首页资料文库正文

人工神经网络范文10篇

时间：2023-03-29 10:44:22

人工神经网络

人工神经网络范文篇1

人工神经网络(AartificialNeuralNetwork，下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法(BP算法，BackPropagation)，它的网络结构及算法直观、简单，在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制)，在实时工业控制执行程序中较为有效［3］。人工神经网络(ANN)和模糊逻辑(FuzzyLogic)的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。

因此，对于电力系统这个存在着大量非线性的复杂大系统来讲，ANN理论在电力系统中的应用具有很大的潜力，目前已涉及到如暂态，动稳分析，负荷预报，机组最优组合，警报处理与故障诊断，配电网线损计算，发电规划，经济运行及电力系统控制等方面［5］。

本文介绍了一种基于人工神经网络(ANN)理论的保护原理。

1人工神经网络理论概述

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。图1是人工神经Ui的结构模型，图中Ui为神经元内部状态，Qi为门槛值，Yi为输出信号，Xi(i=1,2,…，n)为神经元接收信号。该模型可表示为：

式中Wji——连接权值。

BP算法的神经网络图形如图2所示，设网络的输入模块为p，令其作用下网络输出单元j的输出为Opj。如果输出的希望值是Tpj，则其误差为Dpj=Tpj－Opj。若输入模块的第i个单元输入为Ipi，则就输入模块p而言，输入接点I与输出接点j之间的权值变化量为：

ΔWpji=zDpjIpi

式中，z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值［6］。其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。

在神经网络投运前，就应用大量的数据，包括正常运行的、不正常运行的，作为其训练内容，以一定的输入和期望的输出通过BP算法去不断修改网络的权值。在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。

2神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络(ANN)与专家系统(ES)融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。

如图3所示，装置可直接取线路及其周边的模拟量、数字量，经模式特征变换输入给神经网络，根据以前学习过的训练材料，对数据进行推理、分析评价、输出。专家系统对运行过程控制和训练，按最优方式收集数据或由分析过程再收集控制，对输出结果进行评估，判别其正确性、一致性，作出最终判决，经变换输出，去执行机构。即使是新型保护，也会存在着某些功能模块不正确动作的可能，这时可以过后人为干预扩展专家系统数据库或由专家系统作出判别，作为训练样本训练ANN的这部分功能模块，改变其某些网线的权值，以使下次相同情况下减少不正确动作的可能。

下面是一个简单的ANN线路保护例子。当电力系统故障时，输电线路各相、各序电压、电流也随之发生变化，特别是故障后故障相的相电压和相电流，以及接地系统在接地故障的零序电流的变化有明显的代表性。比如选输入层神经元个数为14个，分别是Uar，Uai，Ubr，Ubi，UcrUci，Iai，Ibr，Ibi，Icr，Ici，Ior，Ioi(下标r和i分别代表实部与虚部)，选定输出层神经元个数为5个：YA(A相)，YB(B相)，YC(C相)，YO(接地)，YF(方向)，各输出值为1，代表选中；输出值为0，代表没选中(YF为0代表反向)。这5个输出完全满足线路方向保护的需求(没考虑正向超越)，隐含层神经元数目为2N+1(N为输入层神经元数目)。训练样本集包含14个输入变量和5个输出变量，而测试样本集中的样本则只有14个输入变量。选图4的双侧电源系统作研究对象，输电线路、系统的等值正、零序参数如图4所示。

考虑的故障类型包括单相接地(K1)，两相短路(K2)，两相接地(K1—1)，三相短路(K3)。

对图4所示的500kV双侧电源系统的各种运行方式和故障情况建立训练样本。

在正常状态下，令h∠δ=(EM)/(EN)，h=1，δ

随负荷变化，取为－60°，－50°，－40°，－30°，－20°，－10°，0°，10°，20°，30°，40°，50°，60°，有13个样本。故障情况下，δ取值为－60°，－30°，0°，30°，60°，故障点选反向出口(－0km)，正向出口(+0km)，线路中部(150km)，线末(300km)。接地电阻Rg取值0Ω，50Ω，100Ω，150Ω，200Ω，相间电阻Rp取值0Ω，25Ω，50Ω，则共有5×4×(5+3+5×3+3)=520个样本。每个样本的5个输出都有一组期望的输出值，以此作为训练样本。而实际运行、故障时，保护所测到的电流、电压极少直接与样本相同，此时就需要用到模糊理论，规定某个输出节点。如YA(A相)在某一取值范围时，则被选中。

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行(如反措)。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。

3结论

本文基于现代控制技术提出了人工神经网络理论的保护构想。神经网络软件的反应速度比纯数字计算软件快几十倍以上，这样，在相同的动作时间下，可以大大提高保护运算次数，以实现在时间上即次数上提高冗余度。

一套完整的ANN保护是需要有很多输入量的，如果对某套保护来说，区内、区外故障时其输入信号几乎相同，则很难以此作为训练样本训练保护，而每套保护都增多输入量，必然会使保护、二次接线复杂化。变电站综合自动化也许是解决该问题的一个较好方法，各套保护通过总线联网，交换信息，充分利用ANN的并行处理功能，每套保护均对其它线路信息进行加工，以此综合得出动作判据。每套保护可把每次录得的数据文件，加上对其动作正确性与否的判断，作为本身的训练内容，因为即使有时人工分析也不能区分哪些数据特征能使保护不正确动作，特别是高频模拟量。

神经网络的硬件芯片现在仍很昂贵，但技术成熟时，应利用硬件实现现在的软件功能。另外，神经网络的并行处理和信息分布存储机制还不十分清楚，如何选择的网络结构还没有充分的理论依据。所有这些都有待于对神经网络基本理论进行深入的研究，以形成完善的理论体系，创造出更适合于实际应用的新型网络及学习算法［5］。

参考文献

1陈炳华．采用模式识别(智能型)的保护装置的设想．中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2RobertE.Uhrig．ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans,1994,10(3)．(1):371～377

3LeeTH,WangQC,TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans,1993，3(2)．(3)：190～197

