基于BP网络的煤矿顶板稳定性分析系统.doc

河北理工大学毕业说明书 第 53 页 共 53页第一章 系统概述1.1前 言随着大型地质煤矿建设迅速增加，开采规模不断扩大，开采深度逐渐增加，煤矿顶板事故越来越突出，约占整个煤矿安全事故的40%以上，每年受顶板事故影响的产煤量约占总产煤量的5%左右。这说明采场上覆岩层稳定性不仅关系到井下工人的人身安全，而且还是制约矿井高产高效的主要因素。然而要合理进行采场支护设计，有效控制采场顶板事故，并不是一个简单的问题。 首先，由于岩体是一种天然形成的复杂的地质介质，而非一种性质单一的工程材料，所以在岩体中开采地下煤要受到一系列自然的特别是地质条件的影响。其次，煤矿各种地质条件的复杂性和难于预测性，使得采场顶板、围岩的稳定性分析问题成为地下工程主要问题。最后，影响稳定性因素复杂，稳定性指标又具有模糊性和不确定性，尤其存在大量交叉性指标，导致实际应用受到限制。为此，利用一些先进理论和技术手段研究行之有效的顶板及围岩稳定性分类法，具有重大理论价值和现实意义1。人工神经网络方法是以自身特有的样本学习能力获得识别模式，它具有极强的非线性逼近、大规模并行处理、自训练、自学习、自组织和容错及抗干扰能力，识别结果客观可靠。我们将神经网络理论应用于煤矿顶板稳定性分析预测预报系统中，创建了BP网络模型，这个模型不仅能够模拟各影响因素之间的错综复杂的关系，而且不需要提前确定影响稳定性因素指标，从而消除了传统的预测预报方法的人为因素的影响。这个预测预报系统通过对井下监测到的数据（如开采深度、倾角、构造复杂程度等）进行存储、处理、显示和分析，并能对事故进行预测预报，以确保矿井的安全。本次设计中，我们依托于MATLAB的运行环境，应用BP神经网络来实现顶板、围岩稳定性预测预报系统。1.2国内外研究状况由于研究对象非线性、动态变化；复杂地质因素和环境危险性比较大；所涉及的领域是跨学科；实现起来非常的困难，所以目前尚未发现在这个领域的深入探讨。采矿、地址、力学等相关学科研究者已作了大量的地质、力学方面对矿井冲击地压的研究工作。也只限于理论指导作用。山东农业大学邱秀梅和山东科技大学王连国运用人工神经网络-BP网络进行煤层底板突水人工神经网络预测。他们从大量的煤层底板突水案例中选取了15个典型采煤工作面底板突水资料作为训练样本，建立了BP网络。然后用训练好的网络队采煤工作面煤层底板突水情况进行预测，在4个突水工作面中，判断对了3个，判断率为75%，可见其预测精度是比较高的2。浙江大学地球科学系张洪，邹乐君，沈晓华将BP神经网络应用在测井岩性识别中，对金衢盆地的金66测井的岩性进行了识别，并对改善BP神经网络收敛性能的方法进行了有效探索3。山东科技大学朱向彩，枣庄市恒瑞煤业有限公司周伟将BP神经网络应用在矿井安全监测评价系统中，提出了基于此理论的安全检测评价方法等，为矿井的安全生产和安全管理提供了依据4。矿产资源开发工程系邹艳荣探讨了BP神经网络模型在煤层对比、矿井突水水源识别以及识别矿化异常中的应用。证明了该网络模型是十分成熟的模型，比较适合地质工作分类、识别和预测中，并预计BP神经网络在地质工作中将有很好的应用前景5。1.3 本设计的指导思想本文在详细分析了影响煤矿顶板及围岩稳定性因素的基础上，针对稳定性因素复杂，稳定性指标又具有模糊性和不确定性的问题，利用人工神经网络结合现场数据，建立了顶板及围岩稳定性预测预报系统，将人工神经网络技术应用到稳定性预测预报中来，我们从以下六个方面来考虑：1）影响因素：选用多种判据，并将预测结果分成不同的等级，这样不仅克服了预测预报时人为因素的影响，而且克服了采用单一的指标可能会给预测预报造成很大误差的影响，提高了系统的预测精度和可靠性。2）为了更加完善这个系统，我们不仅要考虑到对顶板的稳定性进行科学预测，同时也要考虑到对顶板的支护即围岩的稳定性预测。3）神经网络模型的选取：我们要选择一个多输入、多输出并且具有成熟、收敛速度快、精度高的网络模型。综合各种因素考虑，我们选择了BP网络模型用来预测顶板及围岩的稳定性。4）网络的修正：因为BP网络模型具有收敛速度慢、收敛性能差等缺点，所以我们要利用多样本数据，确定网络的结构，增加对BP网络模型缺点的修正。5）数据库技术：在本次设计中，我们选用access数据库技术，对样本数据和用户所输入的数据进行分类管理，更加清晰地表示出不同等级的预测结果与样本数据的关系，更方便地用来指导实践。