神经网络在宝日希勒露天煤矿边坡变形预测中的应用.pdf

《神经网络在宝日希勒露天煤矿边坡变形预测中的应用.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、·14·露天采矿技术2011年笫3期神经网络在宝日希勒露天煤矿边坡变形预测中的应用朱立仁，黄玉凯，鞠兴军(神华宝日希勒能源有限公司，内蒙古呼伦贝尔021025)摘要：随着宝日希勒露天矿开挖深度的增大，边坡变形的预测与控制已成为露天矿安全生产的关键问题之一。由于边坡变形预测是一个复杂的非线性问题，而传统的边坡变形预测理论计算法和实测数据分析法都不同程度存在着局限性，通过深入分析人工神经网络的结构、参数特征及学习算法，建立了边坡变形预测的人工神经网络BP模型。利用所建立的模型对边坡变形进行了预测，预测结果与实际监测数据非常接近。说明采用人工神经网络

2、BP模型进行边坡变形预测是可行且有效的，可推广应用于工程实践中。关键词：露天煤矿；边坡；变形；BP神经网中图分类号：TD824．7'3文献标识码：B文章编号：1671—9816(2011)03—0014—031人工神经网络概述4号观测线(如图I所示)为例，利用此工程的观测数据进行BP模型预测。监测数据经初步处理，并剔人工神经网络简称为神经网络，是基于生物大除了部分可疑数据，列于表1。脑结构功能而研发的一种信息处理系统，是人类在认识自身并对生物神经网络进行模拟的基础之上而产生的一门高新技术。它是一种具有实时学习与知识获取能力的人工智能算法。人工神

3、经网络具有显著的跨学科特点，目前己经成为现代脑神经科学，数理科学，计算科学，微电子学等的综合研究领域和共同的科学前沿。它的基本特征有：(1)分布存储和容错性；(2)大规模并行处理能力；(3)自学习、自组织和自适应性；(4)是大量神经元集体行为；(5)可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。2神经网络在边坡工程中的应用(1)位移监测。当边坡出现裂缝、变形等滑坡迹象时，或对于潜在不稳定边坡进行滑坡监测是非常必要的，也具有重要的现实意义和经济价值。滑坡监测包括位移(坡顶坡面和岩体内部)和应力监测，通过监测位移和应力的变化，

4、以便更好的分析、判断边坡变形特征、发展趋势和诱发因素，进一步预测滑坡，为采取可靠的防治措施提供必要的科学依据。(2)监测方案。以宝日希勒露天矿边坡工程I区收稿日期：2010—12—21作者简介：朱立仁(1957一)。男，吉林长春人，高级工程师，1983毕业于内蒙古乌达煤矿职工大学采矿工程专业，2009年毕业于辽宁工程技术大学采矿工程函授本科，现任神华宝日希勒能源有限公司副总经理。重盈固露天采矿技术2011年第3期·15·(3)人工神经网络模型应用。对监测数据进行整5O理，以前6d的测量数据为基础来预测后2d的变45吕4o形值。取监测数据的前58

5、个数据来构成学习样本，35后12个数据构成预测样本。取学习率a=0．8，训练3O网络。隐含层具有2r+1个节点时(r为输入层节25点数)，三层前馈网络可以任意精度逼近任意可微函l471O13l6l922252831343740434649525558数。首先选择隐含层节点数为9个进行网络训练。从时序欣±塞型笪二竺：：!堇盛．：堇盛：：=2堇盛=兰=!Q堇壶仿真结果可以看出仿真结果不够理想。网络训练结图3学习率为0．9时网络训练结果果如图2所示。从图中，明显看出神经元个数取9时，网络的训练结果较差，其它几种情况都较好地拟合表3时各不同隐含节点数神

6、经网络全局误差节点数／个全局误差了原始数据。根据网络的全局误差计算公式：7札8E=∑∑(一)：(1)9二Ⅱ=I七=I10gⅢ，删式中：E一全局误差；∞∞一输出层节点数；差最小。这样，用于变形预测的神经网络模型就得到一输入层节点数；了输入层神经元数为4；隐含层神经元数为8；输出一结点实测值；层神经元数为1，网络的学习率为0．9，网络的最大c“一节点仿真值。学习次数为10万次。利用此模型对预测样本进行预可得到表l中不同隐含节点数的神经网络全局测，所得预测结果及相应的实测值如图4。误差，见表2。表2=0．8时不同隐含节点数神经网络全局误差节点数，个全

7、局误差8O．8344E一390．85l2E一31O0．8341E一31l0．8526E一3l20．8553E一3一一一一l234567891Olll25O45图4BP模型预测结果及实测值比较4O353结论3025本文主要对人工神经网络方法在边坡变形预测时序／0：中的应用进行了研究和探讨。并分析了人工神经网l+实测值+8节点仿真值m9节点仿真值I络方法在边坡变形预测应用中的特点，从中得出以I_蛩一10节点仿真值—一11节点仿真值+12节点仿真值I下几点结论：图2学习率为0．8时网络训练结果(1)边坡变形监测是进行变形预测的前提条件，重新设置学习率

8、=0．9对网络重新进行训也是整个信息化施工的重要环节，对于成功预测后练，网络的训练结果如图3所示。从图中可见神经元期变形具有重大的影响。在进行变形监测