岩层移动角预测的粗糙集-BP 神经网络模型-矿业114网 
首页 >> 文献频道 >> 矿业论文 >> 正文
岩层移动角预测的粗糙集-BP 神经网络模型
2017-02-22
岩层移动角是金属矿山开采表征地表移动规律的重要参数之一。为克服理论计算法和数值分析法在 力学模型匹配、参数选择、边界条件设置等方面存在的问题并改进岩层移动角预测方法,首先在分析BP 神经网络、粗 糙集基本原理的基础上,将两者进行有机结合,构建了粗糙集-BP 神经网络模型,该模型将粗糙集作为前端处理器对 具有模糊性、不确定性和不完整性的信息进行预处理,将BP 神经网络作为核心建立输入、输出间的映射关系;然后通 过对34 组实测岩层移动样本数据进行学习训练和测试,构建了包含下盘岩性、上盘岩石普氏系数、矿体倾角、矿体厚 度、开采深度、采矿方法等6 个因素的粗糙集-BP 神经网络岩层移动角预测模型,并...
Series No. 488 ꢀ Februaryꢀ 2017 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 总第 488期 METAL MINE 2017 年第 2 期 ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 岩层移动角预测的粗糙集ꢁBP 神经网络模型 1 ,2 1 1 付玉华 ꢀ 占ꢀ 飞 ꢀ 李ꢀ 勇 ( 1. 江西理工大学应用科学学院,江西 赣州 341000;2. 紫金矿业集团股份有限公司,福建 上杭 364200) 摘ꢀ 要ꢀ 岩层移动角是金属矿山开采表征地表移动规律的重要参数之一。 为克服理论计算法和数值分析法在 力学模型匹配、参数选择、边界条件设置等方面存在的问题并改进岩层移动角预测方法,首先在分析 BP 神经网络、粗 糙集基本原理的基础上,将两者进行有机结合,构建了粗糙集ꢁBP 神经网络模型,该模型将粗糙集作为前端处理器对 具有模糊性、不确定性和不完整性的信息进行预处理,将 BP 神经网络作为核心建立输入、输出间的映射关系;然后通 过对 34 组实测岩层移动样本数据进行学习训练和测试,构建了包含下盘岩性、上盘岩石普氏系数、矿体倾角、矿体厚 度、开采深度、采矿方法等 6 个因素的粗糙集ꢁBP 神经网络岩层移动角预测模型,并对永平铜矿露天转地下开采岩层 移动角进行了预测。 结果表明:该矿山总体岩层移动角的预测值分别为上盘 62°,下盘 68°,走向 73°,预测结果与工程 类比法、数值模拟法等传统方法接近。 所提方法由于可科学选择变量、简化网络结构以及具有提高容错抗干扰和分 类的能力,相对于传统预测方法而言,具有一定的优势,有助于提高矿山开采岩层移动角的预测精度。 关键词ꢀ 金属矿山ꢀ 地表移动规律ꢀ 岩层移动角ꢀ 粗糙集ꢀ BP 神经网络 ꢀ ꢀ 中图分类号ꢀ TD325,TU457ꢀ ꢀ 文献标志码ꢀ Aꢀ ꢀ 文章编号ꢀ 1001-1250(2017)-02-096-06 Rough Set-BP Neural Network Prediction Model of Strata Movement Angle 1 ,2 1 1 Fu Yuhua ꢀ Zhan Fei ꢀ Li Yong ( 1. College of Applied Science,Jiangxi University of Science and Technology,Ganzhou 341000,China; 2. Zijin Mining Group Co. ,Ltd. ,Shanghang 364200,China) Abstractꢀ Rock movement angle is one of the important parameters to characterize the surface movement regularity in metal mine. In order to overcome the difficulties of mechanical model matching,parameters selection,boundary conditions set- ting of the theoretical calculation method and numerical analysis method,and improve the strata movement angle prediction method,firstly,the basic principle of BP neural network and rough set are analyzed,organic combination of them is conducted to establish the rough set-BP neural network model to predict strata movement angle,the rough set is taken as the the front-end processor pretreatment of fuzziness,uncertainty and incomplete information,the BP neural network is