一种基于神经网络的巷道围岩变形预测方法
【技术领域】
[0001] 本发明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
[0002] 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。
【发明内容】
[0003] 技术问题：本发明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。
[0004] 技术方案：实现本发明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。
[0005] 具体步骤如下：
[0006] 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，
[0007] 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：
[0009] 式中：知为归一化后样本数据，X为原始样本数据，X _、x_分别为原始样本数据 中的最小值和最大值；
[0010] 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；
[0011] 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；
[0012] 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：
[0016] 式中：η为输入层节点数；1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；
[0017] 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；
[0018] 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。
[0019] 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；
[0020] 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 (Φ 〉8个指标；
[0021] 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。
[0022] 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。
[0023] 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 =(Amax_n)/(n_l)和CR = CI/RI进行一致性检验，式中：λ_-为判断矩阵的最大特征 根；η-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- -致性比 率。
[0024] 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】
[0025] 图1是本发明的BP算法的神经网络结构示意图。
[0026] 图2是本发明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。
[0027] 图3是本发明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】
[0028] 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。
[0029] 预测方法的具体步骤如下：
[0030] 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，
[0031] 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：
[0033] 式中：&为归一化后样本数据，X为原始样本数据，X _、x_分别为原始样本数据 中的最小值和最大值；
[0034] 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；
[0035] 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；
[0036] 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：
[0040] 式中：η为输入层节点数；1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；
[0041] 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；
[0042] 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。
[0043] 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；
[0044] 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 (Φ ) 8个指标；
[0045] 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；
[0046] 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。
[0047] 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 =(Amax_n)/(n_l)和CR = CI/RI进行一致性检验，式中：λ_-为判断矩阵的最大特征 根；η-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- -致性比 率。
[0048] 下面结合附图对本发明技术方案进行详细完整的描述：
[0049] 图1是根据本发明的BP算法的神经网络结构示意图。根据图1所示，该算法正向 计算过程和误差反传过程是构成BP神经网络算法的主要两部分；正向计算过程为：输入信 息从输入层输入经隐含层逐层处理，最终传至输出层，在信息正向传播的过程中，下一层神 经元的状态只受上一层神经网络的状态的影响。如果输出层与期望值误差较大，则转入误 差反向过程，误差通过修改各层神经元的权值沿原来的连接通路返回，使最终的输出误差 达到最小。
[0050] 其学习规则的指导思想是：对网络权值和阈值的修正要沿着传递函数下降最快的 方向一负梯度方向进行。
[0051] 图2是根据本发明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。所 建立的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。