矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

发布时间：2018-05-16 16:35

本文选题：开采沉陷 + 深部开采　；参考：《金属矿山》2017年07期

【摘要】：为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明:(1)所提模型的平方相关系数R~2为0.932、平均绝对误差e_(ME)为0.195、平均相对误差e_(MRE)为0.082、训练时间t为21.5 s、均方误差e_(MSE)为0.067 1;(2)经典BP神经网络模型的平方相关系数R~2为0.802、平均绝对误差e_(ME)为0.605、平均相对误差e_(MRE)为0.255、训练时间t为30.9 s、均方误差e_(MSE)为0.089 1;(3)PSO-BP神经网络模型的平方相关系数R~2为0.825、平均绝对误差e_(ME)为0.382、平均相对误差e_(MRE)为0.216、训练时间t为23.5 s、均方误差e_(MSE)为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。
[Abstract]:In order to improve the prediction accuracy of overburden subsidence in deep mining, taking a mine in Jilin Province as an example, the overburden compressive strength, working face pushing distance, mining thickness, coal seam dip angle and mining depth are taken as the main influencing factors of mining subsidence prediction, and the dip angle of coal seam is taken as the main factor. The mining subsidence prediction model based on BP neural network is constructed by taking the maximum subsidence value as the output value of the prediction model and working face advancing distance and mining thickness as the input value of the prediction model. In view of the shortcomings of the classical BP neural network model in training, such as slow learning speed, weak anti-interference ability and easy to fall into local minimum, an improved particle swarm optimization algorithm is used to optimize the model. The improved particle swarm optimization BP neural network model is constructed. The results show that the squared correlation coefficient of the proposed model is 0.932, the mean absolute error is 0.195, the average relative error is 0.082, the training time is 21.5 s, the mean square error is 0.067 1 / 2) the squared correlation coefficient of the classical BP neural network model is Rn2. The mean absolute error, average relative error, mean relative error and mean square error of the neural network model were 0.605, 0.255, 30.9 s, 30.9 s and 0.089 respectively, respectively. The square correlation coefficient Rn2 was 0.825, the mean absolute error was 0.382, and the mean relative error was 0.216,The mean absolute error was 0.825, the mean absolute error was 0.382, and the mean relative error was 0.216. The training time t is 23.5s, and the mean square error E / MSE is 0.078 2s. It can be seen that the proposed model has higher training efficiency, better fitting effect and higher prediction accuracy, which has a certain reference value for greatly improving the prediction accuracy of mining subsidence.
【作者单位】：河北能源职业技术学院经济与管理系;
【分类号】：TD325

