[发明专利]一种基于有导师学习神经网络算法的导水裂隙带预测方法

说明书

本发明公开了一种基于有导师学习神经网络算法的导水裂隙带预测方法。其步骤为S1：收集矿井导水裂隙带高度的影响因素指标与对应的导水裂隙带高度，形成样本数据集；S2：归一化处理收集到的影响因素数据；S3：将归一化后的数据集分为训练样本和检验样本；S4：选取训练样本数据，利用MATLAB RBF神经网络工具，建立导水裂隙带高度预测模型；S5：将检验样本数据代入导水裂隙带高度预测模型，求得对应导水裂隙带高度预测值；S6：计算检验样本的预测值与实际值的相对误差和决定系数，判断预测模型是否有效，若无效，则重新选取影响因素指标，重复上述步骤S1~S6，直至寻求到有效的导水裂隙带高度预测模型。

技术领域

本发明涉及一种基于有导师学习神经网络算法的导水裂隙带预测方法，属于煤炭资源安全开采技术领域。

背景技术

高精度预测导水裂隙带高度，有效防控矿井水灾，已成为国内外学者所关注的重点问题。对导水裂隙带高度(简称“导高”)的预测是决定能否安全进行水体下采煤的关键参数。但由于岩体介质的复杂性、多样性、模糊性以及不确定性等特点，多年以来国内对导水裂隙带高度预测还停留在经验与理论结合使用的阶段，《建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程》(简称“三下规程”)、《矿区水文地质工程地质勘探规范》(GB12719-91)所提供的经验公式与现在矿井实测的导水裂隙带高度有一定差距，无法完全满足矿井高效安全生产的要求。为此，寻求更加有效、更加准确的导水裂隙带高度预测方法具有重要的现实意义。

目前，矿井关于导水裂隙带高度预测的方法，大概可以分为四类：第一，现场实测法(包括钻孔成像、声波探测等)；第二，工程类比与经验法；第三，物理相似材料模拟实验法；第四，计算机软件(算法)辅助模拟预测法；这些方法都各自存在缺点，预测成本高，操作繁琐、复杂、误差较大等缺点突出。

中国专利CN103544548A公开了一种矿井导水裂隙带高度预测方法，中国专利CN103778480A公开了一种基于敏感性分析的裂隙带高度预测方法，中国专利CN104200292A公开了一种导水裂隙带高度预测方法，中国专利CN104732304A公开了基于灰色人工神经网络组合模型导水裂隙带高度预测方法，以上专利申请都各自提出了一种导水裂隙带高度预测方法，但各方法预测数值的准确度与参数的选择及数据的特点密切相关，目前对于参数的优化问题还没有得到很好的解决，同时数据多指标间存在相关性，以上方法未能进行充分的考虑，从而限制了预测的精度。

发明内容

本发明旨在提供一种基于有导师学习神经网络算法的导水裂隙带预测方法，本方法采用基于有导师学习的RBF神经网络模型，更有利于回归拟合变量之间的复杂关系，神经网络学习更加充分，加强了神经网络的学习能力以及对误差的修正能力，从而更能揭示数据之中蕴含的关系，计算速度快，相对误差较小，有效提高了预测的精度。

为实现上述目的，本发明所采取的技术方案是：

一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集整理较为完善的各因素指标下的样本数据；采用归一化方法处理收集到的样本数据，消除各指标量纲对预测模型的影响；为了检验模型的准确度，将归一化后的样本数据提前分配为训练样本和检验样本；选取所有训练样本数据，利用MATLABRBF神经网络工具，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值；对比检验样本的预测值与实际值，通过数据相对误差和决定系数判断预测模型是否有效；若有效，则建立的导水裂隙带高度预测模型能够准确的预测导水裂隙带高度；若无效，则重新选取影响因素指标，重复上述步骤，直至寻求到高预测精度的导水裂隙带高度预测模型。

上述方法具体包括如下步骤：