[发明专利]一种粉煤灰膏体管道输送水力坡度模型的建立方法

说明书

技术领域

本申请属于采矿技术领域，具体地说，涉及一种粉煤灰膏体管道输送水 力坡度模型的建立方法。

背景技术

绿色采矿势在必行，充填采矿是绿色采矿重要组成部分。粉煤灰膏体即 能解决粉煤灰污染环境的问题，又能满足充填开采的需要，有利于煤炭企业 可持续发展膏体管道输送属于充填系统的关键环节，水力坡度作为管道输送 最重要的参数之一，结果精度对工程实际应用起到至关重要的作用。水力坡 度的影响因素复杂，它与材料物化性质、膏体特性和管道特性等诸多因素都 存在密切的关系。对水力坡度的研究，主要经历了三个过程：有1931年前 苏联学者B·M·Makaeebb最早提出基于扩散理论的计算；1944年前苏联学者 M·A·Bennkahob提出基于重力理论的计算；前苏联煤矿科学研究院提出基于 能量理论的计算；国内以鞍山矿山设计院和金川矿业提出的公式为主。然而， 水力坡度呈非线性多因素影响，以上研究多以孤立因素和经验总结为主，目 前还未有一套统一的指导方法和通用的公式，而且研究多集中输沙、输油气 和输矿石相关方面，对粉煤灰膏体管道输送水力坡度研究的文献较少。

发明内容

有鉴于此，本发明提供一种基于MMAS-BP神经网络应用于煤矿粉煤灰 膏体充填水力坡度的预测思路，建立相应模型，预测结果精度高，完全满足 实际需要，为膏体充填系统设计提供了全新而又重要的理论方法，具有重要 的现实意义。

为了解决上述技术问题，本申请开了一种粉煤灰膏体管道输送水力坡度 模型的建立方法，包括以下步骤：

(1)确定目标函数，所述目标函数采用最小二乘目标函数，如下式表示：

式中：r为试验组数；为第i组试验的实际输出；为第i组试验的期望 输出；

(2)管道输送试验所得数据作为样本集，并对样本集数据进行归一化处理；

(3)进行BP神经网络学习，同时采用MMAS优化神经网络的权值、阈 值和结构，建立管道输送水力坡度的影响因素与水力坡度的非线性映照，获 得粉煤灰膏体输送的水力坡度预测模型；

其中，所述水力坡度的影响因素包括浓度、流速和管径；

所述粉煤灰膏体输送的水力坡度预测模型中，第一层为输入层，3个神经 元，分别为浓度、流速和管径，第二层为隐层，第三层为输出层，1个神经 元，为输送水力坡度。

进一步地，如上所述的方法，所述粉煤灰膏体输送的水力坡度预测模型 是基于MMAS的BP神经网络的建模，先将试验数据模糊化，再作为BP神 经网络的输入和输出，同时利用MMAS配合BP神经网络学习训练，得到参 数与有关指标之间的非线性映照模型。

进一步地，如上所述的方法，基于MMAS的BP神经网络其训练过程如 下：

第一，初始化，基本参数包括最大信息素a_max、最小信息素a_min、随机的 个体数量M、隐层数量W、每隐层节点最大值W_i、最大循环次数D_cmax和蚂蚁 数量s；

第二，蚂蚁并行从第一个节点开始，逐一的顺序处理，直至最后节点； 对于第n只蚂蚁情况，具体操作为首先分析节点，判断节点的基本情况，然 后根据元素选择规则计算概率，按照轮盘转动的方式，分别在前一个节点对 应的权值和阈值集合中选择一个元素，元素选择规则按下述公式(1)进行：

式中O_b——权值和阈值集合；j——元素；a_i(O_b)——集合O_b中的信息素 a_i；

第三，在每次迭代中，建立整个蚁群解对应的神经网络，输入样本，计 算神经网络的均方误差MSE，记载蚂蚁所寻最优路径均方误差MSE_best1，用 BP神经网络学习训练，再记载训练后的均方误差MSE_train，具体表示如下述 公式(2)：

MSE_best＝min{MSE_best1,MSE_train}(2)

第四，更新元素和信息素，对于每一个节点，更新的方式按公式(3) 和公式(4)进行：

式中ρ——信息素挥发因子；

△a＝1/MSE_best(4)

第五，重复第二至第四步，直至D_c≥D_cmax时，循环中止；