4ChowMo-Yuen.TheAdvantageofMachineFaultDetectionUsingArtificialNeuralNetworksandFuzzyLogicTechnology.IEEETrans,1992,5(6).(2)：1078～1085

人工神经网络范文篇2

现通过对时用水量变化规律的研究，提出以神经网络法预测城市短期用水量。

1城市供水管网用水量变化规律

在我国城市供水系统中，用水量一般包括居民生活用水、工矿企业生产用水和公共事业用水等。同一城市在一天内的不同时段，用水量会发生显著变化。

虽然城市用水量的变化受气候、生活习惯、生产和生活条件等诸多因素的影响，变化情况也较为复杂，但通过分析不难发现：城市用水量曲线呈现三个周期性的变化，即：一天(24h)为一个周期、一星期(7d)为一个周期、一年(365d)为一个周期，并受增长因素(人口增长，生产发展)的影响。若将预测时段取为1h，则季节因素和增长因素的影响就显得十分缓慢，因此管网时用水量的变化具有两个重要特征：随机性和周期性。

2人工神经网络模型

采用目前应用最广泛的多层前馈神经网络模型(BP模型)来预测用水量。BP网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由若干个神经元组成。最基本的三层BP神经网络的结构如图1所示。隐含单元与输入单元之间、输出单元与隐含单元之间通过相应的传递强度逐个相互联结，用来模拟神经细胞之间的相互联结［1～4］。

BP神经网络采用误差反馈学习算法，其学习过程由正向传播(网络正算)和反向传播(误差反馈)两部分组成。在正向传播过程中，输入信息经隐含单元逐层处理并传向输出层，如果输出层不能得到期望的输出，则转入反向传播过程，将实际值与网络输出之间的误差沿原来的联结通路返回，通过修改各层神经元的联系权值而使误差减小，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。

假设BP网络每层有N个处理单元，训练集包括M个样本模式对(Xk，Yk)。对第p个训练样本p，单元j的输入总和记为netpj,输出记为Opj，则：

如果任意设置网络初始权值，那么对每个输入模式p，网络输出与期望输出一般总有误差，定义网络误差EP：

式中dPj——对第p个输入模式输出单元j的期望输出

可改变网络的各个权重Wij以使EP尽可能减小，从而使实际输出值尽量逼近期望输出值，这实际上是求误差函数的极小值问题，可采用梯度最速下降法以使权值沿误差函数的负梯度方向改变。

BP算法权值修正公式可以表示为：

式中δpj——训练误差

t——学习次数

η——学习因子

f′——激发函数的导数

η取值越大则每次权值的改变越剧烈，这可能导致学习过程发生振荡，因此为了使学习因子的取值足够大而又不致产生振荡，通常在权值修正公式中加入一个势态项［5］，得：

式中α——常数，势态因子

α决定上一次学习的权值变化对本次权值新的影响程度。

3时用水量预测

3.1方法

利用BP神经网络预测时用水量分为三大步骤：第一步为训练样本的准备和归一化，第二步为神经网络的训练，第三步是利用训练后的神经网络对用水量进行预测［6］。

由于用水量的数值较大，应对其进行一定的预处理，一般可采用初值化、极值化或等比变换。通过这些变换可有效地缩短神经网络训练时间，从而加快网络收敛速度。

3.2实例

采用华北某市2000年24h用水量的实测数据进行预测。在应用神经网络预测模型预测时用水量时，建立了时用水量数据库，共收集了240个样本，每个样本包括24h的时用水量资料。

通过选取不同的输入样本数及不同的隐层单元个数来比较其训练与预测结果的最大相对误差、均方差、程序运行时间以决定网络的结构。经过比较，最后决定采用一个隐层、12个隐层单元、24个输出单元的BP网进行训练,训练过程中均采用24h的时用水量作为输入与输出节点(即Opi与Opj)。

由于时用水量变化具有趋势性、周期性及随机扰动性的特点，故预测样本的变化规律将直接影响预测结果的变化趋势，所以在预测时应根据预测对象的情况，选择适当的样本进行预测。

①预测次日24h的时用水量(或某一时刻的用水量)

a.如果这一天处于工作日则选取上一工作日的用水量作为输入样本进行训练，然后预测次日的时用水量。预测结果见图2，与实际用水量的相对误差为-0.02%～0.01%。

b.如果预测日为周末(即周六或周日)则选取前一周(包括上周周末)的实测数据进行训练以使预测更加准确，预测结果见图3。与实际用水量的相对误差为-2%～1%。

②预测一个月的时用水量

可以选取上个月的数据进行训练，也可以选取去年或连续几年同月的时用水量进行预测，不过训练样本数越大、训练时间越长则预测精度越高。预测结果见图4，与实际用水量的相对误差在±1%以内。

3.3预测效果比较

为了考察神经网络模型对城市时用水量的预测效果，同时采用时间序列三角函数分析法、灰色系统理论预测法、小波分析法对上述实例进行了预测，结果表明：时间序列三角函数分析法的预测误差一般为±5%～±7%；灰色系统理论预测法的预测误差大一些，为±5%～±50%；小波分析法误差范围为0%～±25%；而神经网络的最大误差不超过±1%。

可见，神经网络方法对城市时用水量的预测效果明显好于其他方法。

4结语

人工神经网络是一门新兴的交叉学科，利用BP网络进行预测能拟合任意的非线性函数并且具有准确、简单等特点，实际应用结果表明，用它来预测时用水量是可行的。

参考文献：

［1］HaganMT,MenhajMB.TrainingfeedforwardnetworkswithMarquartalgorithm［J］.IEEETransonNeuralNetworks,1994,5(6):989-993.

［2］KanadChakraborty,ChilukuriKMohan.Forecastingthebehaviorofmultivariatetimeseriesusingneuralnetworks［J］.NeuralNetworks,1992，(5)：961-970.

［3］SietsmaJ，DowRJF.Backpropagationnetworksthatgeneralize［J］.NeuralNetworks,1999，(12)：65-69.

［4］邵良彬，高树林.基于人工神经网络的投资预测［J］.系统工程理论与实践，1997，17(2)：67-71.

