煤礦立井井筒非采動破裂的人工神經(jīng)網(wǎng)絡預測

申請免費試用、咨詢電話：400-8352-114

摘要：應用人工神經(jīng)網(wǎng)絡的基本原理，建立了一個基于神經(jīng)網(wǎng)絡的煤礦立井井筒非采動破裂的預測系統(tǒng)，實現(xiàn)了立井井筒破裂預測的智能化。最后將神經(jīng)網(wǎng)絡預測結(jié)果與數(shù)值計算結(jié)果對比，認為應用人工神經(jīng)網(wǎng)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(wǎng)絡神經(jīng)網(wǎng)絡預測數(shù)值模擬一、煤礦立井發(fā)生破壞問題的提出徐淮地區(qū)是中國東部主要的煤炭開采基地，其煤炭的生產(chǎn)直接影響著我國煤炭的總產(chǎn)量，在國民經(jīng)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(qū)（徐州、淮北、淮南）地區(qū)，出現(xiàn)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(yè)廣場都留有足夠的保護煤柱），井壁發(fā)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(yè)兗州礦業(yè)集團的9對井筒也先后發(fā)生了破壞(有關兗州礦區(qū)井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產(chǎn)運輸?shù)难屎硪?，因此豎井的破壞嚴重影響了礦山生產(chǎn)，給各煤礦造成了巨大的經(jīng)濟損失。為了盡量減少立井的非采動破裂所造成的經(jīng)濟損失，現(xiàn)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(jiān)測，以監(jiān)測數(shù)據(jù)為依據(jù)，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(fā)展起來的預報方法［1，2，3］，即系統(tǒng)科學、智能技術方法，特別是研究非線性復雜系統(tǒng)的一些方法。其主要內(nèi)容使用系統(tǒng)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(xiàn)建模。本文采用實際與智能技術相結(jié)合的預報方法，建立井筒破裂的人工神經(jīng)網(wǎng)絡模型，模仿人腦的運行機制，通過對井筒破壞規(guī)律的學習，使網(wǎng)絡具有根據(jù)特征值對井筒破壞進行預報的能力，并據(jù)此來推測相關煤礦的井筒破壞規(guī)律。表1兗州礦區(qū)井筒破裂的基本情況Table1BasicsituationofshaftliningfractureinYanzhouCoalMine礦區(qū)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1979.11.261995.6.58.010.2凍結(jié)法雙層井壁148.6126.9罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露2鮑店主井1979.5.141995.7.126.58.5凍結(jié)法雙層井壁148.69136—1443鮑店北風井1979.10.211996.8.25.06.6凍結(jié)法雙層井壁202.56168.4,180,2044鮑店南風井1979.8.11996.8.9凍結(jié)法雙層井壁157.92158.1—159.35興隆莊西風井1976.81995.105.57.4凍結(jié)法雙層井壁183.9165.5—171.66興隆莊東風井1977.5.311997.6.75.06.4凍結(jié)法雙層井壁176.45157—1807興隆莊主井1977.8.131997.6.23凍結(jié)法雙層井壁189.31150,184在未出現(xiàn)嚴重破裂時進行了治理8興隆莊副井1978.91997.6.26凍結(jié)法雙層井壁190.41154,200罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露9楊村主井1984.121997.2.295.06.6凍結(jié)法雙層井壁185.42176.5,19610楊村副井1985.1.231997.12.2凍結(jié)法雙層井壁184.45160,176,212在未出現(xiàn)嚴重破裂時進行了治理11楊村北風井1984.10.311997.2.44.55.9凍結(jié)法雙層井壁173.40179.6,150,156.6罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現(xiàn)水平裂縫,豎筋彎曲外露二、人工神經(jīng)網(wǎng)絡的預報原理人工神經(jīng)網(wǎng)絡實現(xiàn)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(guī)律進行學習掌握規(guī)律性，然后運用訓練好的神經(jīng)網(wǎng)絡對其他井筒進行推理預測，并據(jù)此對其他井筒的破裂進行預報（其流程見圖1）。圖1神經(jīng)網(wǎng)絡預報機制Fig.1Forecastingmechanismofneuralnetwork三、立井井筒破裂影響因素的選取經(jīng)調(diào)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(chǎn)生壓縮和變形，且引起地表沉降，在地層發(fā)生變形的過程中對井壁產(chǎn)生垂直向下的附加力，使得立井井壁發(fā)生破裂。立井井筒破裂礦區(qū)的水文地質(zhì)與工程地質(zhì)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(jié)構(gòu)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(qū)的水文地質(zhì)與工程地質(zhì)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(fā)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(xiàn)象發(fā)生的必要因素。表土層厚度越大，土層對立井井筒的側(cè)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(chǎn)生的立井井筒附加力加大，立井井筒發(fā)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(zhì)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(nèi)壁應力降低，有利于立井井筒的穩(wěn)定。