📄 +
字号:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN">
<!-- saved from url=(0064)http://www.gut.gy.gz.cn/gut/magazine/xb983/98xb3-5/98xb35-5.html -->
<HTML><HEAD><TITLE>矿井开采工作面产量与工效预测的神经网络模型</TITLE>
<META content="text/html; charset=gb_2312-80" http-equiv=Content-Type>
<META content="MSHTML 5.00.2614.3500" name=GENERATOR></HEAD>
<BODY bgColor=#ffffff><B><FONT face=宋体 lang=ZH-CN size=5>
<P align=center>矿井开采工作面产量与工效</P>
<P align=center>预测的神经网络模型</P></FONT><FONT face=楷体_GB2312 lang=ZH-CN>
<P align=center>吴桂义 高以谋
况礼澄</P></FONT></B><FONT face=楷体_GB2312 lang=ZH-CN size=3>
<P align=center>(贵州工业大学采矿系，贵阳：550003)</P></FONT><B><FONT face=宋体 lang=ZH-CN
size=1>
<P align=justify></FONT><FONT lang=ZH-CN size=3>摘 要</B>
<FONT
face=楷体_GB2312>比较了矿井工作面产量工效预测的几种方法后，建立了工作面产量与工效预测的神经网络模型，并用于对实际工作面进行计算，结果证明该模型是可信的。</FONT></FONT></P>
<P align=justify><B><FONT lang=ZH-CN size=3>关键词</FONT><FONT face=楷体_GB2312
lang=ZH-CN size=3> </B>回采工作面；产量工效；预测模型；神经网络</FONT></P><B>
<P align=justify><FONT lang=ZH-CN size=3>中国图书资料分类号</B>
TD821；TD822；</FONT></P><B>
<P align=justify><FONT face=宋体 lang=ZH-CN>引 言</P></FONT></B><FONT face=宋体
lang=ZH-CN size=3>
<P
align=justify>回采工作面是矿井生产的核心单元，工作面生产技术指标直接反映矿井开采技术水平和建设规模。影响工作面生产的因素除地质条件外，还有许多不确定因素如技术装备条件、人员、管理水平等。这些因素对工作面生产技术指标都有着不同程度的影响，而煤层开采地质条件对工艺方式和技术装备的选择起着决定性的作用。显然，对于特定的矿井，在一定的技术装备、人员素质、管理水平的条件下，工作面开采技术指标的高低与煤层地质条件的优劣程度有着本质的联系。本文研究工作面生产技术指标与所在煤层块段地质条件评价值之间的相关关系，并据此进行新煤层块段的开采效果的预测。</P></FONT><FONT
face=宋体 lang=ZH-CN><B>
<P align=justify>1 影响工作面产量与工效的地质因素</P></B></FONT><FONT face=宋体 lang=ZH-CN
size=3>
<P
align=justify>煤层地质条件对工作面生产技术指标有很大的影响，主要包括如下各因素：地质构造复杂程度、煤层稳定程度、煤层厚度、煤层倾角、煤层坚硬性、煤层顶底板条件、可布置工作面块度、其他特殊地质条件包括瓦斯地质条件、水文地质条件及煤层自燃性。</P></FONT><B><FONT
face=宋体 lang=ZH-CN>
<P align=justify>2 工作面产量与工效预测的神经网络模型</P></FONT><FONT face=宋体 lang=ZH-CN size=3>
<P align=justify>2.1 建模分析</P></B>
<P
align=justify>由煤层块段地质条件评价来推断工作面产量与工效，包含了许多复杂的非线性因素，而这些因素间又相互作用。如煤层瓦斯含量高，则工作面长度就不能过长；如果煤层自然发火期短，则工作面可连续推进长度就不能过长。褶曲的发育往往又伴随着断层发育及煤层顶底板破碎。对这种预测我们可采用模糊综合评价，把各影响指标定量化后计算出各指标或指标类的评价值，然后可利用回归分析，模糊综合评判，神经网络辨识等方法进行预测。</P>
<P align=justify>三种方法的比较见表1。</P></FONT><B><FONT face=宋体 lang=ZH-CN size=1>
<P align=center></FONT><FONT face=宋体 lang=ZH-CN size=2>表1
神经网络、模糊论、回归分析比较</FONT></B></P>
<DIV align=center>
<CENTER>
<TABLE border=1 cellPadding=0 cellSpacing=0 width=542>
<TBODY>
<TR>
<TD vAlign=top width=103> </TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=center><FONT size=2>人工神经网络</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=center><FONT size=2>模糊论</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=center><FONT size=2>回归分析</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>知识表示</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=center><FONT size=2>分布式表示</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=center><FONT size=2>隶属函数</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=center><FONT size=2>数学表达式</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>不完全数据处理</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=center><FONT size=2>是</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=center><FONT size=2>是</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=center><FONT size=2>否</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>容错性</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=center><FONT size=2>是</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=center><FONT size=2>是</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=center><FONT size=2>否</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>操作</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=center><FONT size=2>神经元的叠加</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=center><FONT size=2>隶属函数的取大取小</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=center><FONT size=2>数量统计</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>功能</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1 特征值抽取；</FONT></P>