人工神经网络范文篇3

人工神经网络（AartificialNeuralNetwork，下简称ANN）是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年，已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型，后被冷落了一段时间，80年代又迅猛兴起［1］。ANN之所以受到人们的普遍关注，是由于它具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力。其中研究得最为成熟的是误差的反传模型算法（BP算法，BackPropagation），它的网络结构及算法直观、简单，在工业领域中应用较多。

经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测某些部件的疲劳寿命［2］。非线形神经网络补偿和鲁棒控制综合方法的应用（其鲁棒控制利用了变结构控制或滑动模控制），在实时工业控制执行程序中较为有效［3］。人工神经网络（ANN）和模糊逻辑（FuzzyLogic）的综合，实现了电动机故障检测的启发式推理。对非线形问题，可通过ANN的BP算法学习正常运行例子调整内部权值来准确求解［4］。

本文介绍了一种基于人工神经网络（ANN）理论的保护原理。

1、人工神经网络理论概述

BP算法是一种监控学习技巧，它通过比较输出单元的真实输出和希望值之间的差别，调整网络路径的权值，以使下一次在相同的输入下，网络的输出接近于希望值。

2、神经网络型继电保护

神经网络理论的保护装置，可判别更复杂的模式，其因果关系是更复杂的、非线性的、模糊的、动态的和非平稳随机的。它是神经网络（ANN）与专家系统（ES）融为一体的神经网络专家系统，其中，ANN是数值的、联想的、自组织的、仿生的方式，ES是认知的和启发式的。

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

ANN保护装置出厂后，还可以在投运单位如网调、省调实验室内进行学习，学习内容针对该省的保护的特别要求进行（如反措）。到现场，还可根据该站的干扰情况进行反误动、反拒动学习，特别是一些常出现波形间断的变电站内的高频保护。

3、结论

参考文献

1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

人工神经网络范文篇4

水工隧洞一般都有过水要求，加上其复杂的地质条件，因此正确的进行围岩分类后采取相应的支护措施将对保证隧洞稳定性起决定性的作用。围岩分类是一类非线性的综合判定问题，用人工神经网络方法来判别水工隧洞围岩类别是一种新的尝试和新的方法。

1．围岩分类的判定依据

水工隧洞围岩工程地质分类应以控制围岩稳定的岩石强度、岩体完整程度、张开度、地下水力状态和主要结构面产状等五项因素综合评分为依据，围岩强度应力比为限定依据，见表1。

表1围岩工程地质分类依据

指标名称评价因素

岩石强度（A1）采用岩块的单轴抗压强度（MPa）

岩体完整程度（A2）采用完整性系数Kv

张开度（A3）考虑结构面的连续性、粗糙度和充填物

地下水状态（A4）考虑地下水的发育程度，用单位洞长单位时间的涌水量

主要结构面产状（A5）采用结构面走向与洞轴线的夹角

以上五个因素是控制围岩稳定性的主要因素，围岩的分类标准见表2。

表2围岩工程地质分类标准

评价因素围岩类别

Ⅰ（稳定）Ⅱ（基本稳定）Ⅲ（局部稳定性差）Ⅳ（不稳定）Ⅴ（极不稳定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞围岩分类的人工神经网络模型

神经网络系统是由大量的、简单的处理单元广泛的互相连接而形成的复杂的网络系统。人工神经网络模型最基本的有两大类：一类是以Hopfield网络模型为代表的反馈型模型，它具有非线性和动态性；另一类是以多层感知器为基础的前馈模型。其中BP(BackPropagation)网络是目前应用最广泛的多层前馈神经网络模型。本文采用BP网络模型。

2．1BP神经网络模型及其算法

BP神经网络由输入层、隐含层和输出层三层感知器组成，每层由若干个神经元组成。输入层接受信息，传入到隐含层，经过作用函数后，再把隐结点的输出信号传到输出层输出结果。节点的作用函数选用Sigmoid函数，即：

（1）

BP神经网络采用误差逆传播反学习算法。学习过程由正向传播和反向传播组成。在正向传播过程中，输入信号由输入层经隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到一个期望的输出，则转向反传播，将输出信号的误差按原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小，得到合适的网络连接权后，便可对新的样本进行识别。BP网络学习过程具体步骤如下：

（1）初始化，设置网络结构，赋初始权值；

（2）为网络提供一组学习样本，包括M个样本对（），输入向量，输出向量，n、m分别为输入层和输出层神经元个数，；

（3）对每个学习样本P进行（4）~（8）；

（4）逐层正向计算网络各节点的实际输出：

(2)

其中，为神经元i、j之间的权值；为前层第i个神经元的实际输出，为式（1）给出的函数；

（5）计算网络输出误差：

第P个样本的输出误差为(3)

其中，，分别为输出层第j个神经元的期望输出和实际输出。

网络总误差为；(4)

（6）当E小于允许误差或达到指定迭代次数时，学习过程结束，否则进行误差逆向传播，转向（7）；

（7）逆向逐层计算网络各节点误差：

对于输出层，(5)

对于隐含层，(6)

其中代表后层第个神经元。

（8）修正网络连接权：，其中为学习次数，为学习因子，值越大，产生的振荡越大。通常在权值修正公式中加入一个势态项，变成：

(7)

其中，a称为势态因子，它决定上次学习的权值变化对本次权值更新的影响程度。

2．2围岩分类的BP模型

在以表2中数据为基础进行网络训练前，须对表中指标作如下处理：Ⅰ、Ⅴ类对应的指标取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ类对应的指标取其平均值。作上述处理后，可以得到网络训练模型的5个学习样本，如表3。

表3围岩类别识别模型的学习样本

类别样本类别A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5个类别样本作为神经网络的学习样本，在输入层和隐含层各设置一个特殊单元作为阈值单元，其值设为1。模型结构如下图1所示。