6）可视化界面：为了方便推广应用，能够让客户更加直观的了解并操作这个系统，我们将这个系统用面向对象语言VB编成了可视化的图形监控界面。 总之，我们做的这个预测预报系统是一套基于计算机测控技术的安全监测设备，主要应用在煤矿行业。该系统可以通过对井下监测到的数据（如开采深度、倾角、构造复杂程度等）进行存储、处理、显示和分析，并能对事故进行预测预报,工程人员可以根据系统报警做出相应的措施，避免事故的发生，确保矿井的安全。 1.4本设计应解决的主要问题1)对影响顶板及围岩稳定性的因素进行讨论；2)获取样本数据；3)将离散的原始数据进行归一化处理；4)探讨神经元网络的构建，对BP网络作进一步的改进；5)探讨BP网络模型建模过程；6)构建软件总体框架，动态显示预测数据等参数；7)数据库管理：实现了对样本数据和用户数据的管理，并用这些数据来指导实践；8)Matlab和VB的接口技术。第二章 影响顶板稳定性的因素分析2.1顶板类型根据所调查的资料分析，顶板可划分为三种类型。（数据为河南焦作矿区工作面顶板）a） 普通型顶板：即伪顶、直接顶、基本顶均有。该面煤层赋存较稳定，伪顶为炭质泥岩，灰黑色、质软，厚度0.5m左右；直接顶为粉砂岩。b） 复合型顶板：起特点是薄层软、硬岩层相同，伪顶与直接顶无明显的分界面，直接顶为薄层状的页岩、煤线、砂岩互相组成，基本顶为灰色砂岩，厚70m。其直接顶中的薄层煤线为离层滑动面，常形成上、下层不能同时冒落，构成了软、硬薄层组合的复合型顶板。c） 单一型岩层顶板：煤层顶板为单一岩层组成。以中马村矿19071工作面为例，灰色微密，坚硬含石英、云母；底板为88m厚的泥质粉砂岩。其中，伪顶一般由炭质泥岩和炭质页岩所组成，它的力学强度极低，只要其下部的煤层被采掘，伪顶就会垮落。直接顶一般由泥岩和砂质岩所组成，具有一定的力学强度，通常能经受一定宽度的空顶而不冒落，这种顶板的存在往往便于支护。老顶一般由厚层的砂岩组成，它能保持一定的空顶距，从而使采场的空间在一段时间内保持稳定6。 生产实践表明，砂岩顶板比粉砂岩稳定，粉砂岩顶板比泥质岩顶板稳定，对顶板的厚度来说，同一岩性的顶板，其厚度不同，反映出的稳定性也不一样，厚度越大，稳定性越好，顶板岩性及厚度不仅直接影响着顶板的稳定性，而且影响着小构造特别是小断层的发育程度。而小断层的发育在很大程度上影响着顶板的坚固性和整体性，可见顶板的岩性和厚度是影响顶板稳定性最基本的因素。2.2顶板事故的形成过程 煤炭在地下开采，直接受上覆岩层压力的影响。因开拓、掘井或采煤，破坏了原有地层的平衡状态，造成矿山压力分布不均匀。这种分布不均匀的压力作用在巷道或回采工作面及四周的煤、岩体上，一旦超过巷道或顶板的支撑力，轻则会出现顶板沉降、片帮、支架回缩，重则就会发生底鼓、冒顶、断梁折柱、巷道压垮等现象。顶板事故行成与地质构造、顶板性质、支架支撑情况、推进速度、操作程度和生产现场管理都有直接关系。2.3 影响顶板稳定性因素1）地质因素 开采深度。随着矿井开采深度的增加，发生冲击地压的危险性越来越大，达到一定的开采深度是形成冲击地压的一个基本条件。矿井的开采深度达到200米以上，就会发生冲击地压。 煤层和顶底板岩石的性质和特性。煤的弹性、强度、脆性和含水率等对冲击地压也有较大的影响，顶板岩性、单层厚度以及开采后的可冒落性是影响冲击地压的重要因素。此外，煤层厚度对冲击地压也有影响。 地质构造因素。断层、褶皱和局部异常构造带（如地板突起、顶板下陷、煤层分叉、煤层倾角的变化、煤层变薄和变厚等）形成构造应力场冲击地压常发生在这些构造应力集中的区域。2 ）开采地质条件 采煤方法，短壁体系采煤法因采掘巷道多，巷道交叉多、遗留煤柱多，易形成多多处支撑压力叠加而引发冲击地压。长壁分层开采比短壁开采发生冲击地压的次数明显减少。 煤柱，弧岛形和半岛形煤柱受几个方向集中应力的叠加作用，其附近最易发生冲击地压。煤柱集中应力不仅对本煤层开采有影响，还能向下传递而对下部煤层形成冲击条件。采掘顺序，采掘顺序不当，相邻区段追逐回采，以及采场形状不规则或留下待采煤柱时，都会增大集中应力，造成发生冲击地压的条件。 放炮，放炮产生生震动，引起动载荷，增加煤体压力、改变煤体的应力状态，由三向压缩变为二向或单向压缩，使其抗压度下降，导致迅速破坏。4 顶板管理方法。采用爆破、注水等使顶板冒落，能起到减缓冲击地压的作用。3 ）应力区巷道变形特征 巷道围岩的应力分布和其本身的稳定性与巷道断面形状。