矿井煤层底板突水预测新方法研究_王延福

矿井煤层底板突水预测新方法研究王延福　靳德武　曾艳京(煤炭科学研究总院西安分院,西安　710054)摘　要 本文针对煤矿矿井煤层底板突水系统为一非线性系统的特性,提出采用对非线性问题具有良好适用性的人工神经网络系统(以下简称神经网络),进行煤层底板突水预测。

以作者们研制、使用神经网络的实践为基础,阐述系统、建模方法、适用条件和应用问题,并在焦作矿务局演马庄矿、焦作金科尔集团方庄煤矿对所建立的煤层底板突水预测神经网络进行生产性检验,取得良好的结果,说明该系统应用于煤层底板突水预测的可靠性。

关键词 人工神经网络　非线性　神经元　突水预测Abstract Aim ing at th e w ater inru sh sys tem of coal floor as a non -linear sys tem,this paper has put forw ard ap-plying artificial neural netw ork(ANN)m ethod w hich is w ell adaptable to non-linear pr ob lem s to w ater inr ush forecast through coal floor (WIFF).On th e basis of th e au th ors,s ever al-year pr actice to develop and ap ply ANN to WIFCF,the p rinciple of method ,adaptive con dition s ,model -estab lish men t m ethod and problems in application are explained .ANN m odel is tested at Yanmazhuang Coal M ine of Jiaozuo C oal Bu reau and Fangzh uan g Coal M in e of gold Coal grouping .Satis factory res ults w er e obtained .It is proved that applying ANN to W IFCF is reliable .Key words artificial neur al network ,non-linear,neur al elem ent,w ater inrush forecas t 国家自然科学基金项目编号496721601　矿井煤层底板突水分析煤层底板突水现象的发生,意味着矿井水文地质状态的突变、应力场能量的释放和隔水岩层结构的破坏。

这是一种失稳现象,或者说是一种非平衡相变现象。

正确预测矿坑底板突水的关键是理解失稳机制[4]。

煤层底板突水是一种局域失稳现象,这种失稳的原因是隔水岩层的结构不均匀性或者说是缺陷的存在。

局部缺陷的平衡条件破坏时,缺陷发生失稳,其尺度迅速增长,瞬间导致局域破坏。

煤层底板隔水岩层由砂岩、泥岩、煤层、灰岩等复合组成,其中可能的缺陷类型多,就煤层底板突水而言,最重要的缺陷是与煤层底板含水层地下水贯通的充水裂隙的存在。

由于应力的加大或煤层底板地下水压力作用,或是两者兼而有之,充水裂隙具有较大的扩张力。

当阻止充水裂隙扩张的岩壁变得薄弱时,岩壁发生变形、裂隙增长乃至溃破导致煤层底板突水,所以,在煤层采动过程中,虽然岩层结构被扰动,应力分布被调整,但对煤层底板突水而言,关键是隔水岩层是否在某个局部变得薄弱。

所谓薄弱可以是有效隔水层厚度变薄,也可以是应力奇异集中。

总之,煤层底板突水有两个必要条件,一是充水裂隙的存在,二是充水裂隙岩壁被弱化,在应力作用下使裂隙发展沟通采面。

上述观点似乎是显而易见的,但长期以来在煤层底板突水研究方面存在一种倾向,往往将煤层底板隔水岩层中的缺陷,等同于导致材料断裂的裂纹,并由此确定失稳条件。

导致煤层底板突水发生的裂隙与导致材料断裂的裂纹失稳,本质上是不同的。

对存在裂纹的材料而言,从宏观上看材料是均匀的、完整的、规则的,而对存在裂隙的煤层底板隔水岩层而言,是不均匀性、不完整性、不规则性诱导了失稳。

我们要强调岩层中时间尺度不同的两种过程的区别,一种是缺陷发育过程,这是一个慢过程,它响应于岩石形态变化扰动而逐渐演化,这种发育过程并不导致失稳。

另一种是缺陷在薄弱处爆涨,岩层遭受破坏的过程是一个快过程,这是导致煤层底板突水的失稳过程。

要完整理解煤层底板突水现象,我们需要对这两种过程都有较清晰的认识[3]。

因此,煤层底板突水系统是一个非线性系统,系统本身是一个不断与外部环境进行物质、能量、信息交换的开放系统,具有协同性、自组织性、信息性的特点。

煤层底板突水预测实质上是要求根据多种因素和经验迅速作出综合判断,以求得煤层底板突水与否的满意解。

神经网络对于解决非线性系统问题具有较强的适用性,而在那些需要根据多种因素和经验作出综合决策,以求得满意解的场合,应用神经网络更具有优越性。

2　神经网络的基本原理[2]2.1　神经网络的基本特性(1)巨量并行性　神经网络与人类的大脑类似,不但结构上是并行,它对信息的处理顺序也是并行的。

这种并行处理决不是简单地以“空间复杂性代替时间复杂性”,而是反映了完全不同的“计算”原理。

从数学观点看,可以把神经网络看作是由大量子系统组成的大系统,系统的最终行为完全由它的吸引子决定。

如果视动力系统的稳定吸引子为记忆的话,那么从初态向吸引子流动的过程就是寻找记忆的过程。

初态可以认为是给定有关记忆的部分信息,换言之,流动的过程就是从部分信息找出全部信息的过程,这就是联想记忆的基本原理。

进一步,若视动力系统的稳定吸引子为系统计算能量函数的极小点,系统最终会流向期望的最小点,“计算”也就在过程中悄悄完成了。

(2)分布式存储信息　神经网络存储信息的方式与传统的计算机思维方式不同,信息不是存在一个地方而是呈分布式存储的,用大量神经元之间的联结及对各联结权值的分布,来表示特定的信息。