图1围岩类别分类的BP网络模型

设围岩类别为P1、P2、P3、P4、P5这5个类别样本的预期输出矢量，各分量定义为

网络训练时，当所有样本在网络输出节点的实际输出与网络期望输出之间的最大误差小于预先给定的常数，即时学习结束。

网络经过15000次训练，每个样本的网络输出与期望输出最大误差为0.2，绝大部分在0.1之内。应用训练后的BP模型划分新的围岩类别样本，等判定围岩类别样本W经网络变换后输出O与各期望输出比较，设，。

如果，则，，即隧洞围岩类别样本属于级。

3．沙湾隧洞的围岩分类应用实例

东深供水改造工程沙湾隧洞位于深圳市北东面内15公理处，区域地势东高西低。工程区域周围沉积岩、岩浆岩和变质岩三大岩类均有出露。隧洞线路地带分布的地层，除洞口沟谷部位为第四系松散堆积层外，其余均为侏罗系中统塘夏群碎屑岩，基本为单斜构造，但末端因受深圳断裂带影响，岩层产状较为紊乱，地质条件复杂多变。

隧洞开挖后，测得三种围岩地段的力学性质和环境条件，取三个样本为a、b、c。用BP人工神经网络判定该工程隧洞围岩类别。

根据水利水电工程地质勘察规范，隧洞围岩类别分为5级：Ⅰ（稳定）、Ⅱ（基本稳定）、Ⅲ（局部稳定性差）、Ⅳ（不稳定）、Ⅴ（极不稳定）。对照学习样本各特征变量，用训练好的BP模型对a、b、c三个样本进行判定，其结果见表4。

表4沙湾隧洞三组样本实测指标与围岩类别判定结果

指标名称实测指标值

abc

岩石强度（A1）2845100

岩体完整程度（A2）0.220.50.55

张开度（A3）341

地下水状态（A4）1208025

主要结构面产状（A5）305060

围岩类别判定结果ⅤⅣⅢ

4．结论

水工隧洞围岩类别判定，不仅影响因素多，而且具有很大的模糊性和不确定性。人工神经网络是一门新兴的交叉学科，它具有联想、记忆功能和判别识别的模糊性等优点，用它来进行围岩类别分类，不需对输入输出指标的关系作任何假设，这种关系是神经网络从实例中自适应学习而获得的，大大减少了人为因素的影响，省去了事后的经验判断。实践证明，它在理论和应用上都是可行的和有实际意义的。

参考文献

人工神经网络范文篇5

关键词：机器学习；神经网络；人工智能

1引言

预测模型在各种领域被用于分析和预测。预测模型都是从真实的数据样本中建立的，这些样本数据可以根据一系列规则进行预处理和转格式，普遍用于基于知识的专家系统，或者作为统计和机器学习的训练数据集。目前在机器学习中较受欢迎的是统计学习方法[1-3]和人工神经网路[4,5]。虽然这两种模型分别来自于统计学和计算机学，但同时也具有一定的相似性。在本文我们给出了统计学习方法和人工神经网络的在模式统计识别中共同点，并且说明为何神经网络可以看做是统计学习的总结。目前预测模型算法已经有不少现成的实现，既有免费的也有商业的软件可用于测试。通过测试发现所获取的结果主要依赖于三个因素：模型构建的数据集的质量、所调整的模型参数和用于计算模型处理结果的评价标准。在总结中，我们指出判断这些预测模型测试结果的好坏所影响的因素。

2统计学习中的典型算法

支持向量机和k近邻都是统计学习中的典型算法。支持向量机是从统计学习理论思想的一种实现，其工作是从数据集中建立具有一致性的评价器。支持向量机关系的问题是：一个模型如何根据仅仅给出的特征集和训练数据集在未知的数据集中进行预测？在算法上，支持向量机通过解决约束二次优化问题在数据集中建立最佳的分界线。通过使用不同的核心函数，可以使模型包含不同程度的非线性和灵活性。因为他们可以从不同的高级统计思想中衍生出来，并且在模型计算时不会出现统计错误，因此支持向量机在过去的几年都引起了大量的研究者的兴趣。支持向量机的劣势在于分类的是纯粹的二分法，不会给出潜在的其他类别。K近邻算法与其他方法不同的是k近邻算法把数据直接用于分类，而且并不需要预先构建模型。这样便不需要考虑模型构建的细节，并且在算法中需要考虑调整的参数只有k，其中k是在评估类别时候需要包含的近邻的数量：p(y|x)的计算值是在x的k近邻中属于y类别的成员数量的比值。通过改变k，模型的灵活性可以相对提高和降低。k近邻与其他算法相比的优势在于近邻可以提供分类结果的解释，在黑盒模型不足的时，这种基于实例的解释更具有优势。而k近邻的主要缺点在于近邻的计算中：为了计算近邻需要定义一个量度计算不同原子数据之间的距离。在大部分应用领域中，如何这种方式定义的量度并不清晰，只能通过尝试和失败，根据相对重要的并不确定是否能反应量度的数据来定义量度。

3人工神经网络与统计学习的对比总结

神经网络与统计学习方法不同的是神经网络需要进行模型的计算。神经网络的主要识别过程包括两个：训练模型和根据模型进行预测。与其他机器学习方法不同的是，神经网络具有非常特别的结构，在这个结构中，有输入层、输出层和至少一个隐藏层。但与其他机器学习方法一样的是：构建模型的目的都是找出其参数的最佳值。绝大部分机器学习的算法都是使用梯度下降法把损失函数的结果最小化并且在每次迭代的过程都能找到更合适的参数值。神经网络最重要的组成部分是“神经元”，每个神经元可以看做是一个函数，可以向神经元输入数据，神经元会输出相应结果，神经网络往往具有众多神经元。一种特殊情况是，当人工神经网络只有一个“神经元”，在这种情况下，神经网络与逻辑回归算法是一样的。

在应用上，神经网络往往用于多类别分类问题，例如给图片根据数字、字母、人物、汽车等等进行分类。而上述的支持向量机和k近邻算法都只能进行二值分类。

参考文献：

[1]HearstMA,DumaisST,OsunaE,etal.Supportvectormachines[J].IEEEIntelligentSystemsandtheirapplications,1998,13(4):18-28.

[2]TaravatA,DelFrateF,CornaroC,etal.Neuralnetworksandsupportvectormachinealgorithmsforautomaticcloudclassificationofwhole-skyground-basedimages[J].IEEEGeoscienceandremotesensingletters,2015,12(3):666-670.

[3]WeinbergerKQ,BlitzerJ,SaulLK.Distancemetriclearningforlargemarginnearestneighborclassification[C]//Advancesinneuralinformationprocessingsystems.2006:1473-1480.

[4]WanEA.Neuralnetworkclassification:ABayesianinterpretation[J].IEEETransactionsonNeuralNetworks,1990,1(4):303-305.

人工神经网络范文篇6

本文介绍了一种基于人工神经网络(ANN)理论的保护原理。

1人工神经网络理论概述

式中Wji——连接权值。

ΔWpji=zDpjIpi

式中，z是某一个常数。当反复迭代该式时，便可使实际值收敛于目标值［6］。其中隐含层既有输入网线，又有输出网线，每一个箭头都有一定的权值。

2神经网络型继电保护

考虑的故障类型包括单相接地(K1)，两相短路(K2)，两相接地(K1—1)，三相短路(K3)。

对图4所示的500kV双侧电源系统的各种运行方式和故障情况建立训练样本。

在正常状态下，令h∠δ=(EM)/(EN)，h=1，δ

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

3结论

参考文献

1陈炳华．采用模式识别(智能型)的保护装置的设想．中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2RobertE.Uhrig．ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans,1994,10(3)．(1):371～377

3LeeTH,WangQC,TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans,1993，3(2)．(3)：190～197

4ChowMo-Yuen.TheAdvantageofMachineFaultDetectionUsingArtificialNeuralNetworksand

FuzzyLogicTechnology.IEEETrans,1992,5(6).(2)：1078～1085

人工神经网络范文篇7

1评价体系建立的原则依据化工行业的安全评价体系依赖于化工行业的生产实际情况，利用模糊评判模型方法及层次分析法进行综合分析。综合分析依赖于3个方面：（1）化工企业安全文化评价指标；（2）化工企业安全文化指标；（3）化工企业安全文化指标权重。对于要构建的化工企业安全管理评价指标体系这样一个复杂的工程，要求涵盖现在化工企业安全管理的多方面内容。我们这里从六个方面来构建：（1）企业安全物质文化；（2）企业安全行为文化；（3）企业安全制度文化；（4）企业安全观念文化；（5）企业系统文化的持久性；（6）企业系统文化的开放性来建立安全管理评价体系，该管理评价体系又从这6个方面细化为多个条款，依据现有的法律、法规以及国家规范对每个评价指标做了阐释，确定各个条款在这个评价体系中占的权值。2建立化工企业评价指标的意义和方法现代化工企业和其他行业一样处于各行各业飞速发展的信息时代，安全评价体系建设工作是直接影响化工行业发展的大事。安全评价指标体系的完善程度关系化工企业的发展，现代化管理是否达标跟上时代步伐，因此建立化工企业评价指标体系意义重大。（1）理论分析化工企业安全评价体系的特点，论述神经网络技术在该评价体系中的可行性，提出建立基于人工神经网络的化工企业安全评价体系方法。（2）充分考虑化工生产企业的多种因素，确定评价指标各细则条目，条目要求囊括生产过程的所有相关因素。（3）在认真总结前人研究的基础上，结合所构建的安全评价指标体系，以及采集到的各生产工段的安全状况数据，构建了适于化工企业安全评价的基于神经网络技术的BP网络非线性模型。

二、人工神经网络在化工企业安全管理评价体系中的体现

1人工神经网络技术在化工企业安全评价中的可行性人工神经网络的基础单元是神经元，网状连接的神经元模拟人的大脑活动方式来处理数据信息，这些信息是并行出来的，其网络结构像一个复杂局域网的拓扑图，进行非线性的信息处理和传输。人工神经网络就像人的大脑一样进行活动，接受外界来的信息后训练神经网络，这些神经网络模型边学习、边适应、联想记忆，模拟的神经网络模型避开复杂的数学运算，在非完善数学模式的状态下取得较为理想的分析效果。如今神经网络技术在多个领域受到学术研究和技术应用的青睐，应用在模式识别、智能控制、虚拟技术、人工智能等多个领域。我们知道互联网络拓扑分为多种结构，神经网络模型与之类似也存在多种拓扑连接方式。2BP神经网络结构在评价体系的设计体现BP神经网络模式是最常用的神经网络拓扑方式。BP网络模型模拟人的神经网络处理信息的机理是：当信号m进入输入单元，通过隐单元作用到输出单元，中间含非线性变换的过程，从输出单元输出信号n，神经网络训练任一样本，样本包括输入信号m和期盼的输出值k，k与n之间必然存在差异，通过隐单元的作用减小k和n之间的差异，使误差降低最低。神经网络多次进行这种训练过程，差异到最小时训练终止。BP网络模型由4个模型组成，输入输出模型、变换函数模型、计算误差模型和自我训练模型。BP神经网络在安全评价体系中的应用：首先确定神经网络的拓扑结构，该结构的层级是多少，输入层节点、输出层节点以及隐含层的节点到底有多少，信息做到具体化。将神经网络与安全管理评价体系中的相关参数关联，与评价体系关联的参数的种类、数量以及特征都有拓扑结构建立对应关系，确定各参数在管理评价体系中的状态及表达方式。筛选学习样本提供给神经网络进行训练，尽量将样本采集全面，样本越多越能全面的供神经网络学习，尽量把样本选择多样化且有代表性，样本代表企业安全生产过程的各自安全状态，样本的训练过程其实也是对网络中节点间的权值修正和误差拉近的过程。为了降低整个网络的负责度级别，尽量避免选择高难度的函数来作为处理函数，一般选择非线性复杂低的函数作为神经网络的作用函数。安全评价知识库是建立安全评价体系的集中点，输入节点、输出节点以及隐含节点是安全评价知识库的要素，赋予网络节点间的权值也是安全评价知识库的要素，这些要素构成了系统安全评价知识库，为神经网络活动提供支持。联系实际安全生产情况，神经网络不能脱离实际情况，在学习和训练过程都要将实际模拟过程的特征值导入到神经网络。依靠前面建立的系统安全评价知识库多次进行培训学习，每次学习的结果数据作为新的样本充实安全评价知识库，整个过程形成良性循环。3人工神经网络在评价体系中的优点（1）评价处理速度快，基于神经网络的特征，物理结构是并行的，信息处理方式为并行处理，通过选择所有安全评价体系中的指标内容，克服只是片面评价的弊端，全面对化工企业安全管理评价体系和所有影响参数的状态进行评价。（2）优越的自我学习能力，利用神经网络事先构建的知识库和所具有的自适应能力，通过不断训练和学习，结合历史的案例和现在的新技术新知识，建立适应当前生产实际的安全管理评价体系。（3）人工神经网络理论具有很强的容错能力，只有作用函数和数据结构选择恰当才能利用神经网络的特性进行分析处理，得到当前系统安全状态的评价值。基于神经网络的评价方式虽然有很多优点，但是一些有代表性的评价方法如AHP方法，Fuzzy评价方法也具备其存在的空间和价值。基于神经网络的评价方法是通过这些传统有代表性的评价方法总结学习达到目的的。如果评价指标体系中某个参数发生变化时，先利用传统的评价方式获得评价样本，神经网络借助于这些评价样本进一步通过学习训练达到建立完善安全管理评价体系的目的。