<P align=justify><FONT size=2>2 优化问题；</FONT></P>
<P align=justify><FONT size=2>3 联想记忆；</FONT></P>
<P align=justify><FONT size=2>4 非线性交换。</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1 简单数据处理；</FONT></P>
<P align=justify><FONT size=2>2 语言值与数值处理；</FONT></P>
<P align=justify><FONT size=2>3 模糊评判；</FONT></P>
<P align=justify><FONT size=2>4 非线性隶属函数。</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1 简单数据处理；</FONT></P>
<P align=justify><FONT size=2>2 数值对数值处理；</FONT></P>
<P align=justify><FONT size=2>3 统计推断；</FONT></P>
<P align=justify><FONT size=2>4 非线性函数。</FONT></FONT></P></TD></TR>
<TR>
<TD vAlign=top width=103><FONT lang=ZH-CN>
<P align=center><FONT size=2>缺点</FONT></FONT></P></TD>
<TD vAlign=top width=174><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1 知识表达和快速学习困难；</FONT></P>
<P align=justify><FONT size=2>2 从网络中提取知识困难。</FONT></FONT></P></TD>
<TD vAlign=top width=134><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1 隶属函数的主观性；</FONT></P>
<P align=justify><FONT size=2>2 自学习困难。</FONT></FONT></P></TD>
<TD vAlign=top width=123><FONT lang=ZH-CN>
<P align=justify><FONT size=2>1知识获取困难；</FONT></P>
<P align=justify><FONT size=2>2
无自学习功能。</FONT></FONT></P></TD></TR></TBODY></TABLE></CENTER></DIV><FONT face=宋体
lang=ZH-CN size=3>
<P
align=justify>由表1可以看出，人工神经网络由于其具有自组织、自学习能力、非线性逼近能力，将它用于工作面产量与工效的预测中比其他两种方法更为有效。因为它可以对网络进行反复的训练，从而使网络学习存贮的知识用于推理时更接近实际系统的值。随着学习样本及新知识的补充，网络的适应能力将不断增强。而当技术条件改变后，只需将新的样本加入网络中进行重新学习即可得到技术进步后的知识，再用训练好的网络进行技术进步后新工作面的产量与工效预测。随着工作面的开采，可判别预测值与实际值的差距，如果误差太大，再加入该样本让网络重新学习。这样，网络经过不断的学习后，其预测值将越来越逼近实际值。</P><B>
<P align=justify>2.2 网络模型的创建</P></B>
<P
align=justify>BP网络模型的建立关键是确定网络的输入层与输出层节点数，即输入向量与输出向量。在工作面产量与工效预测的BP网络模型中，输入向量有9个，分别是地质构造复杂程度(C<SUB>1</SUB>)，煤层稳定性(C<SUB>2</SUB>)，煤层开采厚度(C<SUB>3</SUB>)，煤层倾角(C<SUB>4</SUB>)，煤层坚硬性(C<SUB>5</SUB>)，煤层顶底板条件(C<SUB>6</SUB>)，工作面块度(C<SUB>7</SUB>)，其他特殊困难条件(B<SUB>2</SUB>)及工作面对所采用的回采工艺的隶属度(μ<SUB>i</SUB>)。</P>
<P align=justify>输出向量有两个，即产量(Q)与工效(η)。</P>
<P align=justify>这样，工作面产量与工效预测的神经网络模型结构如图1所示。</P>
<P></FONT><FONT face=楷体_GB2312 lang=ZH-CN
size=3>
</FONT><FONT lang=ZH-CN size=3><IMG alt="5-1.gif (29444 bytes)" height=254
src="" width=406><B></P></B>
<P align=center><FONT face=楷体_GB2312 lang=ZH-CN size=3>图1
工作面产量与工效预测神经网络结构</FONT></P>
<P align=justify></FONT><FONT face=宋体 lang=ZH-CN size=3><B>2.3 网络输入输出处理</B></P>
<P
align=justify>采用BP算法来训练网络时神经元激发函数是基于Sigmoid函数或改进的Sigmoid函数，这些函数的输出域是［0，1］或［-1，1］。因此必须对输出进行处理，同时为了加快收敛速度，对输入也应作相应的处理，处理过程如图2所示。</P>
<P></FONT><FONT face=楷体_GB2312 lang=ZH-CN
size=3>
</FONT><FONT lang=ZH-CN size=3><IMG alt="5-2.gif (8351 bytes)" height=51
src="矿井开采工作面产量与工效预测的神经网络模型.files/5-2.gif" width=426></P>
<P align=center><FONT face=楷体_GB2312 lang=ZH-CN size=3>图2
输入输出向量处理</FONT></P>
<P align=justify></FONT><FONT face=宋体 lang=ZH-CN
size=3>1)对于输入向量，只作输入映射，将目标输入值从0～1之间转换成0.1～0.9的数，映射函数(也可采用其他的映射函数，但训练样本与预测样本必须采用同一映射函数)为：⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -