基于逆向傳播神經網絡的工作面頂板礦壓數據預測

程海星，朱 磊，宋立平，劉文濤，徐 凱

（中煤能源研究院有限責任公司，陜西 西安710054）

礦山壓力及其顯現規律作為煤礦開采理論的核心，是煤礦研究的重中之重。而在進行礦壓研究時，分析計算工作面頂板來壓步距與來壓強度往往是研究的重點和難點。現有理論多采用彈塑性理論計算頂板壓力，但往往誤差較大[1]。工作面頂板來壓步距與來壓強度多與開采因素成非線性關系，往往難以擬合出理想的函數關系。

近年來，人工智能技術得到了飛速發展與應用。人工智能技術目前廣泛應用于模式識別、圖像識別、自然語言處理、實時分析工具和無人駕駛等領域[2]。隨著人工智能技術的研究與發展越來越成熟，將其應用于煤礦領域已迫在眉睫。人工智能技術的基礎是神經網絡，且神經網絡非常適合處理非線性問題[3]，將其應用于礦壓數據預測可能會成為未來礦壓研究的1個分支方向。

為此，基于人工智能技術中的逆向傳播神經網絡，建立了頂板礦壓數據預測模型，以王家嶺及周邊煤礦頂板礦壓實測數據作為模型的學習樣本，以王家嶺煤礦12309工作面實測礦壓數據為驗證樣本，分析模型誤差，并評判模型的可靠性。

1 逆向傳播神經網絡原理

神經網絡是用來模擬生物體內的神經元系統而建立的概念，它從信息處理角度對神經元進行抽象、簡化而來。為了與生物學的神經元區分開來，一般把經過抽象、簡化的神經元稱作神經單元。常用的神經網絡包括線性神經網絡、感知器神經網絡、逆向傳播神經網絡、反饋神經網絡等。

逆向傳播神經網絡是20世紀80年代中期由David Rumelhart、Geoffrey Hinton和McClelland等學者提出的，是1種按照誤差逆向傳播（簡稱誤差反傳）算法學習的多層前饋神經網絡，是目前應用最廣泛的神經網絡之一[4-5]。逆向傳播神經網絡模型如圖1。

圖1 逆向傳播神經網絡模型Fig.1 Back propagation neural network model

逆向傳播神經網絡的網絡結構3個層包含：輸入層（Iuput Layer）、隱含層（Hidden Layer）、輸出層（Output Layer）[4-5]。輸入層用來存儲輸入數據，輸入層神經單元個數等于輸入參數的個數；隱含層用來接收輸入層的數據，并對數據進行加權處理，隱含層層數與神經單元個數就需要設計者自己根據一些規則和目標來設定，可以為1層也可以為多層；輸出層用來輸出結果，輸出層神經單元個數等于輸出參數的個數。

逆向傳播神經網絡算法又稱最速下降法[6-20]，具體如下：

式中：Wij為節點i與j之間的連接權重；t為網絡迭代次數；η為學習步長，取值范圍為0.01～0.1；α為沖量系數，取值為0.9；E為權重空間｛Wij（t）｝的誤差超平面。

基本逆向傳播算法包括數據流的正向傳播和誤差的逆向傳播2個過程[6,10-13,18-19]。正向傳播時，傳播方向為輸入層→隱含層→輸出層，每層神經單元的狀態只影響下個層神經單元，并根據給定的初始化權重值和偏置值計算最終輸出值以及輸出值與實際值之間的損失值；如果損失值不在給定的范圍內則進行逆向傳播的過程，否則停止。逆向傳播時，傳播方向為輸出層→隱含層→輸入層，并對每層的各個神經單元的權重值和偏置值進行調節，以使損失值趨向最小。

2 逆向傳播神經網絡模型的建立

礦壓學習樣本數據采集于大同礦區部分礦井頂板來壓數據。樣本輸入參數選擇了埋深、黃土溝壑高程變化率、煤層厚度、煤層厚度變化率、開采厚度、煤層傾角、煤層傾角變化率、直接頂厚度、基本頂厚度、傾向長度、推進速度共11個主要影響因素；輸出參數選擇4個，分別為初次來壓強度、周期來壓強度、初次來壓步距、周期來壓步距。因此，確定逆向傳播神經網絡模型輸入層節點數為12個，輸出層節點數為4個；為簡化網絡，確定隱含層層數為1，隱含層節點數為24個。

3 逆向傳播神經網絡學習與訓練

將王家嶺及周邊煤礦頂板43組礦壓實測數據作為逆向傳播神經網絡模型的學習與訓練樣本，以MATLAB為研究軟件平臺，加載以上樣本數據，通過預測工作面頂板礦壓數據準確性，來評價所建立的逆向傳播神經網絡模型。樣本數據見表1。

表1 原始數據樣本（僅為部分數據）Table 1 Raw data samples（partial data only）

4 工作面礦山壓力實測

12309工作面共有液壓支架150架，每架均能實現液壓支架工作阻力實時監測，監測間隔時間為5 min。選取5#、10#、20#、35#、40#、75#、76#、110#、115#、130#、140#、145#液壓支架工作阻力進行實時監測，期間工作面共推進71.2 m，每架支架共監測9 933個數據。液壓支架工作阻力監測匯總圖如圖2（受篇幅限制，僅展示5#、35#、75#、115#、145#液壓支架工作阻力監測圖）。

圖2 液壓支架工作阻力監測匯總圖Fig.2 Summary chart of hydraulic support working resistance monitoring

將12309工作面監測支架數據進行處理，可得到各支架礦壓數據平均值，12309工作面液壓支架來壓特性表見表2。

表2 12309工作面液壓支架來壓特性表Table 2 Weighting characteristics table of hydraulic support in 12309 working face

5 工作面頂板礦壓預測及分析

將模型訓練時的43組數據作為樣本數據，以監測期間各支架煤層傾角、煤層傾角變化率、埋深、黃土溝壑高程變化率、工作面傾斜長度、煤厚、煤厚變化率、采高、直接頂厚、基本頂厚、推進速度平均值及表2的12309工作面液壓支架實測數據作為預測數據代入訓練好的逆向傳播神經網絡模型，進行綜采工作面頂板來壓預測驗證。統計12309工作面頂板礦壓數據實測值與預測值相對誤差，12309工作面頂板礦壓數據實測值與預測值相對誤差見表3。

表3 12309工作面頂板礦壓數據實測與預測值相對誤差Table 3 Relative error between measured and predicted values of roof pressure data in 12309 working face

由表3可知，12309工作面頂板礦壓數據預測值與實測值的相對誤差最大為4.33%，即逆向傳播神經網絡預測的工作面頂板礦壓數據相對誤差均小于5%，表明該模型的準確性和可靠性較高。

6結語

1）以11個礦壓主要影響因素為基礎建立了預測工作面頂板礦壓數據的逆向傳播神經網絡模型。

2）以王家嶺及周邊煤礦具有代表性的43組綜采工作面頂板礦壓實測數據建立學習樣本，以王家嶺煤礦12309工作面實測礦壓數據為驗證樣本，檢驗了逆向傳播神經網絡模型的精準度。經學習后逆向傳播神經網絡模型的預測結果的最大相對誤差為4.334%，小于5%，符合工程應用允許的誤差范圍，說明針對工作面頂板礦壓數據預測所建立的逆向傳播神經網絡模型具有較高的準確性和可靠性。

3）本次研究為采用人工智能技術預測礦壓數據提供了1種思路。如能將逆向傳播神經網絡與大數據技術相結合，將極有可能實現礦壓數據的實時預測。