【参考文献】

相关期刊论文前10条

1 陈涛;郭广礼;朱晓峻;郭庆彪;方齐;;利用果蝇算法反演概率积分法开采沉陷预计参数[J];金属矿山;2016年06期

2 徐孟强;查剑锋;;基于三角形剖分算法的开采沉陷预计系统设计[J];金属矿山;2016年02期

3 袁亮;;我国深部煤与瓦斯共采战略思考[J];煤炭学报;2016年01期

4 杨文环;尹璐;孙久运;;矿山钻孔数据三维地层建模与可视化[J];金属矿山;2015年10期

5 杨旭;余学祥;张迎伟;朱亚洲;;煤矿开采沉陷自动化监测系统设计与实现[J];测绘工程;2015年09期

6 张鸣之;诸云强;罗德利;喻孟良;曾青石;张金区;罗侃;王勇;;地质环境数据集成服务及其系统实现[J];中国地质灾害与防治学报;2013年03期

7 胡丰;李云安;刘海鳌;邹济韬;谭道远;;采矿顶板最小安全厚度及地面沉陷变形研究[J];金属矿山;2013年08期

8 陈秋计;;基于元胞自动机模型的开采沉陷模拟[J];科技导报;2013年11期

9 李松;刘力军;翟曼;;改进粒子群算法优化BP神经网络的短时交通流预测[J];系统工程理论与实践;2012年09期

10 何芳;徐友宁;乔冈;陈华清;刘瑞平;;中国矿山地质灾害分布特征[J];地质通报;2012年Z1期

相关期刊论文前10条

1 刘俊;杨胜强;汤宗情;刘辉;;高瓦斯易自燃煤体低温氧化过程中裂隙发育规律[J];煤矿安全;2017年07期

2 陈元非;查剑锋;王磊;;建(构)筑物下采动地表移动与变形极值自动提取方法研究[J];煤炭工程;2017年07期

3 陈健峰;;矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型[J];金属矿山;2017年07期

4 简t$峰;王斌;张美玉;陈嘉诚;;一种求解云服务组合全局QoS最优问题的改进杂交粒子群算法[J];小型微型计算机系统;2017年07期

5 王益清;;薄煤层长钻孔精确控制技术研究与应用[J];山东煤炭科技;2017年06期

6 马飞虎;饶志强;;城市道路短时交通流预测方法研究[J];公路;2017年06期

7 阴永生;年军;吕晓波;;底抽巷“一巷三用”煤与瓦斯共采技术[J];煤矿安全;2017年06期

8 李丹;;煤矿区煤层气地面钻井抽采方式及关键技术[J];煤炭工程;2017年06期

9 王瑾;吴琼;汉鹏武;孙育军;;基于BP神经网络的企业标准化综合评价方法研究[J];标准科学;2017年06期

10 赵国彦;孙贵东;戴兵;陈英;;基于PSO改进的BP网络在爆破大块率优化中的应用[J];爆破;2017年02期

相关期刊论文前10条

1 蔡来良;刘云备;孟万利;徐支松;王珊珊;;矿区高压线塔基础沉降动态预计与监测[J];金属矿山;2016年03期

2 沈震;徐良骥;刘哲;秦长才;;基于Matlab的概率积分法开采沉陷预计参数解算[J];金属矿山;2015年09期

3 刘超;;地质采矿因素对拐点偏距的影响[J];中国高新技术企业;2015年18期

4 陈俊杰;王明远;;基于遗传算法的拐点偏移距神经网络预测模型构建及分析[J];中国地质灾害与防治学报;2015年02期

5 贾新果;;基于蚁群算法的开采沉陷计算参数反演[J];工矿自动化;2015年06期

6 王雷鸣;尹升华;;GIS在矿业系统中的应用现状与展望[J];金属矿山;2015年05期

7 杨俊凯;陈炳乾;邓喀中;何强;赵伟颖;;基于D-InSAR与概率积分法的开采沉陷监测与预计[J];金属矿山;2015年04期

8 朱晓峻;郭广礼;方齐;;概率积分法预计参数反演方法研究进展[J];金属矿山;2015年04期

9 张豪杰;查剑锋;李怀展;;概率积分法参数影响因素分析与研究展望[J];煤炭技术;2015年04期

10 周海;李宏伟;杜泽欣;马雷雷;连世伟;;面向服务的城市管网综合管理系统设计[J];测绘工程;2015年03期

相关期刊论文前10条

1 万再莲;;粒子群优化算法在圆环阵综合中的应用[J];广西轻工业;2010年09期

2 杨松铭;;一种基于混沌序列的粒子群优化算法[J];齐齐哈尔大学学报(自然科学版);2011年04期

3 刘卓倩;顾幸生;陈国初;;三群协同粒子群优化算法[J];华东理工大学学报(自然科学版);2006年07期

4 邵华;;改进的粒子群优化算法在环境规划与管理中的应用[J];市场周刊(理论研究);2009年08期

5 张媛媛;高兴宝;;双评价粒子群优化算法[J];陕西科技大学学报(自然科学版);2012年01期

6 姜长元;赵曙光;郭力争;冀川;;改进型耗散粒子群优化算法[J];东华大学学报(自然科学版);2012年03期

7 莫愿斌;陈德钊;胡上序;王居凤;;二进制粒子群优化算法在化工优化问题中的应用[J];计算机与应用化学;2006年12期

8 邢杰;萧德云;;混合粒子群优化算法及其应用[J];化工学报;2008年07期

9 窦明武;王国艳;李亮;;一种新型粒子群优化算法[J];辽宁工程技术大学学报(自然科学版);2010年06期

10 俞欢军,张丽平,陈德钊,宋晓峰,胡上序;复合粒子群优化算法在模型参数估计中的应用[J];高校化学工程学报;2005年05期