及侧应力比值有非常大的关系，在矿井的浅部，引起矿山压力的主要原因是重力，随着开采深度的增加，或在地质条件复杂地区，构造应力引起的矿山压力是主要的地压形式。对煤矿的巷道来说，作用于巷道的围岩除原岩应力外，还有开采引起的次生应力，开挖巷道引起应力重新分布时垂直应力向两侧转移，水平应力向顶底板中转移。在水平应力为住的情况下，巷道轴线与最大应力方向夹角小时，巷道周围受力较小，且比较均匀，随着夹角增大，巷道受力也逐渐增大，且受力不均匀性也逐渐显示出来，地应力方向常常在很大区域内是基本一致的，所以开挖巷道时要选好轴线的方向。地应力测量和数值计算来确定应力集中区和应力分布状态。2.4顶板岩体岩性分析由于受沉积环境的控制，煤层顶板沉积岩性在垂直向上旋回变化，不同岩性的岩层做有规律的组合，称层组岩体（简称岩体），因此顶板岩体力学性质及其稳定性，并不是由一层岩性所能代表的，而是多层岩性的组合。顶板岩体岩性和厚度及其组合，既能通过矿山压力分布，又能通过岩体强度来影响顶板的稳定性。根据岩体试件单轴抗压强度（Rc），可以把顶板岩石简单地分为硬质岩石，中硬岩石和软质岩石三类，在力学性质方面软质岩石表现为塑性，硬质岩石表现为抗性，而中硬岩石处于两者之间。岩性不同则岩石力学性质不同。岩性在直接顶板分类中起着重要的作用。根据不完全统计，泥岩，页岩为稳定性顶板的占67%；而砂岩，石灰岩则几乎都为稳定顶板，粉砂岩和砂质页岩之类则多为中等稳定顶板。对于层组岩体采用硬质岩石百分比含量（K）来表示顶板岩体岩性特征， K=h/H100%式中，h为赋存于煤层之上一定高度顶板岩体中各硬质岩石厚度之和（单位为m）； H为赋存于煤层之上一定高度顶板岩体总厚度，即顶板岩体中各硬质岩石，中硬岩石和软质岩石厚度之和（单位为m）；根据K值的大小将顶板岩体岩性为为三类，即硬质岩体，中硬岩体和软质岩体。如下表： 表1-1 煤层顶板岩体岩性类型7顶板岩体岩性类型K值/%主要岩性硬质岩体65砂岩，粉砂岩和石灰岩中硬岩体3565粉砂岩，粉砂质泥岩和泥岩软质岩体120无直接顶;岩层厚度在25米以上;参考指标直接顶初次垮落步距8918192525Rc6080Pa;b和h1米.注：D为强度指标，D=RcC1C2。Rc为岩石单轴抗压强度（Pa）；C1为接力裂隙影响系数；C2为分层厚度影响系数。C1值可按测量所得的节理列席间距b，然后查表3-2得出；C2值可按测量所得的分层厚度h，然后查表3-3得出。表3-2 b与C1值的关系节理裂隙间距b/m 0.10.20.30.40.50.60.70.80.91.01.11.2系数C10.30.320.340.370.390.400.410.430.460.480.520.55表3-3 h与C2值的关系分层厚度h/m 0.10.20.30.40.50.60.70.80.91.01.11.2系数C20.240.250.270.290.300.320.330.350.360.380.0.390.0.41 表3-4 老顶分级指标老顶分级老顶来压显现不明显明显强烈极强烈指标Km350.3 Km35，L=25500.350Km0.3，L=2550Km0.3，L50表项的分级主要采取直接顶厚度和采高的比值Km=h/m，并参照老顶初次来压步距L，可将老顶分为4级。（1） Km35，这种基本顶的垮落或错动对工作面支架受力无多大影响，为无周期来压不明显的顶板；（2） 0.3 Km35，且L=2550m，这时基本顶的失稳对工作面支架所受载荷有较为严重的影响；（3） 0.350m或Km0.3，L=2550，这时基本顶的悬露与垮落都将对工作面支架有严重影响，称为周期来压严重的顶板；（4） Km0.3且L50m，由于老顶特别坚硬，因而常能在采空悬露上方采而不垮落。当其垮落时则在工作面形成剧烈的矿山压力显现，从而要求采取特殊措施施加以控制。在生产实践中我们可以利用表1-1来判断顶板的岩性；根据岩性对比表2-1,2-2所示的岩石强度来确定顶板的稳定性，因为岩石强度值也是决定顶板稳定性的因素之一。第三章 影响围岩稳定性的因素分析在地下洞室的开挖和使用过程中，经常会出现围岩破坏或变形过大的失稳现象，如顶板塌落、地板隆起、两帮挤裂等。理论研究和生产实践表明，影响围岩稳定性的主要因素可以分为两个方面。一方面是岩体本身的物理力学性质等内在因素；另一方面是工程所在的地质条件及工程特点外在因素。下面将分别就影响围岩稳定性的各种因素进行讨论。3.1围岩的岩石力学性质围岩的岩石力学性质通过岩石试件的各种强度实验和变形实验确定，它所反映的是去掉了宏观结构面和非均质性的影响后的岩石材料的力学性质。