(3)强容错性和鲁棒性　神经网络具有天然的冗余结构——分布式存储,即使当局部网络受损时,仍具有能够恢复原来信息的特点。

也就是对部分的信息丢失或模糊的信息仍可以使信息得到完整的恢复,表现出很强的容错能力和鲁棒性。

所以,在神经网络中承受硬件损坏的能力比一般计算机强得多,一般的计算机容错能力很差,表现出极大的脆弱性。

(4)自组织、自学习　人工神经网络中各种神经元之间的联结强度用权值大小表示,这种权值可以事先定出,也可以为适应周围环境而不断变化,这种过程称为神经元的学习过程。

人工神经网络所具有的自学习过程模拟了人脑的形象思维方法,这是与传统符号逻辑完全不同的一种非逻辑非语言的方法。

2.2　神经元[1]神经元是神经网络的基本计算单元,一般是多个输入、一个输出的非线性单元,可以有一个内部反馈信息S i和阈值 i及表示神经元活动的特性函数F。

图1是一个完整的神经元x i和结构。

通常神经元所接受的输入信号总和x i,尚不能反映神经元输入和输出之间所应有的各种关系。

因此,还需要进一步用一特性函数来刻划这种关系,产生一新的输出。

一般特性函数可表示为:x i=∑W j x j+s i x′i=F(X i)图1　神经元结构Fig.1　Structure of neural element 在多个神经元时,可用矢量形式表示为:X′0=F(x W+s) 其中输入x为N维矢量,输出x′为M维矢量,W 为N×M维矩阵。

上式意为神经网络连接模型输入层有N个神经元,输出层有M个神经元,共有N个内部反馈信息,在特性函数的作用下,按阈值控制输出。

根据输入、输出的不同特性,可以用不同的特性函数来表示。

对于识别、预测之类的问题来说,一般多应用S形特性函数表示。

S形特性函数:x i=F(x i)=11+e-x i S形特性函数具有中间的高增益区,适应弱信号,两端为低益区,适应强大信号的性能。

2.3　神经网络连接模型虽然单个神经元可以执行简单的处理功能,但更强的处理能力却来自多个结点连接而成的网络,每一个连接都具有一个加权,称之为连接权,它反应连接的强度。

(1)单层网络　这是最简单的网络如图2所示,它图2　单层神经网络模型Fig.2　Model of single-layered neural network是把一组几个结点形成一层。

从图2可见,输入层作为分布式输入只起着输入信号的作用,不执行神经元特性计算,不被看作网络的一层,计算特性函数的仅一层。

输入层的输入信号可表示为行向量x =(x 1,x 2,…,x n ),其中每一分量通过加权连接到输出层的各个结点。

每一个结点均可产生一个输入的加权和。

实际的网络连接模式有些连接可能不存在。

为了一般化,这时仍然采用全连接,神经元x i 与y i 缺乏连接弧时,可设置权值W ij =0。

在单层网络中,可把各加权表示为加权W 矩阵:W =W 11W 12……W 1M W 21W 22…W 2M W N 1W N 2……W NM 矩阵的维数是N ×M ,N 是输入信号向量的分量数,M 是该层内的结点数。

(2)多层网络　一般分布复杂的神经网络能提供更强的计算能力。

虽然目前已构成了很多神经网络模型,但它们的结点都是按层排列的,这一点正是模仿了人类大脑皮层中的网络模块。

将单层网络进行级联就构成了多层网络,也即一层的输出作为下一层的输入。

图3显示的是两层神经网络模型。

图3　两层神经网络模型Fig .3　Model of two -layered neural network 应当指出的是:如果神经元不用非线性特性函数,则多层的神经元连接模式的计算能力并不比单层神经元连接模式计算能力强[1]。

2.4　神经网络的训练任何一个神经网络模型,要实现某种功能的操作,就必须先对它进行训练,使之获得知识,并把这些知识存储在神经网络的加权中,训练的实质就是加权矩阵随外部激励(环境)作自适应的变化。

神经网络一般有两类训练方式:(1)有指导的训练　这类训练不仅需要训练用的输入向量,同时还要求有与之对应的表示所输出的目标向量。

通常训练一个网络需要很多训练范例。

当加上一个输入向量时,要计算网络的实际输出,并和相应的目标向量比较,比较结果的误差用规定的算法改变加权值来变动。

这样,把训练组中的每个训练范例相继加入,对每个训练范例都要计算误差和调节加权,直到训练组中的误差达到可接受的精度为止。

(2)无指导的训练　这类训练不要求有目标向量,神经网络通过自身经历来学会某种功能。

训练范例集仅仅由输入矢量组成。

通过学习算法修改神经网络权值,使其生成的输出矢量一致。