煤礦人工神經網絡預測管理論文

導語：煤礦人工神經網絡預測管理論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：應用人工神經網絡的基本原理，建立了一個基于神經網絡的煤礦立井井筒非采動破裂的預測系統，實現了立井井筒破裂預測的智能化。最后將神經網絡預測結果與數值計算結果對比，認為應用人工神經網絡對立井井筒破裂時間的預測比較準確，實用。

關鍵詞：立井井筒非采動破裂反向傳播網絡神經網絡預測數值模擬

一、煤礦立井發生破壞問題的提出

徐淮地區是中國東部主要的煤炭開采基地，其煤炭的生產直接影響著我國煤炭的總產量，在國民經濟建設中占有重要的地位。然而自20世紀80年代以來，在我國徐淮地區（徐州、淮北、淮南）地區，出現了一種新的礦井破裂災害——井筒的非采動破裂，即煤礦立井在不受地下采動影響的條件下（井筒及其附近的工業廣場都留有足夠的保護煤柱），井壁發生嚴重變形和破裂，致使提升運輸困難。90年代以來，在我國特大型煤炭企業'''');">企業兗州礦業集團的9對井筒也先后發生了破壞(有關兗州礦區井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產運輸的咽喉要道，因此豎井的破壞嚴重影響了礦山生產，給各煤礦造成了巨大的經濟損失。

為了盡量減少立井的非采動破裂所造成的經濟損失，現在各大礦山都對井筒的變形進行了預報和治理，到目前對井筒破裂的預報方法主要有兩種：

1）第一種方法是通過加強對井筒變形的監測，以監測數據為依據，對井筒的變形進行分析，對其破裂進行預報。

2）第二種方法是新近發展起來的預報方法［1，2，3］，即系統科學、智能技術方法，特別是研究非線性復雜系統的一些方法。其主要內容使用系統科學原理或智能技術來建立模型的框架，用觀測的實測資料填充以實現建模。

本文采用實際與智能技術相結合的預報方法，建立井筒破裂的人工神經網絡模型，模仿人腦的運行機制，通過對井筒破壞規律的學習，使網絡具有根據特征值對井筒破壞進行預報的能力，并據此來推測相關煤礦的井筒破壞規律。

表1兗州礦區井筒破裂的基本情況

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

礦區

序號

井筒名稱

竣工時間

破裂時間

凈徑/m

外徑/m

施工方法

井壁類型

表土厚度/m

破裂深度/m

破裂情況

兗州

1

鮑店副井

1979.11.26

1995.6.5

8.0

10.2

凍結法

雙層井壁

148.6

126.9

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

2

鮑店主井

1979.5.14

1995.7.12

6.5

8.5

凍結法

雙層井壁

148.69

136—144

3

鮑店北風井

1979.10.21

1996.8.2

5.0

6.6

凍結法

雙層井壁

202.56

168.4,180,204

4

鮑店南風井

1979.8.1

1996.8.9

凍結法

雙層井壁

157.92

158.1—159.3

5

興隆莊西風井

1976.8

1995.10

5.5

7.4

凍結法

雙層井壁

183.9

165.5—171.6

6

興隆莊東風井

1977.5.31

1997.6.7

5.0

6.4

凍結法

雙層井壁

176.45

157—180

7

興隆莊主井

1977.8.13

1997.6.23

凍結法

雙層井壁

189.31

150,184

在未出現嚴重破裂時進行了治理

8

興隆莊副井

1978.9

1997.6.26

凍結法

雙層井壁

190.41

154,200

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

9

楊村主井

1984.12

1997.2.29

5.0

6.6

凍結法

雙層井壁

185.42

176.5,196

10

楊村副井

1985.1.23

1997.12.2

凍結法

雙層井壁

184.45

160,176,212

在未出現嚴重破裂時進行了治理

11

楊村北風井

1984.10.31

1997.2.4

4.5

5.9

凍結法

雙層井壁

173.40

179.6,150,156.6

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

二、人工神經網絡的預報原理

人工神經網絡實現井筒破裂的智能預報，是通過機器學習的方法［4］對破裂井筒的特征值進行抽取，并對已知的井筒破裂規律進行學習掌握規律性，然后運用訓練好的神經網絡對其他井筒進行推理預測，并據此對其他井筒的破裂進行預報（其流程見圖1）。

三、立井井筒破裂影響因素的選取

經調查表明立井井壁破裂的主要原因為：在煤礦開采過程中新生界底部第四系含水層（底含）的水頭的大幅疏降，使該含水層及上覆土層產生壓縮和變形，且引起地表沉降，在地層發生變形的過程中對井壁產生垂直向下的附加力，使得立井井壁發生破裂。