used as the core to estab- lish the mapping relationship between input and output;then,a rough set-BP neural network prediction model is established by testing and learning of the 34 sets of actual measured data of rock strata movement samples including 6 factors (footwall lithol- ogy,upside rock coefficient,ore-body inclination angle,ore-body thickness,mining depth and mining method),and it is used to predict the strata movement angle of open-pit to underground mining of Yongping copper mine. The results show that the overall strata movement angles of the mine are 62° (hanging side),68° (heading side),73° (strike) respectively,the prediction re- sults is basically consistent with the ones of the classical prediction methods (engineering analogy method,numerical simula- tion method,etc. ),because of the rough set-BP neural network model with the characteristics of selection the variables scien- tifically,simplify the network prediction model and improving the anti-interference ability of fault tolerance and classification, therefore,it is superior to the classical prediction methods,it is good to improve the prediction precise of mine strata movement angle. Keywordsꢀ Metal mine,Surface movement regularity,Strata movement angle,Rough set,BP neural network [ 2] ꢀ ꢀ 岩层移动角是进行各类保安矿柱设计以及划定 等 利用神经网络构建了金属矿山充填开采岩层移 [ 1] 地表移动盆地、危险移动边界的关键参数 。 刘钦 动角 9 个影响因素的知识库模型对岩层移动角进行 收稿日期ꢀ 2016-11-24 基金项目ꢀ 国家自然科学基金项目(编号:51464015),江西省教育厅科学技术研究重点项目(编号:GJJ151519)。 作者简介ꢀ 付玉华(1968—),男,副教授,博士。 · 96· ꢀ ꢀ ꢀ 付玉华等:岩层移动角预测的粗糙集ꢁBP 神经网络模型ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2017 年第 2 期 [ 3] 预测;戴华阳等 采用相似材料模型试验方法,研究 现对非线性的分类,并且可以任意精度逼近任何非线 性函数。 顾及到两者对于非线性问题分析具有的显 著优势,本研究构建了粗糙集ꢁBP 神经网络预测模 型,该模型包括两个部分:①基于粗糙集理论的前端 处理器,用粗糙集方法对原始样本进行数据离散和属 性约简,删除冗余信息,精减对应关系,即删除样本空 间内对预测目标无贡献或贡献较小的因素,从而简化 数据,减少神经网络输入层节点个数。 ②预测模型的 核心部分,即 BP 神经网络结构。 对于任何在闭区间 内的一个连续函数都可用一个隐层的 BP 神经网络 进行逼近,一个 3 层的 BP 神经网络可完成任意的 M 维到 N 维的映射,故本研究预测模型采用 3 层 BP 神 经网络结构,各层节点数根据样本确定。 本研究粗糙 集ꢁBP 神经网络预测模型架构如图 1 所示。 