煤矿人工神经网络预测管理论文

摘要：应用人工神经网络的基本原理，建立了一个基于神经网络的煤矿立井井筒非采动破裂的预测系统，实现了立井井筒破裂预测的智能化。最后将神经网络预测结果与数值计算结果对比，认为应用人工神经网络对立井井筒破裂时间的预测比较准确，实用。

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

1

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

2

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

3

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

4

鲍店南风井

1979.8.1

1996.8.9

冻结法

双层井壁

157.92

158.1—159.3

5

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

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

7

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

8

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

9

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

10

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

11

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

30

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

1

5.196

56.29

194

148.6

10

1

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

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

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

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

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

a

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

六、结论

采用人工神经网络方法来预测井筒的非采动破裂，是基于神经网络所具有的学习、和容错功能进行的非精确推理，他在一定程度上模拟了人脑的人工智能，对于煤矿竖井破裂的这种受到许多不确定因素的影响的工程现象往往能够给出比较准确的预测。所以应用人工神经网络对井筒破裂进行预测，可有效的预测井壁的破裂时间，且实用性强。但是由于人工神经网络是在对已发生破裂的立井井筒进行学习后进行预测，所以在学习范围外的立井井筒破裂预测可能会产生比较大的误差，因此对于超出训练数据外的立井井筒破裂时间预测应结合其他方法进行比较验证。