岩石力学性质所表现出的力学特征和属性是围岩本身所固有的性质，它对围岩稳定性的影响是很明显的。通常，岩石强度高、变形能力小的围岩，其稳定性好；相反，其稳定性就差。决定围岩岩石的强度和变形特征的主要因素是岩石的岩性。 如表3-1所示：（不同岩石物理学参数比较）岩 石名 称性 状容 重（g/cm3）抗压强度（Mpa）E（Gpa）抗 剪 强 度工程名 称干湿tgC（kPa）花岗岩新鲜2.61112.58539.31.1222300广蓄电站轻蚀变2.5341.418.921.90.8014500中蚀变2.4423.3107.60.665200灰岩新鲜，厚层2.70150.2123.80.8819恒山水库泥质2.536527.80.7515龙门千煤岩微风化2.68985354.11.381430江口强风化2.2574粘土岩砂质2.574227.9狮子滩 另外，特定岩性的岩石还会产生一些与某些自然特征或工程活动相关的不稳定因素，比如灰岩或岩盐中可能有岩溶问题或成为地下水的来源；某些薄层册会产生围岩剧烈变形等。因此，在岩体稳定性分类中必须有反映岩石力学性质的指标作为分类的判据之一。岩石力学性质指标有单轴抗压强度Rc、单轴抗拉强度Rt、弹性模量E及点荷载强度Is等。3.2 岩体结构与结构面性质 岩体是一种地质介质，在它的形成过程中以及在以后的亿万年时间内，大都经历过许多次强烈程度不同的构造运动。这些地质构造运动在地层中形成了一系列的构造行迹，大型的如断层、褶曲，小型的如小型断裂、裂隙等。岩体中还有在成岩或变质过程中形成的间断面、接触面、片理等结构面。 能够在一定程度上反映岩体结构与结构面对岩体稳定性影响的分类指标有：风化系数Ky、岩石质量系数RQD、完整性系数Jv、节理面组数Jn、节理面粗糙度Jr、节理蚀变程度Ja、节理平均间距dp、体积结构面模数Jv等。3.3 地应力 岩体中任何一点都受到力的作用，处于受力状态。在地下工程开挖之前岩体中已存在着初始地应力场，在地下工程开挖之后，初始地应力场受到扰动，引起洞室的变形和应力重分布，产生次生地应力场。地下工程的失稳主要是由于开挖工作引起的应力重分布超过围岩强度或造成围岩过分变形而造成的。而应力重新分布是否会达到危险的程度很大程度上受初始应力场的方向、量值和性质的影响。它主要由自重应力、现今构造应力和残余构造应力等应力分量叠加综合而成。 在许多工程中，很少考虑到地应力对岩体稳定性的影响，至今国内外不少的围岩分类方法也还未把地应力列为分类的基本参数。这是因为在许多埋深不大的情况下，初始地应力一般只有几个Mpa的量值，不会表现出很大的影响力和破坏力，易于被人们所忽略。但对于重要的工程，当埋深较大或处于高山峡谷地区时，有必要对地应力进行地质力学调查分析和现场实测。另外，在用现代的数值计算方法来分析洞室稳定性时，没有地应力的参数，也无法得出任何有意义的结果。 对某个特定的工程来说，原岩应力的大小和方向可能会随着测试地点空间位置的不同而有所变化，当工程位置和方向不同时，原岩应力对其稳定性的影响程度有很大的差异。如洞室主轴向与最大主应力方向相同时，其稳定性要好于与最大主应力方向垂直时的情况。也就是说，地下洞室的稳定性与洞室主轴和最大主应力方向之间的夹角有关系。3.4 工程因素 工程因素主要是指岩洞的方向、规模、形态、施工方法、支护形式及其它工程活动的影响等等。以上这些因素都对洞室稳定有一定的甚至很大的影响，一定条件下可以忽略它们中的一部分，但在一些场合，则必须对他们进行专门的研究。工程因素对围岩稳定性的重要程度随各工程性质而异，可作为分类指标的参量有洞室跨度B，洞室主轴与主要断层方向夹角等。3.5 时间因素 在评价洞室围岩的稳定性时，时间是一个不可忽视的考虑因素。许多围岩失稳和破坏现象往往要经过一段时间才开始显现，有的是开挖后几天，而有的是几个月甚至几年到几十年后才发生。围岩应力变形状态随时间的恶化主要有两个方面的原因：一是岩体的流变性质。许多岩体，特别是粘土质岩、泥岩等软弱岩石有明显的流变性质。二是时间的增长加剧了围岩的弱化过程。如开洞后温度、湿度的变化，气流及地下水的风化侵蚀作用，施工爆破的冲击振动作用或机械振动引起的疲劳作用等都可以逐渐或大大地削弱围岩的刚度和强度，从而导致围岩变形的增加、塑性或松动破裂区的扩大等。但围岩分类时一般不考虑时间因素。 综上所述，影响洞室围岩稳定性的因素很多，其中岩石及岩体的力学性质二者是最主要的因素。