了特厚急倾斜煤层水平分层开采岩层移动机理和地 [ 4] 表移动规律;王强等 建立了灰色预测模型对某矿 [ 5] 山岩层移动角进行了预测;高栗等 提出了基于支 [ 5] 持向量机理论的地下开采岩层移动角选取方法 ; [ 6] 东龙宾等 采用 3DEC 软件,对深部矿体崩落法开采 [ 7] 影响岩层移动的因素进行了数值分析;王小华等 通过构建负指数预计模型,对某矿采动岩层内部移动 [ 8] 变形进行了分析;程关文等 采用悬臂梁力学模型, 并结合实测数据,将某矿区内的地表变形区域划分为 变形累积区、裂缝产生区、裂缝扩展区和裂缝闭合区; [ 9] 3D 李猛等 利用 Flac 软件模拟分析了矸石充填采空 [ 10] 区后某矿上覆岩层的移动规律;孔素丽等 根据某 矿区地表移动变形观测结果,运用理论分析和数值模 拟方法,讨论了厚冲积层大采深条件下地表和岩层的 移动变形规律,并利用 1stOpt 软件分析得到了岩层 [ 11] 移动角;夏开宗等 分析了典型陡倾结构面条件下 的金属矿山岩层移动规律,认为受 NNW、NNE 向结 构面的影响,程潮铁矿南部岩层移动角大于北部,倾 [ 12] 倒破坏较严重;李振华等 将 BP 神经网络用于某 [ 13] 矿导水裂隙带高度预测;胡军等 将粒子群算法与 BP 网络相结合,对某矿边坡稳定性进行了预测。 影 响岩层移动角的因素较复杂,部分因素是确定的、定 量的,而部分因素则是随机的、定性的、模糊的,彼此 之间存在着复杂的非线性关系,上述研究尽管取得了 一定的成效,但在力学模型匹配、物理和力学参数选 择、边界条件设置等方面存在不足,导致相当一部分 研究成果无法大规模推广应用。 为此,本研究充分顾 图 1ꢀ 粗糙集ꢁBP 神经网络预测模型 Fig. 1ꢀ Rough set-BP neural network prediction model 岩层移动的影响因素主要有地质因素、工程因素 两大类,主要包括围岩岩性,开采深度 h,开采厚度 m,矿体赋存状态、工作面尺、采矿方法、顶板管理方 法、重复采动,断层等。 本研究初步选择上下盘围岩 岩性、上下盘围岩普氏系数、矿体倾角、矿体厚度、开 采深度和采矿方法作为岩层移动角预测的影响因素。 [ 14-15] [16-17] 、粗糙集理论 的各自优势, 及 BP 神经网络 将两者进行有机结合,构建了岩层移动角的粗糙集ꢁ BP 神经网络预测模型。 该模型采用 34 组实测岩层 移动样本数据进行学习训练后,对永平铜矿露天转地 下开采岩层移动角进行预测分析。 1 . 2ꢀ 预测模型构建 据《采矿设计手册:矿床开采卷》 提供的地表移 动实测资料,共筛选出 34 组实测数据作为本研究预 1 ꢀ 粗糙集ꢁBP 人工神经网络预测模型构建 [21] 测模型的学习训练和测试样本 。 对该类数据进行 1 . 1ꢀ 预测模型原理 离散化处理,结果见表 1。 粗糙集理论是一种处理不确定性信息的数学方 对表 1 进行属性约简, 决策表的相对 D 核为 COREC(D)= {n2 ,f1 ,b,h,k},属性组合 P4 = {n2 ,f1 , a,b,h,k} 为决策表的一个相对约简,用作样本集。 表 1 经属性约简后的决策表如表 2 所示,本研究将其 用于训练 BP 神经网络。 法,可有效分析和处理不精确、不完整、不一致的各种 不完 备 数 据, 并 从 中 发 现 隐 含 知 识, 揭 示 潜 在 规 17] 。 该方法以不可分辨关系为基本概念,引入上 [ 律 近似和下近似等概念来刻画知识的不确定性和模糊 性, 引 入 约 简 和 求 核 方 法 进 行 知 识 的 化 简 等 计 1. 3ꢀ 模型学习训练和测试 [ 18-20] 算 。 BP 神经网络采用误差反向传播算法调整 模型输入层经粗糙集约简后变为 6 个节点,输出 层 3 个节点,最终确定出最合理的网络结构为 6ꢁ6ꢁ3 各层神经元之间的连接权值,通过调整连接权值,实 · 97· 总第 488 期ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2017 年第 2 期 表 1ꢀ 数据离散化后的样本决策表 Table 1ꢀ Sample decision table for data discretization 样本 编号 岩石名称 岩石普氏系数 矿体 倾角 a 矿体 厚度 b 开采 深度 h 采矿方法 k 岩层移动角 上盘 n1 下盘 n2 上盘 f1 下盘 f2 上盘 β 下盘 γ 走向 δ # 1 1 2 2 2 2 2 1 2 0 0 1 2 2 2 2 2 2 2 2 2 2 2 2 0 2 2 2 2 0 0 2 2 2 2 1 2 0 2 2 0 2 2 0 0 1 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 0 0 2 2 0 2 2 2 2 3 3 2 3 0 0 1 3 3 2 3 1 0 1 1 1 1 2 2 2 2 2 2 1 1 1 1 2 2 1 2 2 2 2 3 2 2 2 2 1 0 3 3 2 2 2 2 2 2 2 2 2 2 3 3 1 1 2 1 2 2 1 1 2 2 2 2 0 2 2 1 2 2 0 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 0 2 1 2 1 1 2 2 0 0 2 2 1 3 2 1 0 1 1 1 2 2 2 2 2 2 2 1 1 2 2 1 0 1 3 0 1 3 3 0 3 2 0 1 0 1 0 1 1 1 1 1 0 0 0 1 1 1 0 1 2 0 1 1 3 2 3 1 1 2 3 4 2 4 2 1 0 3 3 0 4 4 4 2 2 2 2 0 4 4 2 2 0 0 4 3 4 4 3 0 3 2 2 3 3 4 1 1 0 4 3 3 4 0 0 1 4 2 4 2 1 2 2 3 3 1 2 2 2 4 4 2 4 4 4 2 1 2 1 2 3 2 0 0 2 1 1 1 2 2 3 3 3 2 2 2 2 2 3 2 1 2 2 2 3 3 2 3 3 3 # 2 2 4 2 4 2 1 1 4 2 2 2 2 1 1 2 1 3 3 3 1 1 1 1 1 1 1 1 3 3 0 2 2 2 # 3 # 4 # 5 # 6 # 7 # 8 # 9 # 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 # # # # # # # # # # # # # # # # # # # # # # # # BP 神经网络模型。 