四、神經(jīng)網(wǎng)絡的設計與實現(xiàn)根據(jù)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(jīng)網(wǎng)絡算法對井筒的破裂規(guī)律進行訓練，其網(wǎng)絡為包含兩層隱含層的神經(jīng)網(wǎng)絡，輸入層、隱含層、輸出層的神經(jīng)元的個數(shù)分別為5、20、10、1，表2神經(jīng)網(wǎng)絡的輸入矢量p及目標矢量tTable2Inputvectorpandtargetvectortoftheneuralnetwork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）189.318.921.213.76434.1192190.4110.11.33.21230225190.416.40.72.98832.85241189.57.40.953.65229.9230148.698.515.19656.29194148.61015.26255.0187202.566.60.85.05359.0190185.56.40.77.19257.72146其訓練函數(shù)分別采用雙曲正切函數(shù)tansig及線性激活函數(shù)purelin［5］，網(wǎng)絡學習采用的輸入矢量及目標矢量如表2所示。網(wǎng)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(wǎng)絡對井筒破壞規(guī)律的學習Table3BPnetworklearningofshaftliningfractureregularity輸入矢量p目標矢量t目標誤差輸出矢量a189.318.921.213.76434.11920.0001199.5190.4110.11.33.212302250.0001222.3190.416.40.72.98832.852410.0001243.8189.57.40.953.65229.92300.0001221.3148.698.515.19656.291940.0001193.06148.61015.26255.01870.0001185.6202.566.60.85.05359.01900.0001188.9185.56.40.77.19257.721460.0001147.23五、實例應用及與數(shù)值模擬結(jié)果的比較兗州礦區(qū)楊村煤礦北風井井筒表土段厚173.4m，采用凍結(jié)法施工，于1984年竣工，在1997年的檢查中發(fā)現(xiàn)井壁已發(fā)生了破裂，現(xiàn)在用學習后的神經(jīng)網(wǎng)絡對楊村北風井的井筒破裂時間進行預測，預測結(jié)果如所表4示。據(jù)上表可以得出有神經(jīng)網(wǎng)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(xiàn)場的實際工作中是可以接受的，這說明由BP網(wǎng)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(jīng)網(wǎng)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）173.45.90.77.565.31361380.015根據(jù)兗州礦區(qū)的工程地質(zhì)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(shù)值模擬計算，模型共19008個六面體、21600個結(jié)點。數(shù)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(fā)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(nèi)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(jù)底含水頭降速可得立井井筒破裂的時間為128月，與神經(jīng)網(wǎng)絡預測值相比，相差10月左右，因此可以認為神經(jīng)網(wǎng)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(jié)論采用人工神經(jīng)網(wǎng)絡方法來預測井筒的非采動破裂，是基于神經(jīng)網(wǎng)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(xiàn)象往往能夠給出比較準確的預測。所以應用人工神經(jīng)網(wǎng)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(jīng)網(wǎng)絡是在對已發(fā)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(chǎn)生比較大的誤差，因此對于超出訓練數(shù)據(jù)外的立井井筒破裂時間預測應結(jié)合其他方法進行比較驗證。參考文獻1.陳昌彥，王思敬，沈小克.邊坡巖體穩(wěn)定性的人工神經(jīng)網(wǎng)絡預測模型.巖土工程學報，2003，Vol.23，No.2.157—161.2.馮夏庭，王泳嘉.煤礦頂板礦壓顯現(xiàn)實時預報的自適應神經(jīng)網(wǎng)絡.煤炭學報，1995.5.3.劉穎芳，程華.人工神經(jīng)網(wǎng)絡在機械阻抗法測樁結(jié)果評定中的應用.巖土工程界，2001.7.4.閻平凡，張長水.人工神經(jīng)網(wǎng)絡與模擬進化計算.北京：清華大學出版社，2000.10—37.5.叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用.合肥：中國科學技術大學出版社，1998.6—72.AnArtificialNeuralNetworkForecastModelforShaftLiningNon-MiningFractureAbstractBasedonthefundamentalprincipalsofartificialneuralnetwork,aforecastsystemforshaftliningnon-miningfractureisestablished,andtheintelligentizationofshaftliningfractureforecastisrealized.Comparingtheresultofneuralnetworkforecastwiththatofnumericalsimulation,fracturetimeforecastedbytheartificialneuralnetworkispreciseandreliable.KeywordsShaft,non-miningfracture,backpropagationnetwork,neuralnetworkforecast，numericalsimulation