以上的许多因素都可能在一定条件下从次要地位转化为主要的或决定性的地位，如对坚硬质岩，围岩的强度主要取决于围岩的地质构造及其强度。而对于软弱岩体且地应力较大者，则主要取决于岩石本身的强度及变形特性11。第四章 神经网络技术4.1 什么是人工神经网络人工神经网络( Artificial Neural Networks,简称 ANN)是80年代中后期在世界范围内迅速发展起来的一门非线性科学，网络的信息处理由人工神经元之间相互作用来实现，知识与信息的存储表现为网络元件互连间分布式的物理关系；网络的学习与识别决定于各神经元连接权系数的动态演化过程。组成神经网络的每个神经元模型如图所示：神经元的输出可表达为：y=f（）试中 xi代表神经元的输入信息；n是输入的数目，权值wi代表该神经元与传递信息的第I个神经元的连接强度；是神经元的阈值，当神经元内部状态超过域值时，神经元才能被激活；函数y=f（x）是非线性单调增函数，取f（x）=1/（1+e-x） 神经网络实质上是一组输入单元列到输出单元列的高度非线性映射系统，在工程中应用很广泛。其核心是网络的误差反向传播（Error Back-Propagation Neural Network），它把学习过程分为两个阶段：第1阶段（正向过程），给出输入信息，通过输入层经隐含层逐层处理并计算每个单元的实际输出值；第2阶段（反向过程），若输出层未得到期望的输出值，则逐层递归地计算实际输出与期望输出之差（即误差），以便根据此误差调节权值。BP算法是适合多层神经元网络的有导师条件的一种学习，它是建立在梯度下降法的基础上的。4.2 人工神经网络的特点1） 并行分布处理神经网络具有高度的并行结构和并行实现能力，因而能够有较好的耐故障能力和较快的总体处理能力。这特别适合用于实时控制和动态控制。2） 非线性映射神经网络具有固有的非线性特性，这源于其近似任意非线性变换能力。这一特性给非线性控制问题带来新的希望。3） 通过训练进行学习 神经网络是通过研究系统过去的数据记录进行训练的。一个经过适当训练的神经网络具有归纳全部数据的能力。因此，神经网络能够解决那些由数学模型或描述规则难以处理的控制过程问题12。4.3 BP网络模型一、 结构13BP网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。层与层之间采用全互连方式，同一层之间不存在相互连接，隐层可以有一个或多个。构造一个BP网络需要确定其处理单元神经元的特性和网络的拓扑结构。神经元是神经网络最基本的处理单元，隐层中的神经元采用S型变换函数，输出层的神经元可采用S型或线性型变换函数。图为一个典型的三层BP网络的拓扑结构。网络结构示意图4.4 BP网络的算法在实际应用中，学习时要输入训练样本，每输入一次全部训练样本称为一个训练周期，学习要一个周期一个周期地进行，直到目标函数达到最小值或小于某一给定值。BP网络算法：设有任意大小的多层前向神经网络，各神经元的激励函数选取为Sigmoid函数： f(x)= （1）设有m个学习样本（Xk,Yk）(k=1,2,m),XK,YK分别为第K个样本的输入，期望输出矢量，其中，XK=（xk1,xk2,xkn）、YK=(yk1,yk2,ykp)。对于某一个输入XK，网络的实际输出为Y/k，节点I的输出为Qki，节点j的输入为：netkj= （2）节点j的输出为 Ikj=f（netkj） （3）对应网络的期望输出YK，有输出误差： EK= （4） 训练集中每个样本输至网络时，网络的权重Wji都做相应的调整，其改变为 （5）若j是输出层，则有 = = （6）若j是隐含层，则有 （7）试中为节点j上一节点l的误差信号；Wlj为节点j到其上一节点l的连接权重。 BP算法流程图4.4 所示。 图4.4 BP算法流程图4.5 BP网络缺陷4.5.1 收敛到局部最小值在BP神经网络进行训练时，有时会出现这样一种情况：网络的输出与期望输出之间的误差在某一个值左右徘徊，但是无法再减少。这时就表明网络的训练陷入了局部最小值。局部最小值的二维示意图如图2.4所示。图2.4误差局部最小值的二维示意图4.5.2 误差进入平坦区另外，在BP网络的训练过程中，有时候也会出现误差在一定时间内的减少极度缓慢，但是的确是在减少。这时表示网络已经进入了误差的平坦区。误差曲面的平坦区域会使训练次数大大增加，从而影响了收敛速度。平坦区的二维示意图如图2.5所示。 图2.5误差平坦区的二维示意图第五章 需求分析要实现一个软件系统首先应该进行需求分析，这样才能令设计出的软件满足用户的要求。只有通过需求分析才能把软件功能和性能的总体概念描述为具体的软件需求规格说明，从而奠定软件开发的基础。下面就是对我们这个系统进行的需求分析。5.1 系统应解决的问题 首先，我们这个系统是一套基于计算机测控技术的安全监测设备，主要应用在煤矿行业。用户可以将井下监测到的数据输入这个系统，系统用训练好的网络对这些数据进行处理、分析，从而判断出煤矿顶板的稳定性。为了系统的规范，对于每一个用户来说，他们所输入的数据都应在一个特定的范围内，因为神经网络识别方法是从实例中获取知识，提炼出数据间的复杂关系，而我们选取的样本数据是测定好的数据，这就要求用户根据实际情况来输入数据，同时，用户也可以参考系统样本数据，来选择数据的输入范围。另外，系统还可以完成将用户输入的数据添加到数据库中。5.2 系统功能1）煤层顶底板岩石力学参数结果表：根据煤层顶底板岩石力学参数结果表，让用户更加清楚地认识到各种岩石的力学参数与顶板稳定性的关系，从而达到指导实践的目的。2）网络模型的检验样本集：可以查询网络的数据样本并且看到整个网络的预测结果。3）煤层顶板预测：用户可以根据实际情况，自己输入数据来检测顶板的稳定性。4）围岩训练及预测：同顶板的训练及预测一样，可以完成煤矿围堰的稳定性预测预报。5）数据分析与查询：查询数据库中样本和历史纪录的数据。6）屏幕报警：工程人员可以根据系统报警做出相应的措施，避免事故的发生，确保矿井的安全。第六章 概要设计经过反复的试验和比较，最后我们采用了VB语言和MATLAB神经网络工具箱相结合的方法。系统程序的大部分还是有VB语言来编写，只是BP网络的训练由MATLAB专用神经网络工具箱来完成，最后通过MATLAB与VB语言的接口把二者结合起来。MATLAB神经网络工具箱是以神经网络理论作为背景的专业工具箱，它以人工神经网络理论为基础，用MATLAB语言构造典型神经网络的激活函数，使设计者对所选定网络输出的计算，变成对激活函数的调用。另外，根据各种典型的学习规则和网络的训练过程，用MATLAB编写出各种网络权值训练的子程序。从而大大节省了编程和调试的时间，提高了效率和质量。通过实际检验，采用神经网络工具相对BP网络的训练，训练速率有了明显的提高，效果大大改善，基本满足我们的要求。6.1 系统开发目标及系统结构系统开发的目的是充分利用计算机强大的计算能力和神经网络的智能性，为顶板及围岩稳定性分类提供可靠的、智能化的手段，为工程稳定性评价提供依据。为此，系统必须实现从数据初始化处理到结论评价输出的一系列功能，包括数据优化、模型建立、数据分析和结果处理输出等。此外还应具备先进性、实用性、可靠性、界面友好和易扩充性等特征。本系统按照一般的软件系统设计，由输入、输出、数据库、分析处理和界面等部分组成。简单模块关系如下图所示。 模型建立通过网络学习，确定网络结构和权值等模型参数，并存储于模型库中。模型应用部分相对简单，它用训练好了的网络模型对工程数据进行分析，并统计输出。6.2 系统结构模块图主界面帮助数据库管理数据预测退出文件数据库数据显示网络训练误差曲线系统信息预测数据的输入规则信息预测结果图数据库数据添加数据库数据查询数据库数据的删除 （见 0 号图）第七章 详细设计71 确定BP网络模型 实现BP神经网络的第一步，也是最重要的一步就是对网络结构的设计。在设计时需要针对某一特定应用，做出仔细的分析与比较，确定最佳的设计方案，以便能高效地完成制定的任务。7.1.1构造学习样本数据准备是否得当，直接影响训练时间和网络性能。训练样本数据选择的科学性及数据表示的合理性，对网络设计具有极为重要的影响，样本数据的准备工作是网络设计与训练的基础。 训练数据的多少与网络训练时间有着明显的关系。一般来说网络的训练数据要考虑以下问题：训练数据组中必须包括全部模式；各输入数据之间尽可能互不相关或相关性小，输入量必须选择那些对输出量影响大，且能够控制的训练数据；网络输入输出数据的标准化问题；参数变化范围的一致性和样本分布的正常性。我们以徐州矿务局张集矿为例。经过对现场资料的分析，影响张集矿冲击地压的主要因素为煤层开采深度、顶板岩性、地质构造复杂程度、煤层倾角、开采方法、有无煤柱、炮采或综采等8个影响因素。因此，可以将它们作为神经网络的8个输入变量。（见附录）7.1.2 样本数据的处理对变量进行取值时，考虑到采样条件的随机性和一致性，首先需要在研究区划分统计单元，然后在各个单元中对不同的变量进行取值。