本研究设计了一个随机发生器程 序,产生一组ꢁ0. 5 ~ +0. 5 的随机数,作为网络的初 始权值。 最小训练速率为 0. 1,动态参数为 0. 6,允许 误差为 0. 000 01,Sigmoid 参数取 0. 9。 在训练过程中 对样本数据进行了标准化处理,通过 1 960 次迭代快 速收敛,拟合残差达到了 0. 25。 为检验模型性能,将 训练后的网络模型对 34 组实测样本数据的上盘移动 角、下盘移动角、走向移动角分别进行了预测,结果如 图 2 所示。 由图 2 可知:上盘移动角、下盘移动角、走 向移动角的预测值与实测值吻合较好,对应的方差分 别为 0. 94、0. 90、0. 81,可见本研究构建的粗糙集ꢁBP 神经网络预测模型稳定可靠。 2ꢀ 实例分析 以永平铜矿矿区露天转地下工程主采矿体(Ⅱꢁ # # # # # 4 、Ⅳ 矿体(位于 3 、7 、8 勘探线)) 为例,采用本研 究构建的粗糙集ꢁBP 神经网络模型预测该矿山开采 至ꢁ200 m 水平时对应的岩层移动角。 经粗糙集预处 理后的决策表如表 3 所示。 岩层移动角的预测结果 见表 4。 由表 4 可知:该矿山开采至ꢁ200 m 水平时,上盘 移动角为 60° ~ 65°,下盘移动角为 68° ~ 72°,走向移 动角为 72° ~ 77°。 [ 21] 分别采用工程类比法 、全苏矿山测量研究所 推荐的岩移参数确定方法、数值模拟法以及本研究模 · 98· ꢀ ꢀ ꢀ 付玉华等:岩层移动角预测的粗糙集ꢁBP 神经网络模型ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2017 年第 2 期 表 2ꢀ 属性约简后的样本决策表 Table 2ꢀ Sample decision table for attribute reduction 样本 编号 下盘岩性 上盘岩石 普氏系数 f 矿体倾角 a 矿体厚度 b 开采深度 h 采矿方法 k 岩层移动角 n 2 1 上盘 β 下盘 γ 走向 δ # 1 1 2 3 3 2 3 0 0 1 3 3 2 3 1 0 1 1 1 1 2 2 2 2 2 2 1 1 1 1 2 2 1 2 2 2 0 2 2 1 2 2 0 2 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 1 0 2 1 2 1 1 2 2 0 0 2 2 1 3 2 1 0 1 1 1 2 2 2 2 2 2 2 1 1 2 2 1 0 1 3 0 1 3 3 0 3 2 0 1 0 1 0 1 1 1 1 1 0 0 0 1 1 1 0 1 2 0 1 1 3 2 3 1 1 2 3 4 2 4 2 1 0 3 3 0 4 4 4 2 2 2 2 0 4 4 2 2 0 0 4 3 4 4 3 0 3 2 2 3 3 4 1 1 0 4 3 3 4 0 0 1 4 2 4 2 1 2 2 3 3 1 2 2 2 4 4 2 4 4 4 2 1 2 1 2 3 2 0 0 2 1 1 1 2 2 3 3 3 2 2 2 2 2 3 2 1 2 2 2 3 3 2 3 3 3 # 2 2 0 2 2 0 2 2 0 0 1 2 2 0 2 2 2 2 2 2 2 2 2 2 2 2 0 0 2 2 0 2 2 2 2 4 2 4 2 1 1 4 2 2 2 2 1 1 2 1 3 3 3 1 1 1 1 1 1 1 1 3 3 0 2 2 2 # 3 # 4 # 5 # 6 # 7 # 8 # 9 # 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 # # # # # # # # # # # # # # # # # # # # # # # # 图 2ꢀ 样本实测值与预测值对比 Fig. 2ꢀ Comparison of the actual measurement results and prediction results ◆ ■ —实测值; —预测值 · 99· 总第 488 期ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 金ꢀ ꢀ 属ꢀ ꢀ 矿ꢀ ꢀ 山ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2017 年第 2 期 表 3ꢀ 粗糙集预处理后的决策表 Table 3ꢀ Decision table for the pretreatment of rough set 上盘岩 试,建立了包含下盘岩性、上盘岩石普氏系数、矿体倾 角、矿体厚度、开采深度及采矿方法等 6 个因素的永 平铜矿矿区岩层移动角预测的粗糙集ꢁBP 神经网络 模型。 