大誤差僅為－7.78%，其結(jié)果可以滿足實(shí)際工程需要。

表2 檢測(cè)樣本Tab.2 Sample of testing

3 結(jié)束語

本文利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自主對(duì)復(fù)雜的非線性關(guān)系的擬合原理，在對(duì)大量實(shí)測(cè)資料分析的基礎(chǔ)上，通過對(duì)大量樣本的學(xué)習(xí)訓(xùn)練，獲得了基于神經(jīng)網(wǎng)絡(luò)的水平移動(dòng)系數(shù)求取方法，并通過樣本測(cè)試，取得了較好的效果，為水平移動(dòng)系數(shù)的求取提出了一種新的方法，極大的彌補(bǔ)了傳統(tǒng)方法的不足。

[1]譚志祥，鄧喀中.建筑物下采煤研究進(jìn)展[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)，2006(4):485 －488.

[2]國(guó)家煤炭工業(yè)局.建筑物、水體、鐵路及主要井巷煤柱留設(shè)與壓煤開采規(guī)程[M].北京:煤炭工業(yè)出版社，2000:10－45.

[3]何國(guó)清，楊倫，凌賡娣，等.礦山開采沉陷學(xué)[M].徐州:中國(guó)礦業(yè)大學(xué)出版社，1994:5－26.

[4]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用[M].北京:化學(xué)工業(yè)出版社，2002:50－60.

[5]郭文兵，鄒友峰，鄧喀中.煤層底板采動(dòng)導(dǎo)水破壞深度計(jì)算的神經(jīng)網(wǎng)絡(luò)方法[J].中國(guó)安全科學(xué)學(xué)報(bào)，2003(3):34 －37.

[6]麻鳳海，施群德.地表沉陷變形的非線性研究[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2000(4):15－17.

Study on the Method to Calculate Horizontal Displacement Factor Based on Artificial Neural Network

YUAN Shun-li1，GAO Yan-tao1，TAN Zhi-xiang2
(1.Henan General Institute of Surveying and Mapping of Geology，Zhengzhou Henan 450006，China;2.School of Environment Science and Special Informatics;China University of Ming and Technology，Xuzhou Jiangsu 210008，China)

As an important parameter of mining subsidence prediction，the horizontal displacement factor，has a decisive role to confirm ground deformation value so as to judge the destructiveness accurately.But its influence factors are complex and difficult to describe with some theoretical formula.This paper uses neural network self-learning，independent of complex nonlinear relation fitting principle，and training on a large number of samples，obtains the access to horizontal displacement factor based on neural network，moreover，gets through of sample tests and achieve good effect.Thus it opens up a new way to gain displacement factor.

horizontal displacement factor;neural network;sample training;model test

TD 325+.2

B

1007－9394(2012)03－0030－03

2011－05－23

遠(yuǎn)順立(1975～)，男，河南西華人，工程師，現(xiàn)主要從事沉陷監(jiān)測(cè)、地理信息、現(xiàn)代測(cè)量數(shù)據(jù)處理方面的研究工作。