立井井筒破裂礦區的水文地質與工程地質條件都具有如下的特點：井筒都穿過第四系深厚表土，其厚度大都在200m左右。土層結構復雜，但大體上都可分為四個含水層和三個隔水層共七個工程巖組，即由上至下常簡稱為一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通過對立井井筒非采動破裂機理及破裂礦區的水文地質與工程地質特點分析選取以下幾個因素作為影響立井井筒破裂的特征因素：

1、表土層厚度

由于立井井筒非采動破裂只發生在厚沖積層中建成的立井井筒，因此表土層厚度是立井井筒非采動破裂現象發生的必要因素。表土層厚度越大，土層對立井井筒的側壓力越大，且土層與井筒的相互作用的面積增大，底含沉降時產生的立井井筒附加力加大，立井井筒發生破裂的可能性越大。

2、底含厚度

底含厚度決定了立井井筒周圍土層的變形量，且土層變形量直接關系到立井井筒附加應力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以確定底含厚度為立井井筒破裂的主要影響因素。

3、底含水位降速

底含水位降速決定了立井井筒周圍土層變形的速率，從而決定了立井井壁破裂的時間。底含水頭降速直接決定了立井井筒破裂時間的大小。

4、井筒外徑

由于在確定的工程地質條件下立井井筒外表面積與立井井筒附加力的大小成正比，則確定立井井筒外徑大小為立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的凈截面積越大，立井井壁內壁應力降低，有利于立井井筒的穩定。

四、神經網絡的設計與實現

根據以上對影響井筒變形的特征因素的選取，選擇反向傳播（backpropagation,BP）神經網絡算法對井筒的破裂規律進行訓練，其網絡為包含兩層隱含層的神經網絡，輸入層、隱含層、輸出層的神經元的個數分別為5、20、10、1，

表2神經網絡的輸入矢量p及目標矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

輸入矢量p

輸出矢量t

表土層厚度(m)

井筒外徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

30

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

1

5.196

56.29

194

148.6

10

1

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其訓練函數分別采用雙曲正切函數tansig及線性激活函數purelin［5］，網絡學習采用的輸入矢量及目標矢量如表2所示。

網絡訓練后，其輸出值與期望值之及目標誤差如表3所示。

表3BP網絡對井筒破壞規律的學習

Table3BPnetworklearningofshaftliningfractureregularity

輸入矢量p

目標矢量t

目標誤差

輸出矢量

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、實例應用及與數值模擬結果的比較

兗州礦區楊村煤礦北風井井筒表土段厚173.4m，采用凍結法施工，于1984年竣工，在1997年的檢查中發現井壁已發生了破裂，現在用學習后的神經網絡對楊村北風井的井筒破裂時間進行預測，預測結果如所表4示。

據上表可以得出有神經網絡預報得出的預測值與實際的目標矢量之間的誤差僅為0.015，該誤差在現場的實際工作中是可以接受的，這說明由BP網來預測豎井的非采動破壞在實際工作中是可行的，且行之有效。

表4神經網絡對楊村北風井破裂的預測

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

輸入矢量p

目標矢量t

輸出矢量

a

誤差

表土層厚度(m)

井筒直徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根據兗州礦區的工程地質資料和及楊村立井井筒施工資料建立了立井井筒破裂的幾何計算模型，采用Flac3D進行數值模擬計算，模型共19008個六面體、21600個結點。數值模擬計算后立井井壁最大z方向應力隨底含水頭降變化如圖2所示，底含失水沉降情況下立井井壁發生破裂時的底含水頭降為0.8MPa左右，換算為水頭高度等于80m，此時井壁內部的最大應力為30MPa，達到了立井井筒的破裂強度。則立井井筒的破裂時間T為：

T＝底含水頭高度損失量/底含水位降速

＝(80÷7.5)×12

＝128月

根據底含水頭降速可得立井井筒破裂的時間為128月，與神經網絡預測值相比，相差10月左右，因此可以認為神經網絡預測基本可以用于立井井筒破裂時間的預測。

圖2立井井壁最大z方向應力隨底含水頭降變化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining

六、結論

采用人工神經網絡方法來預測井筒的非采動破裂，是基于神經網絡所具有的學習、和容錯功能進行的非精確推理，他在一定程度上模擬了人腦的人工智能，對于煤礦豎井破裂的這種受到許多不確定因素的影響的工程現象往往能夠給出比較準確的預測。所以應用人工神經網絡對井筒破裂進行預測，可有效的預測井壁的破裂時間，且實用性強。但是由于人工神經網絡是在對已發生破裂的立井井筒進行學習后進行預測，所以在學習范圍外的立井井筒破裂預測可能會產生比較大的誤差，因此對于超出訓練數據外的立井井筒破裂時間預測應結合其他方法進行比較驗證。