试验表明,该模型收敛速度快,分类精度高,预 测结果的可靠性略优于已有的几类预测方法。 下盘 岩性 n2 矿体 矿体 开采 采矿 倾角 厚度 深度 方法 石普氏 系数 f1 矿ꢀ 体 a b h k # # Ⅱ ꢁ4 (3 线) 2 2 2 2 2 2 0 2 0 2 1 3 1 2 2 2 3 3 3 3 2 0 4 0 0 0 # # Ⅳ (3 线) 1 2 1 1 参ꢀ 考ꢀ 文ꢀ 献 # # ꢁ4 (7 线) Ⅱ [ 1]ꢀ 郭文兵,邓喀中,邹友峰. 岩层移动角选取的神经网络方法研究 J]. 中国安全科学学报,2003,13(9):69-73. # # (7 线) Ⅳ [ # # Ⅱ ꢁ4 (8 线) Guo Wenbing,Deng Kazhong,Zou Youfeng. Study on artificial neural network method for calculation of displacement angle of strata[ J]. China Safety Science Journal,2003,13(9):69-73. ꢀ ꢀ 表 4ꢀ 开采至ꢁ200 m 水平时的岩层移动角预测值 Table 4ꢀ Prediction results of strata movement angle when mining to ꢁ200 m level [ 2]ꢀ 刘ꢀ 钦,刘志祥,李地元,等. 金属矿床开采岩层移动角预测知 识库模型及其工程应用[J]. 中南大学学报:自然科学版,2011 (8):2446-2452. 岩层移动角/ (°) 矿ꢀ 体 上盘 61. 11 65. 51 64. 18 65. 48 54. 23 下盘 71. 73 68. 63 72. 00 68. 06 60. 53 走向 Liu Qin,Liu Zhixiang,Li Diyuan,et al. Knowledge bank model to predict motion angle of terrene in metal deposit and its application in engineering[ J]. Journal of Central South University: Science and Technology Edition,2011(8):2446-2452. # # Ⅱ ꢁ4 (3 线) 72. 120 76. 868 72. 630 74. 160 70. 100 # # (3 线) Ⅳ # # Ⅱ ꢁ4 (7 线) # # (7 线) # # ꢁ4 (8 线) Ⅳ [ 3]ꢀ 戴华阳,郭俊廷,易四海,等. 特厚急倾斜煤层水平分层开采岩 层及地表移动机理[J]. 煤炭学报,2013(7):1109-1115. Dai Huayang,Guo Junting,Yi Sihai,et al. The mechanism of strata and surface movements induced by extra-thick steeply inclined coal seam applied horizontal slice mining[J]. Journal of China Coal Soci- ety,2013(7):1109-1115. Ⅱ 型(分别记为方法 1、方法 2、方法 3、方法 4)对永平铜 # # 矿Ⅱꢁ4 、Ⅳ 矿体开采至ꢁ200 m 时的岩层移动角进 行预测,结果见表 5。 表 5ꢀ 岩层移动角预测值对比 Table 5ꢀ Comparison of the prediction results of strata movement angles [ 4]ꢀ 王ꢀ 强,郭广礼. 基于 GM(1,1)模型的岩层移动预测[J]. 金属 矿山,2010(2):35-37. Wang Qiang,Guo Guangli. Prediction of strata movement based on GM(1,1) model[J]. Metal Mine,2010(2):35-37. 岩层移动角/ (°) 预测方法 上盘 60 下盘 65 走向 70 [5]ꢀ 高ꢀ 栗,李夕兵,张楚璇. 地下金属矿山岩层移动角选取的进化 支持向量机模型及工程应用[ J]. 采矿与安全工程学报,2014 1 2 3 4 59 66 67 ( 5):795-802. 64 66 71 Gao Li,Li Xibing,Zhang Chuxuan. Nonlinear SVM with GA in de- termination of the motion angle of terrene in underground metal mine and its application in engineering[ J]. Journal of Mining & Safety Engineering,2014(5):795-802. 