三、结语

人工神经网络范文篇8

本文介绍了一种基于人工神经网络（ANN）理论的保护原理。

1、人工神经网络理论概述

2、神经网络型继电保护

文献［1］认为全波数据窗建立的神经网络在准确性方面优于利用半波数据窗建立的神经网络，因此保护应选用全波数据窗。

3、结论

参考文献

1、陈炳华。采用模式识别（智能型）的保护装置的设想。中国电机工程学会第五届全国继电保护学术会议，［会址不详］，1993

2、RobertE.Uhrig.ApplicationofArtificialNeuralNetworksinIndustrialTechnology.IEEETrans，1994，10（3）。（1）：371～377

3、LeeTH，WangQC，TanWK.AFrameworkforRobustNeuralNetwork-BasedControlofNonlinearServomechannisms.IEEETrans，1993，3（2）。（3）：190～197

人工神经网络范文篇9

人工神经网络（ANN）又称连接机制模型（ConnectionModel）或并行分布处理模型（ParallalDistributedModel）。作为人工智能的研究方法，目前已广泛应用于自然科学的各个领域，应用计算机程序来模拟这种特殊的数学模型并应用于实际流域的洪水预报研究中，无疑是一种新的尝试和有益探索。岳城水库是海河流域南运河水系漳河上的一座大型控制性工程，入库洪水突发性强，水猛多沙，为确保下游河北、河南、山东、天津广大平原地区和京广铁路的安全，对水库入库洪水进行精确预报，及时采取预泄和分洪措施显得极其重要，因此，用人工神经网络模型模拟预报水库的入库洪水过程，有重要参考和借鉴意义。

2．BP网络的构建

人工神经网络是一个高度复杂的非线性动力学系统，它有大量的简单处理单元（神经元）广泛连接而成，他对人脑的功能作了某种简化、抽象和模拟，具有很强的非线性映射能力，其中对多层前向神经网络bp模型的研究相对成熟，应用最为广泛，其模型结果如图：

结构中，输入层、隐层和输出层神经元的个数根据具体情况设定，其中隐层层数不一，不失一般性对输出层中只含有一个神经元的三层前向神经网络分析如下：假设输入层中有个神经元，隐层中有个神经元，输出层神经元的输出，即整个网络的输出为Y，网络中输入层的输入分别为,,…，则隐层神经元的输入分别是：

(i=1,2,…m)(2.1)

在上式中，为隐层神经元i与输入层神经元j的连接权，为隐层神经元的阈值，选择函数作为隐层神经元的激发函数,则隐层神经元的输出为：

(i=1,2,…m)(2.2)

输出神经元的激发函数取为线性函数，输出层神经元的输出及整个网络的输出为：

(2.3)

其中，Vi为输出层神经元与隐层神经元i的连接权。定义由、、组成的向量为网络的连接权向量(ij，i，i)。设有学习样本(，，…；)(=1,2…,p;p为样本数)。对某样本(，，…；)在给出网络向量后，可以通过公式(1.1)～(1.3)计算出网络的输出值，对于样本

定义网络的输出误差为：(2.4)

定义误差函数为：(2.5)

(ij，i，i)随机给出，计算式(2.5)定义的误差值较大，网络计算精度不高，在确定网络结构后，通过调整(ij，i，i)的值，以逐步降低误差，以提高网络的计算精度，下面给出根据误差信息调整(ij，i，i)的具体计算过程。

在反向传播算法中，是沿着误差函数随(ij，i，i)变化的负梯度方向对进行休整。设的修正值为：(2.6)

式中：为第n次迭代计算时连接权的修正值；为前一次迭代计算时计算所得的连接权修正值；为学习率，取0~1间的数；为动量因子，一般取接近1的数。将式(1.4)和(1.5)代入式(1.6)中，有(2.7)

定义=（,,），则：

(2.8)

(2.9)

(2.10)

采用迭代式对修正计算，得到新的连接权向量。对于所有的学习样本均按照样本排列顺序进行上述计算过程，然后固定的值，对于p个样本分别进行正向计算，从而求出学习样本的能量函数值：

(2.11)

这样结束了一个轮次的迭代过程，当满足某一精度要求时，就停止迭代计算，所得(ij，i，i)即为最终模型参数，否则就要进行新一轮的计算。

3．BP算法的VB程序实现

因程序代码太多，不再给出。网络学习程序界面如下图2：

4．洪水预报网络模型构建

4．1资料收集

岳城水库的入库水文站为观台水文站，该站上游有清漳河匡门口水文站和浊漳河天桥段水文站，距观台分别为66km和64km。上游匡门口、天桥段与下游观台的区间流域面积为1488km2，见流域水系图3。资料采用年鉴1962、1976、1977、1988年四次洪水和相应年份的区间时段降雨量共118组调查数据作为模型的学习训练样本，另取1971年和1982年两次大洪水作为模型的检验数据。

