[发明专利]一种煤巷锚杆支护自动智能设计与优化系统

摘要

本发明涉及一种煤巷锚杆支护自动智能设计与优化系统，它包括通过处理用户输入的数据或者调用相关知识库中的参数实现对巷道围岩稳定性的分类与评估的巷道围岩指标获取与稳定性分类子系统；基于系统内部知识库内的样本巷道训练BP神经网络建立训练模型实现该巷道的锚杆支护参数智能匹配的锚杆支护参数智能匹配子系统；根据锚杆支护参数智能能匹配子系统得到的锚杆支护参数基于悬吊理论、组合梁理论、组合拱理论、能量理论进行理论验算，自动对各种支护方案进行分析，以选取满足巷道围岩变形要求的支护方案作为最优支护方案推荐给用户的支护设计验证与优化子系统。本系统有效地保证了锚杆支护结构与参数的科学性与合理性，提高了锚杆支护系统的可靠性，促进了我国煤矿巷道锚杆支护技术的健康发展。

主权项

一种煤巷锚杆支护自动智能设计与优化系统，其特征在于包括：巷道围岩指标获取与稳定性分类子系统，其通过处理用户输入的数据或者调用相关知识库中的参数，实现对巷道围岩稳定性的分类与评估，具体包括：(一)巷道围岩稳定性聚类1输入数据预处理将输入n条巷道样本的信息，每条巷道8个指标，分别为顶板强度σ顶、两帮强度σ帮、底板强度σ底、巷道埋深H、直接顶初次垮落步距L、顶高比N、煤柱宽度B、最大水平主应力σh，则即为一个n×8的矩阵；数据的预处理：当煤性为软煤，即σ帮＜10MPa，B0＝15.43+0.098H时，W′取值如下：当煤性为中硬，即10MPa＜σ帮＜20MPa，B0＝8.43+0.046H时，W′取值如下：W,=exp[-(3.6B-B04B0)2];]]>当煤性为硬，即20MPa＜σ帮，B0＝5.34+0.032H时，W′取值如下：这里埋深即上面输入的H值，N＞4取4；2数据标准化将第i个样本的第j个指标xij变换成xij′，将经过标准差标准化处理后的第i个样本的第j个指标xij′变换成x″ij，xij′′=xij′-{xij′}min{xij′}max-{xij′}min;]]>3加权数据经过以上处理后，每一个指标都要乘以相应的权值；4标定计算相似系数γijγij=Σk=1n(xik-xi‾)(xjk-xj‾)Σk=1n(xik-xi‾)2Σk=1n(xjk-xj‾)2;]]>经标定后得到：0≤γij≤1，(i＝1，2，...，m；j＝1，2，...，m)；于是确定模糊关系矩阵5聚类分析将标定所得的模糊关系矩阵用平方法求得的传递包R*，是包含最小模糊等价矩阵，再按R*的λ一截关系，对X进行动态聚类分析，小于λ的记为0，大于λ的记为1，最后把完全相同的行归为一类；6确定最优分类数目F‑统计量法：设对应λ的分类数为r，第j类的样本数为nj，第j类的第k个特征的平均值为作F‑统计量：F‑统计量是服从自由度为(r‑1，n‑1)的F‑分布，它的分子表示类与类之间的距离，分母表示类内样本间的距离，F值越大说明类与类之间的距离越大，类与类之间的差异越大；如果F＞F1‑λ(r‑1，n‑r)，其中α＝0.05，则根据数理统计的方差分析理论知道类与类之间的差异显著，说明分类是最优的；如果满足F＞F1‑λ(r‑1，n‑r)的F值不止一个，进一步考察F‑Fα的大小，从较大者中选择一个满意的F值作为最优的分类；分完类后取各类样本巷道各指标的平均值得到初步聚类中心；(二)巷道围岩稳定性模糊综合评判1构建模糊关系矩阵构建模糊关系矩阵R＝{rij}9*5，其中rij表示从i因素着眼，该因素能评为第j类的隶属程度，使用正态隶属函数法：2模糊变换集合C＝{c1，c2，c3，c4，c5，c6，c7，c8，c9}为9个因素的影响权值；做模糊变换B＝CoR；模糊向量B＝{b0，b2，b3，b4，b5}T＝{bj}，其中b1，b2，b3，b4，b5分别表示待预测巷道对各聚类中心的从属程度，待预测巷道的类别即由该巷道同聚类中心之间的隶属程度大的样本决定；bj的算法为以下四种方法中的任意一种：(1)主因素决定型：其中∧为两者取其小符号，∨为两者取其大符号；(2)主因素突出型：(3)主因素突出型：(4)加权平均型：则可以得到评判矩阵B＝{b1，b2，b3，b4，b5}T＝{bj}；3评价指标处理使用最大隶属度法：b1到b5中最大值所对应的下标j即为待测巷道类别；或者加权平均法：令v′＝(b1+2b2+3b3+4b4+5b5)/(b1+b2+b3+b4+b5)，则v′接近于几则巷道属于第几类；锚杆支护参数智能匹配子系统，其通过运用BP神经网络原理，基于系统内部知识库内的样本巷道训练BP神经网络，建立训练模型，用户提供的巷道的具体相关参数后实现该巷道的锚杆支护参数智能匹配；所述的锚杆支护参数智能匹配子系统，其将用于巷道围岩稳定性所需的参数进行巷道参数的预测并运算，所述的运算包括先对样本数据及支护参数知识库进行学习训练，得到优化后的权值及阀值，而后将已输入的待预测参数，与权值、阀值进行计算，得到系统预测的支护基本参数值；其中，锚杆支护参数智能匹配子系统得到系统预测的支护基本参数值具体包括：第一步，网络初始化，对输入输出进行归一化处理；给各连接权值分别赋一个区间(‑1，1)内的随机数，设定误差函数ε，给定计算精度值和最大学习次数；第二步，随机选取第k个输入样本及对应期望输出；do(k)＝(d1(k)，d2(k)，...，dq(k))；x(k)＝(x1(k)，x2(k)，...，xn(k))；第三步，计算隐含层各神经元的输入和输出；第四步，利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数δo(k)；第五步，利用隐含层到输出层的连接权值、输出层各神经元的偏导数δo(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δh(k)；第六步，利用输出层各神经元的偏导数δo(k)和隐含层各神经元的输出来修正连接权值who(k)；第七步，利用隐含层各神经元的偏导数δh(k)和输入层各神经元的输入来修正连接权值；第八步，计算全局误差第九步，判断网络误差是否满足要求；当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习；支护设计验证与优化子系统，其根据所述的锚杆支护参数智能匹配子系统得到的锚杆支护参数基于悬吊理论、给合梁理论、组合拱理论进行理论验算，并调入数值模拟模块，自动进行FLAC3D建模、模拟、优化处理，自动对各种支护方案进行分析，以选取满足巷道围岩变形要求的支护方案作为最优支护方案推荐给用户。