62 68 73 ꢀ ꢀ 方法 1、方法 2 具有操作简单、计算速度快等优 点,但考虑因素不全面,预测精度易受人为因素影响; 方法 3 的预测精度在很大程度上受介质参数和本构 模型精度的影响。 本研究模型相对于其余 3 类方法 而言,优势在于:①变量选择更为科学合理,在众多岩 层移动影响因素中,通过属性约简删除冗余因素,既 确保了预测精度,又简化了网络结构;②克服人为主 观因素的影响,通过 BP 神经网络建立映射关系,使 得预测结果更加客观。 尽管本研究模型与其余 3 类 方法的预测结果较接近,但该模型预测结果的可靠性 略优于其余 3 类方法。 [ [ 6]ꢀ 东龙宾,王少泉,金长宇,等. 崩落法开采岩层移动影响因素的 数值模拟[J]. 金属矿山,2015(9):40-44. Dong Longbin,Wang Shaoquan,Jin Changyu,et al. Numerical simu- lation of factors affecting strata movement caused by caving method [ J]. Metal Mine,2015(9):40-44. 7]ꢀ 王小华,胡海峰,廉旭刚. 采动岩层移动变形的负指数预计方法 研究[J]. 煤炭工程,2015,48(4):82-85. Wang Xiaohua, Hu Haifeng, Lian Xugang. Negative exponential function prediction method for mining-induced movement and de- formation of overlying strata[J]. Coal Engineering,2015,48(4):82- 85. [ 8]ꢀ 程关文,陈从新,沈ꢀ 强,等. 程潮铁矿地下开采引起岩层移动 机制初探[J]. 岩土力学,2014,35(5):1421-1429. 3 ꢀ 结ꢀ 语 将粗糙集理论与 BP 神经网络相结合,构建了矿 Cheng Guanwen, Chen Congxin, Shen Qiang, et al. Mechanism of rock strata movement caused by underground mining in Chengchao i- ron mine[J]. Rock and Soil Mechanics,2014,35(5):1421-1429. 山岩层移动角的粗糙集ꢁBP 神经网络预测模型。 该 模型通过采用 34 组实测样本数据进行学习训练和测 · 100· ꢀ ꢀ ꢀ 付玉华等:岩层移动角预测的粗糙集ꢁBP 神经网络模型ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ 2017 年第 2 期 [ 9]ꢀ 李ꢀ 猛,张吉雄,缪协兴,等. 固体充填体压实特征下岩层移动 规律研究[J]. 中国矿业大学学报,2014,43(6):969-974. Li Meng,Zhang Jixiong,Miao Xiexing,et al. Strata movement under compaction of solid backfill body[J]. Journal of China University of Mining & Technology,2014,43(6):969-974. 中南大学学报:自然科学版,2011(10):3189-3194. Jiang Anlong,Qi Yuliang. Method of rough sets-back propagation neural network and its application to identification of surrounding rock stability[J]. Journal of Central South University:Science and Technology Edition,2011(10):3189-3194. [ [ [ [ [ 10]ꢀ 孔素丽,庞庆刚. 厚冲积层大采深条件下的地表岩层移动规律 探讨[J]. 金属矿山,2015(5):201-204. [17]ꢀ 赵国强,丁柏闻,丁紫佩,等. 粗糙集与支持向量机在采空区自 然发火预测中的应用研究[ J]. 计算机测量与控制,2013,21 (4):880-883. Kong Suli,Pang Qinggang. Discussion on ground movement and de- formation of the thick unconsolidated layers under the great mining depth[J]. Metal Mine,2015(4):201-204. Zhao Guoqiang,Ding Baiwen,Ding Zipei,et al. Research on appli- cation of rough set and support vector machine in prediction of spontaneous combustion in caving zone[J]. Computer Measurement & Control,2013,21(4):880-883. 