一种基于神经网络的锚杆杆体损伤位置识别方法与流程

技术特征：

1.一种基于神经网络的锚杆杆体损伤位置识别方法，其特征是：该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故；

步骤如下：

a、通过层次分析法确定预测锚杆杆体损伤位置的输入指标参数；所述的输入指标参数为：锚杆杆体参数、锚杆的锚固长度L₂、振动频率w、锚固力F和锚杆杆体的材料参数；所述的锚杆杆体参数为杆长L₁和直径D；所述的锚杆杆体的材料参数为泊松比μ，弹性模量E；

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：

$x_k=2\×\frac{x-x_{\min }}{x_{max}-x_{\min }}-1;$

x代表输入或输出的数据，x_min代表数据变化范围的最小值，x_max代表数据变化范围的最大值，x_k归一化后得到的数值；

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很好的学习记忆功能；

d、建立神经网络模型；首先，根据步骤a的7个指标，建立具有7个节点的网络模型输入层；然后，参考公式来确定隐含层节点数的范围:

$l=\sqrt{(m+n)}+a$

式中，m隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的数；

重复步骤c对样本数据进行训练，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；最后，神经网络的输出层为1个节点，预测锚杆杆体损伤位置和损伤程度；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、预测锚杆杆体损伤位置；根据不同的条件，采用标准BP神经网络算法预测锚杆杆体损伤位置，将锚杆杆体设计为非线性的动态反馈系统，对BP神经网络的预测结果进行反归一化处理，得到锚杆杆体损伤位置预测结果。

2.根据权利要求1所述的一种基于神经网络的锚杆杆体损伤位置识别方法，其特征是：所述的神经网络为：多节点的输入层、多节点的隐含层和多节点的输出层。

3.如权利要求1所述的利用神经网络预测锚杆杆体损伤位置的方法，其特征在于：所述的BP神经网络的训练样本为前期在不同条件下监测的数据，样本数据是由样本输入和期望输出组成的样本对。