对输入变量中的定性变量的处理方法是采用数量化理论中的二态变量取值法，即用“0”和“1”来表示某种属性的“无”和“有”。选取一定的阈值，可以将顶板岩性、地质构造复杂程度、有无煤柱、开采方法、炮采或综采等作为定性变量来处理。各变量的取值结果将作为建立神经网络预测模型的训练样本。7.1.3 初步确定网络的输入输出 在设计BP网络结构的时候一般需要确定网络的输入神经元个数、输出神经元个数、隐含层数和隐含层神经元个数。按照冲击地压煤层安全开采暂行规定中的要求，工作地区按照冲击危险程度分为三级：级严重冲击危险区；级中等冲击危险区；级无冲击危险区。因此可以选定网络的输出层神经元个数为2。当输出为（1，1）时，表示级；当输出为（1，0）时，表示级；当输出为（0，1）时，表示级。综上所述， BP神经网络的输入层有输入神经元14个，分别与8个输入变量所划分的14个子变量相对应（表）。输出层有2个输出神经元，与输出变量冲击地压危险性的两个子变量相对应。 确定输入、输出神经元个数后，就需要解决隐含层数和隐含层神经元个数的问题了。7.1.4 确定网络的层数 隐含层其抽象的作用，即它能够从输入样本中提取特征。增加隐含层可以增加神经网络的处理能力，但是同时也会增加训练的复杂度和训练时间。 鉴于只含一个隐层的神经网络就能解决模式识别问题，故这里不再对网络的隐层层数选择作进一步探讨，本文只对含一个隐层的三层网络进行讨论。7.1.5 层内节点数的确定1989年Robert Hecht-Nielson 证明了对于任何在闭区间的一个连续函数都可以用一个隐层的BP网络逼近，因而一个3层网络可以完成人意的N维到M维的映射，因此在BP网络中多采用单隐层网络。然而隐层节点数的选择一直是一个令人感兴趣的话题。隐层节点数目过少，网络将不能建立复杂的判断界，使网络训练不出来，或不能识别以前没有的样本，且容错性差；而节点数目过多，学习时间过长，使网络的泛化能力降低。因此BP网络应有一个最佳隐层节点数。文献（15）中指出当n1=P-1时（P为学习样本数），迭代次数有明显减少。我们在多次试验中发现，隐层节点数取输入节点数和输出节点数之间的值，在靠近输入节点数时，网络的收敛速度较快。所以经过我们的多次试验比较，我们将隐含层的神经元个数确定为10。7.1.6 初步确定网络的模型综上所述，我们将这个BP 网络模型定义为只含有一个隐含层的三层网络模型。输入层的节点数应等于输入向量的分量数目，即分类时所考虑的因素数。对于输出层的节点，它取决于输出的表示方法。所以我们定义的网络的输入层有输入神经元14个，分别于8个输入变量所划分的14个子变量相对应（见表）。输出层有2个输出神经元，与输出变量冲击地压危险性的两个子变量相对应。隐含层的个数定义为10个神经元个数。 图7-1 BP网络模型7.2 BP网络在MATLAB中的实现7.2.1 网络参数的确定 在确定了神经网络的结构后，结构对于训练效率的影响就确定下来了。接下来需要确定的另一个队训练效率有很大影响的因素是学习速率。学习率：学习率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定，但小的学习速率将会导致训练较长，收敛速度很慢，不过能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。所以在一般情况下，倾向于选区较小的学习速率以保证系统的稳定性。学习速率的选区范围一般在0.010.8之间。期望误差goal:期望误差当然希望越小越好,但是也要有合适值.降低误差需要增加隐层节点以及训练时间来实现.7.2.2各层网络传递函数的选择网络的输入层的节点只起到缓冲器的作用，不具有传递函数的功能。MATLAB工具箱提供了三种传递函数：Log-sigmoid、Tan-sigmoid和线性函数purelin。前两种为非线性函数，分别将x(-,+)的输入压缩为y0,1和y-1,1的输出。因此，对非线性问题，输入层和隐含层多采用非线性传递函数，输出层采用线性函数，以保持输出的范围，就非线性传递函数而言，若样本输出均大于零时，多采用Log-sigmoid函数。对线性系统而言，各层多采用线性函数。本文中根据实际情况，我们采用tansig 和 purlin 两个函数作为网络的传递函数。7.2.3 网络的建立BP网络生成函数newff：它是用来生成BP神经网络并进行初始化，可以确定网络层数、每层中的神经元数和变换函数。