11]ꢀ 夏开宗,陈从新,付ꢀ 华,等. 金属矿山崩落采矿法引起的岩层 移动规律分析[J]. 岩土力学,2016,37(5):1434-1440. Xia Kaizong, Chen Congxin, Fu Hua, et al. Analysis of law of ground deformation induced by caving mining in metal mines[J]. Rock and Soil Mechanics,2016,37(5):1434-1440. [18]ꢀ 苗夺谦,李道国. 粗糙集理论、算法与应用[M]. 北京:清华大学 出版社,2008. Miao Duoqian,Li Daoguo. Rough Set Theory,Algorithm and Appli- cation[M]. Beijing:Tsinghua University Press,2008. [19]ꢀ 王金秋,李为相,朱承飞. 基于粗糙集和 BP 神经网络的石化管 道外腐蚀程度预测应用[J]. 计算机测量与控制,2015,23(1): 266-269. 12]ꢀ 李振华,许延春,李龙飞,等. 基于 BP 神经网络的导水裂隙带 高度预测[J]. 采矿与安全工程学报,2015,32(6):905-910. Li Zhenhua,Xu Yanchun,Li Longfei,et al. Forecast of the height of water flowing fractured zone based on BP neural networks[J]. Jour- nal of Mining & Safety Engineering,2015,32(6):905-910. 13]ꢀ 胡ꢀ 军,董建华,王凯凯,等. 边坡稳定性的 CPSOꢁBP 模型研 究[J]. 岩土力学,2016(S):577-590. Wang Jinqiu, Li Weixiang, Zhu Chengfei. Application on petro- chemical pipeline outside corrosion prediction based on RS and BPNN[J]. Computer Measurement & Control,2015,23(1):266- 269. Hu Jun,Dong Jianhua,Wang Kaikai,et al. Research on CPSO-BP model of slope stability[ J]. Rock and Soil Mechanics,2016( S): [20]ꢀ 马晨阳,吴ꢀ 立,周玉纯. 基于粗糙集理论 BP 网络的地铁深基 坑监控预测分析与优化[J]. 施工技术,2016,45(13):50-54. Ma Chenyang,Wu Li,Zhou Yuchun. Analysis and optimization of the application of RS-BP neural network in prediction of deep sub- way foundation excavation monitoring[ J]. Construction Technolo- gy,2016,45(13):50-54. 577-590. 14]ꢀ 王开禾,罗先启,沈ꢀ 辉,等. 围岩力学参数反演的 GSAꢁBP 神 经网络模型及应用[J]. 岩土力学,2016(S):631-638. Wang Kaihe,Luo Xianqi,Shen Hui,et al. GSA-BP neural network model for back analysis of surrounding rock mechanical parameters and its application[J]. Rock and Soil Mechanics,2016( S):631- [21]ꢀ 付玉华. 露天转地下开采岩体稳定性及岩层移动规律研究 [D]. 赣州:江西理工大学,2010. 638. [ [ 15]ꢀ 朱大奇,史ꢀ 慧. 人工神经网络原理及应用[M]. 北京:科学出 版社,2006. Fu Yuhua. Study on the Stability of Rock Mass and the Movement of Rock Strata in Open-pit Mining to Underground Mining[ D]. Ganzhou:Jiangxi University of Science and Technology,2010. Zhu Daqi,Shi Hui. The Principle and Application of Artificial Neu- ral Network[M]. Beijing:Science Press,2006. ( 责任编辑ꢀ 王小兵) 16]ꢀ 姜安龙,戚玉亮. 粗糙集ꢁBP 神经网络组合方法及其应用[J]. · 101·
  • 中矿传媒与您共建矿业文档分享平台下载改文章所需积分:  5
  • 现在注册会员立即赠送 10 积分


皖公网安备 34050402000107号