[发明专利]一种基于逆向传播神经网络的煤矿工作面矿压数据预测方法

说明书

本发明公开了一种基于逆向传播神经网络的煤矿工作面矿压数据预测方法，该方法利用煤矿已采工作面及正在开采工作面收集到的顶板矿压周期来压步距、周期来压强度参数及相应位置的埋深、埋深高程变化率、煤层厚度、煤层厚度变化率、开采厚度、煤层倾角、煤层倾角变化率、直接顶厚度、基本顶厚度、倾向长度、推进速度参数在逆向传播神经网络中进行训练，训练后的逆向传播神经网络可根据要求预测任一工作面任意位置的顶板矿压数据。相比传统矿压计算具有预测准确率高、简单高效等优点。同时为工作面矿压数据预测提供了一种与人工智能技术相结合的新思路。

技术领域

本发明属于煤矿矿山压力领域，具体涉及一种基于逆向传播神经网络的煤矿工作面矿压数据预测方法。

背景技术

矿山压力及其显现规律作为煤矿开采理论的核心，是煤矿研究的重中之重。而在进行矿压研究时，分析计算工作面顶板来压步距与来压强度往往是研究的重点和难点。现有理论多采用弹塑性理论计算顶板压力，但往往误差较大。工作面顶板来压步距与来压强度多与开采因素成非线性关系，往往难以拟合出理想的函数关系。

近年来，人工智能技术得到了飞速发展与应用。随着人工智能技术的研究与发展越来越成熟，将其应用于煤矿领域已迫在眉睫。人工智能技术的基础是神经网络，且神经网络非常适合处理非线性问题。神经网络经过大量样本数据的训练，便可以实现对数据的预测，目前广泛应用于模式识别、图像识别、自然语言处理、实时分析工具和无人驾驶等领域。

发明内容

为克服现有技术中工作面顶板来压步距与来压强度计算误差大的现实问题，本发明的目的在于提供一种基于逆向传播神经网络的煤矿工作面矿压数据预测方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于逆向传播神经网络的煤矿工作面矿压数据预测方法，该方法利用煤矿已采工作面及正在开采工作面收集到的顶板矿压历史数据及相应位置的开采技术数据在逆向传播神经网络中进行训练，训练后的逆向传播神经网络根据要求预测任一工作面任意位置的顶板矿压数据。

本发明进一步的改进在于，收集本矿已采工作面及正在开采工作面的顶板矿压历史数据，包括周期来压步距及周期来压强度共2项参数。

本发明进一步的改进在于，收集顶板矿压历史数据的同时，同时记录工作面相应位置的埋深、埋深高程变化率、煤层厚度、煤层厚度变化率、开采厚度、煤层倾角、煤层倾角变化率、直接顶厚度、基本顶厚度、倾向长度及推进速度共11项开采技术参数。

本发明进一步的改进在于，将埋深、埋深高程变化率、煤层厚度、煤层厚度变化率、开采厚度、煤层倾角、煤层倾角变化率、直接顶厚度、基本顶厚度、倾向长度及推进速度共11项参数作为逆向传播神经网络的输入参数，将周期来压步距及周期来压强度共2项参数作为逆向传播神经网络的输出参数。

本发明进一步的改进在于，逆向传播神经网络模型的输入层节点数为11，输出层节点数为2，为简化网络，确定隐含层层数为1。

本发明进一步的改进在于，逆向传播神经网络模型的权重、偏置随机赋予初始值，保证权重初始值1，然后重复进行训练。

本发明进一步的改进在于，训练后的逆向传播神经网络模型根据要求预测任一工作面任意位置的顶板矿压数据，即将预测位置处的埋深、埋深高程变化率、煤层厚度、煤层厚度变化率、开采厚度、煤层倾角、煤层倾角变化率、直接顶厚度、基本顶厚度、倾向长度及推进速度输入到逆向传播神经网络，即可输出此处周期来压步距及周期来压强度预测值。

与现有技术相比，本发明至少具有如下有益的技术效果：

为了解决工作面顶板来压步距与来压强度计算误差大的现实问题，本发明采用人工智能技术中的逆向传播神经网络进行工作面矿压数据预测。