4．2预报模型构建

网络模型采用输出层中有一个神经元的三层前向人工神经网络，洪水预报模型的输出节点为岳城水库的入库站观台水文站的时刻的流量，即网络。考虑河道洪水演进时间和区间流域的产汇流时间，分别取清漳河匡门口站和天桥断以及流域平均降雨量、作为模型的输入节点值；隐层神经元节点数和输入层节点数相同取为4。

模型参数优化：计算中，学习率越大，学习速度会越快，但是过大时会引起振荡效应；动量因子取得过大可能导致发散，过小则收敛速度太慢。据有关文献介绍，取，算法收敛速度较快。本次计算取，；网络中的初始值取(0.1～0.1)之间的随机数（由VB程序产生）。

样本的归一化处理：为了有效利用型函数的特性，以保证网络神经元的非线性作用，对于数值型的学习样本要进行归一化处理。对样本(p=1,2,…p)定义，，归一化处理计算就是按照公式：

(4.1)

将样本转化为0～1之间的数据。对于网络的输出数据还应进行还原计算恢复实际值，公式为：

(4.2)

使用VB程序对网络模型进行训练学习，经102135次学习后，网络输出能量函数值为3.2×10-3，此时得到模型最优参数如表1。

表1模型参数表

序号

11.625608-2.361247-3.2047142.846384-2.718568-1.185164-1.029736

20.138017-0.041076-0.6707810.8445030.936162-2.7469741.546362

31.770369-6.0486571.1342710.7454760.58331-3.0635082.5033320.250.9

4-0.8183131.471144-1.4842650.875319-1.995911-2.6673082.075974

5-1.9730730.30147122.993124-0.160362-3.290356-1.59743-0.627028

5．模型检验

应用以上该区洪水预报的神经网络模型参数分别对1982年、1971年的两次洪水进行检验预测，相应洪水过程趋势线见图4图5。

表2预报考评指标表

序号序号

1982.10.0311982年前20h0.69

1982.20.00811982年后80h0.07

1982.30.040.51982年总过程0.19

1982.40.0421971年前11h0.7

19710.0611971年后50h0.12

aver0.0361.11971年总过程0.23

注：1.1982.1表示1982年大洪水的第一次洪峰，其它类同。

2.1982年前20h表示1982年大洪水的涨洪段前20h，其它类同。

图41971年预测洪水与实测洪水过程线图51982年预测洪水与实测洪水过程线

检验标准：

1）洪峰流量预报误,经计算、皆小于0.1，据《水库洪水调度考评规定SL224-98》，考评等极为良好（见表2）。

2）峰现时间预报误差，经计算考评等极为一般，其中一次良好。

3）洪水过程预报考评指标，从预报数据分析，两次洪水过程的预报考评0.23，，根据规范属一般，从洪水过程检验指标可分析主要是因为模型对涨洪期低量洪水预报精度不高造成，但峰值附近及后期预报精度较高，可作为洪水预报的一项行之有效的方案。

6．结论

岳城水库入库洪水过程的神经网络预测模型运行稳定，对峰高量大洪水预报较为准确，根据规范规定可作为水库自动测报系统的有益补充，为水库的防洪调度提供较为可靠的依据。

参考文献：

[1]焦李成.神经网络的应用与实现.西安：西安电子科技大学出版社，1993

[2]李春好等.人工神经网络bp算法的数据处理方法及应用.系统工程理论与实践,1997,17(8)

[3]赵林明等.多层前向人工神经网络.郑州：黄河水利出版社，1999

[4]丁晶等.人工神经前馈(bp)网络模型用作过渡期径流预测的探讨.水电站设计,1997,13

人工神经网络范文篇10

关键词：立井井筒非采动破裂反向传播网络神经网络预测数值模拟

一、煤矿立井发生破坏问题的提出

徐淮地区是中国东部主要的煤炭开采基地，其煤炭的生产直接影响着我国煤炭的总产量，在国民经济建设中占有重要的地位。然而自20世纪80年代以来，在我国徐淮地区（徐州、淮北、淮南）地区，出现了一种新的矿井破裂灾害——井筒的非采动破裂，即煤矿立井在不受地下采动影响的条件下（井筒及其附近的工业广场都留有足够的保护煤柱），井壁发生严重变形和破裂，致使提升运输困难。90年代以来，在我国特大型煤炭企业'''');">企业兖州矿业集团的9对井筒也先后发生了破坏(有关兖州矿区井筒破裂的基本情况如表1所示)。煤矿竖井是矿山生产运输的咽喉要道，因此竖井的破坏严重影响了矿山生产，给各煤矿造成了巨大的经济损失。

为了尽量减少立井的非采动破裂所造成的经济损失，现在各大矿山都对井筒的变形进行了预报和治理，到目前对井筒破裂的预报方法主要有两种：

1）第一种方法是通过加强对井筒变形的监测，以监测数据为依据，对井筒的变形进行分析，对其破裂进行预报。

2）第二种方法是新近发展起来的预报方法［1，2，3］，即系统科学、智能技术方法，特别是研究非线性复杂系统的一些方法。其主要内容使用系统科学原理或智能技术来建立模型的框架，用观测的实测资料填充以实现建模。

本文采用实际与智能技术相结合的预报方法，建立井筒破裂的人工神经网络模型，模仿人脑的运行机制，通过对井筒破坏规律的学习，使网络具有根据特征值对井筒破坏进行预报的能力，并据此来推测相关煤矿的井筒破坏规律。