这个函数有六个输入参数，分别是:输入向量的范围、网络结构、各层变换函数、训练算法函数、学习函数和性能函数。输出参数为多生成的BP神经网络名net。本文中我们用下面这条语句来创建BP网络：net=newff(minmax(pn),10,2,tansig,purelin,traingdm);这个命令建立了网络对象并且初始化了网络的权重和偏置，它的输入是一个矩阵，输入范围是pn的最大值和最小值；网络结构是第一层有10个神经元，第二层有2个神经元；第一层的转移函数是双曲线正切S型变换函数tansig ，输出层的转移函数是线性变换函数purelin，网络的训练函数是traingdm。7.2.4 网络的初始化 初始化函数用于在对所建立的网络训练前为网络权矩阵W和阈值向量b赋初始值，此值对算法的收敛性及训练速度具有一定的影响，所以初始化就显得十分必要和重要。神经网络工具箱提供的初始化函数及调用格式为：net = init(net);其中参数net为newff所建立的网络，变量net 为初始化后的网络。 这种初始化为缺省初始化，即将网络中线性神经元层的全矩阵W和阈向量b赋以-1，1间的随机数。Newff在创建网络对象的同时，自动调用初始化函数，根据缺省的参数对网络进行连接权值和阈值初始化。7.2.5 网络的训练为了应用神经网络，在选定所要设计的神经网络的结构后，（其中包括的内容有网络的层数、每层所含神经元的个数和神经元的激活函数），首先应考虑神经网络的训练过程。在MATLAB中训练网络有两类模式：逐变模式和批处理模式。在逐变模式中，每输入一个学习样本就根据网络性能指标函数对连接权值和阈值更新一次。在批处理模式中，所有的学习样本都学习完成后，连接权值和阈值才被更新一次。使用批处理模式不需要为每一层的连接权值和阈值设定训练函数，而只需为整个网络指定一个训练函数，使用起来相对方便，而且许多改进的快速训练算法只能采用批处理模式。使用函数train对网络进行训练之前，必须先设置训练参数，我们设置训练时间为4000个单位时间，训练目标为误差小于0.0001，其它参数如下：net.trainParam.show=50; 设置训练显示间隔次数net.trainParam.epochs=4000; 设置最大训练循环次数net.trainParam.goal=0.0001; 设置期望误差最小值net.trainParam.lr=0.20; 设置修正值得学习速率net.trainParam.lr_inc=1.05; 学习速率增加的比率net.trainParam.lr_dec=0.7; 学习速率减少的比率net.trainParam.mc=0.95; 设置动量参数%网络是批处理动量下降法net=train(net,pn,tn); 网络训练得到的训练过程误差变化如图7.2.5所示。在利用train函数对网络进行训练执行以上代码后，在MATLAB命令行中将实时地显示出网络的训练状态。如下所示：RAINGDM, Epoch 0/4000, MSE 4.22412/0.0001, Gradient 5.25567/1e-010TRAINGDM, Epoch 50/4000, MSE 0.0131168/0.0001, Gradient 0.0444642/1e-010TRAINGDM, Epoch2050/4000, MSE 0.000102131/0.0001, Gradient0.000612785/1e-010TRAINGDM, Epoch 2079/4000, MSE 9.9982e-005/0.0001, Gradient 0.000602996/1e-010图7-2 训练过程误差曲线从图中可以看出，对此网络的训练过程非常快，在经过2079个时间单位以后，网络的误差就达到了要求。7.2.6 网络的仿真通过函数sim实现，它根据已训练号的网络对测试数据进行仿真计算。函数调用格式为： a = sim(net,p)；其中net为训练好的网络对象，p为输入向量或矩阵，a为网络输出。这里p为矩阵，网络为多点仿真。7.3 BP网络的改进7.3.1 附加动量法 在MATLAB神经网络工具箱中改进的BP算法及其相应的训练函数有：附加动量法（traingdm.m）、自适应学习速率法(traingda.m,traingdx.m)、RPROP方法（trainrp.m）等。我们采用附加动量法来改进BP神