表1兖州矿区井筒破裂的基本情况

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

矿区

序号

井筒名称

竣工时间

破裂时间

净径/m

外径/m

施工方法

井壁类型

表土厚度/m

破裂深度/m

破裂情况

兖州

鲍店副井

1979.11.26

1995.6.5

8.0

10.2

冻结法

双层井壁

148.6

126.9

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

鲍店主井

1979.5.14

1995.7.12

6.5

8.5

冻结法

双层井壁

148.69

136—144

鲍店北风井

1979.10.21

1996.8.2

5.0

6.6

冻结法

双层井壁

202.56

168.4,180,204

鲍店南风井

1979.8.1

1996.8.9

冻结法

双层井壁

157.92

158.1—159.3

兴隆庄西风井

1976.8

1995.10

5.5

7.4

冻结法

双层井壁

183.9

165.5—171.6

兴隆庄东风井

1977.5.31

1997.6.7

5.0

6.4

冻结法

双层井壁

176.45

157—180

兴隆庄主井

1977.8.13

1997.6.23

冻结法

双层井壁

189.31

150,184

在未出现严重破裂时进行了治理

兴隆庄副井

1978.9

1997.6.26

冻结法

双层井壁

190.41

154,200

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

杨村主井

1984.12

1997.2.29

5.0

6.6

冻结法

双层井壁

185.42

176.5,196

杨村副井

1985.1.23

1997.12.2

冻结法

双层井壁

184.45

160,176,212

在未出现严重破裂时进行了治理

杨村北风井

1984.10.31

1997.2.4

4.5

5.9

冻结法

双层井壁

173.40

179.6,150,156.6

罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露

二、人工神经网络的预报原理

人工神经网络实现井筒破裂的智能预报，是通过机器学习的方法［4］对破裂井筒的特征值进行抽取，并对已知的井筒破裂规律进行学习掌握规律性，然后运用训练好的神经网络对其他井筒进行推理预测，并据此对其他井筒的破裂进行预报（其流程见图1）。

三、立井井筒破裂影响因素的选取

经调查表明立井井壁破裂的主要原因为：在煤矿开采过程中新生界底部第四系含水层（底含）的水头的大幅疏降，使该含水层及上覆土层产生压缩和变形，且引起地表沉降，在地层发生变形的过程中对井壁产生垂直向下的附加力，使得立井井壁发生破裂。

立井井筒破裂矿区的水文地质与工程地质条件都具有如下的特点：井筒都穿过第四系深厚表土，其厚度大都在200m左右。土层结构复杂，但大体上都可分为四个含水层和三个隔水层共七个工程岩组，即由上至下常简称为一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通过对立井井筒非采动破裂机理及破裂矿区的水文地质与工程地质特点分析选取以下几个因素作为影响立井井筒破裂的特征因素：

1、表土层厚度

由于立井井筒非采动破裂只发生在厚冲积层中建成的立井井筒，因此表土层厚度是立井井筒非采动破裂现象发生的必要因素。表土层厚度越大，土层对立井井筒的侧压力越大，且土层与井筒的相互作用的面积增大，底含沉降时产生的立井井筒附加力加大，立井井筒发生破裂的可能性越大。

2、底含厚度

底含厚度决定了立井井筒周围土层的变形量，且土层变形量直接关系到立井井筒附加应力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以确定底含厚度为立井井筒破裂的主要影响因素。

3、底含水位降速

底含水位降速决定了立井井筒周围土层变形的速率，从而决定了立井井壁破裂的时间。底含水头降速直接决定了立井井筒破裂时间的大小。

4、井筒外径

由于在确定的工程地质条件下立井井筒外表面积与立井井筒附加力的大小成正比，则确定立井井筒外径大小为立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的净截面积越大，立井井壁内壁应力降低，有利于立井井筒的稳定。

四、神经网络的设计与实现

根据以上对影响井筒变形的特征因素的选取，选择反向传播（backpropagation,BP）神经网络算法对井筒的破裂规律进行训练，其网络为包含两层隐含层的神经网络，输入层、隐含层、输出层的神经元的个数分别为5、20、10、1，

表2神经网络的输入矢量p及目标矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

输入矢量p

输出矢量t

表土层厚度(m)

井筒外径(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂时间（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

5.196

56.29

194

148.6

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其训练函数分别采用双曲正切函数tansig及线性激活函数purelin［5］，网络学习采用的输入矢量及目标矢量如表2所示。

网络训练后，其输出值与期望值之及目标误差如表3所示。

表3BP网络对井筒破坏规律的学习

Table3BPnetworklearningofshaftliningfractureregularity

输入矢量p

目标矢量t

目标误差

输出矢量

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

5.196

56.29

194

0.0001

193.06

148.6

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、实例应用及与数值模拟结果的比较

兖州矿区杨村煤矿北风井井筒表土段厚173.4m，采用冻结法施工，于1984年竣工，在1997年的检查中发现井壁已发生了破裂，现在用学习后的神经网络对杨村北风井的井筒破裂时间进行预测，预测结果如所表4示。

据上表可以得出有神经网络预报得出的预测值与实际的目标矢量之间的误差仅为0.015，该误差在现场的实际工作中是可以接受的，这说明由BP网来预测竖井的非采动破坏在实际工作中是可行的，且行之有效。

表4神经网络对杨村北风井破裂的预测

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

输入矢量p

目标矢量t

输出矢量

误差

表土层厚度(m)

井筒直径(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂时间（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根据兖州矿区的工程地质资料和及杨村立井井筒施工资料建立了立井井筒破裂的几何计算模型，采用Flac3D进行数值模拟计算，模型共19008个六面体、21600个结点。数值模拟计算后立井井壁最大z方向应力随底含水头降变化如图2所示，底含失水沉降情况下立井井壁发生破裂时的底含水头降为0.8MPa左右，换算为水头高度等于80m，此时井壁内部的最大应力为30MPa，达到了立井井筒的破裂强度。则立井井筒的破裂时间T为：

T＝底含水头高度损失量/底含水位降速

＝(80÷7.5)×12

＝128月

根据底含水头降速可得立井井筒破裂的时间为128月，与神经网络预测值相比，相差10月左右，因此可以认为神经网络预测基本可以用于立井井筒破裂时间的预测。

图2立井井壁最大z方向应力随底含水头降变化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining