程海星，朱 磊，宋立平，劉文濤，徐 凱

（中煤能源研究院有限責(zé)任公司，陜西 西安710054）

礦山壓力及其顯現(xiàn)規(guī)律作為煤礦開(kāi)采理論的核心，是煤礦研究的重中之重。而在進(jìn)行礦壓研究時(shí)，分析計(jì)算工作面頂板來(lái)壓步距與來(lái)壓強(qiáng)度往往是研究的重點(diǎn)和難點(diǎn)?，F(xiàn)有理論多采用彈塑性理論計(jì)算頂板壓力，但往往誤差較大[1]。工作面頂板來(lái)壓步距與來(lái)壓強(qiáng)度多與開(kāi)采因素成非線性關(guān)系，往往難以擬合出理想的函數(shù)關(guān)系。

近年來(lái)，人工智能技術(shù)得到了飛速發(fā)展與應(yīng)用。人工智能技術(shù)目前廣泛應(yīng)用于模式識(shí)別、圖像識(shí)別、自然語(yǔ)言處理、實(shí)時(shí)分析工具和無(wú)人駕駛等領(lǐng)域[2]。隨著人工智能技術(shù)的研究與發(fā)展越來(lái)越成熟，將其應(yīng)用于煤礦領(lǐng)域已迫在眉睫。人工智能技術(shù)的基礎(chǔ)是神經(jīng)網(wǎng)絡(luò)，且神經(jīng)網(wǎng)絡(luò)非常適合處理非線性問(wèn)題[3]，將其應(yīng)用于礦壓數(shù)據(jù)預(yù)測(cè)可能會(huì)成為未來(lái)礦壓研究的1個(gè)分支方向。

為此，基于人工智能技術(shù)中的逆向傳播神經(jīng)網(wǎng)絡(luò)，建立了頂板礦壓數(shù)據(jù)預(yù)測(cè)模型，以王家?guī)X及周邊煤礦頂板礦壓實(shí)測(cè)數(shù)據(jù)作為模型的學(xué)習(xí)樣本，以王家?guī)X煤礦12309工作面實(shí)測(cè)礦壓數(shù)據(jù)為驗(yàn)證樣本，分析模型誤差，并評(píng)判模型的可靠性。

1 逆向傳播神經(jīng)網(wǎng)絡(luò)原理

神經(jīng)網(wǎng)絡(luò)是用來(lái)模擬生物體內(nèi)的神經(jīng)元系統(tǒng)而建立的概念，它從信息處理角度對(duì)神經(jīng)元進(jìn)行抽象、簡(jiǎn)化而來(lái)。為了與生物學(xué)的神經(jīng)元區(qū)分開(kāi)來(lái)，一般把經(jīng)過(guò)抽象、簡(jiǎn)化的神經(jīng)元稱(chēng)作神經(jīng)單元。常用的神經(jīng)網(wǎng)絡(luò)包括線性神經(jīng)網(wǎng)絡(luò)、感知器神經(jīng)網(wǎng)絡(luò)、逆向傳播神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)等。

逆向傳播神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代中期由David Rumelhart、Geoffrey Hinton和McClelland等學(xué)者提出的，是1種按照誤差逆向傳播（簡(jiǎn)稱(chēng)誤差反傳）算法學(xué)習(xí)的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一[4-5]。逆向傳播神經(jīng)網(wǎng)絡(luò)模型如圖1。

圖1 逆向傳播神經(jīng)網(wǎng)絡(luò)模型Fig.1 Back propagation neural network model

逆向傳播神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)3個(gè)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(lái)存儲(chǔ)輸入數(shù)據(jù)，輸入層神經(jīng)單元個(gè)數(shù)等于輸入?yún)?shù)的個(gè)數(shù)；隱含層用來(lái)接收輸入層的數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行加權(quán)處理，隱含層層數(shù)與神經(jīng)單元個(gè)數(shù)就需要設(shè)計(jì)者自己根據(jù)一些規(guī)則和目標(biāo)來(lái)設(shè)定，可以為1層也可以為多層；輸出層用來(lái)輸出結(jié)果，輸出層神經(jīng)單元個(gè)數(shù)等于輸出參數(shù)的個(gè)數(shù)。

逆向傳播神經(jīng)網(wǎng)絡(luò)算法又稱(chēng)最速下降法[6-20]，具體如下：

式中：Wij為節(jié)點(diǎn)i與j之間的連接權(quán)重；t為網(wǎng)絡(luò)迭代次數(shù)；η為學(xué)習(xí)步長(zhǎng)，取值范圍為0.01～0.1；α為沖量系數(shù)，取值為0.9；E為權(quán)重空間｛Wij（t）｝的誤差超平面。

基本逆向傳播算法包括數(shù)據(jù)流的正向傳播和誤差的逆向傳播2個(gè)過(guò)程[6,10-13,18-19]。正向傳播時(shí)，傳播方向?yàn)檩斎雽印[含層→輸出層，每層神經(jīng)單元的狀態(tài)只影響下個(gè)層神經(jīng)單元，并根據(jù)給定的初始化權(quán)重值和偏置值計(jì)算最終輸出值以及輸出值與實(shí)際值之間的損失值；如果損失值不在給定的范圍內(nèi)則進(jìn)行逆向傳播的過(guò)程，否則停止。逆向傳播時(shí)，傳播方向?yàn)檩敵鰧印[含層→輸入層，并對(duì)每層的各個(gè)神經(jīng)單元的權(quán)重值和偏置值進(jìn)行調(diào)節(jié)，以使損失值趨向最小。

2 逆向傳播神經(jīng)網(wǎng)絡(luò)模型的建立

礦壓學(xué)習(xí)樣本數(shù)據(jù)采集于大同礦區(qū)部分礦井頂板來(lái)壓數(shù)據(jù)。樣本輸入?yún)?shù)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(kāi)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(zhǎng)度、推進(jìn)速度共11個(gè)主要影響因素；輸出參數(shù)選擇4個(gè)，分別為初次來(lái)壓強(qiáng)度、周期來(lái)壓強(qiáng)度、初次來(lái)壓步距、周期來(lái)壓步距。因此，確定逆向傳播神經(jīng)網(wǎng)絡(luò)模型輸入層節(jié)點(diǎn)數(shù)為12個(gè)，輸出層節(jié)點(diǎn)數(shù)為4個(gè)；為簡(jiǎn)化網(wǎng)絡(luò)，確定隱含層層數(shù)為1，隱含層節(jié)點(diǎn)數(shù)為24個(gè)。

3 逆向傳播神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與訓(xùn)練

將王家?guī)X及周邊煤礦頂板43組礦壓實(shí)測(cè)數(shù)據(jù)作為逆向傳播神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)與訓(xùn)練樣本，以MATLAB為研究軟件平臺(tái)，加載以上樣本數(shù)據(jù)，通過(guò)預(yù)測(cè)工作面頂板礦壓數(shù)據(jù)準(zhǔn)確性，來(lái)評(píng)價(jià)所建立的逆向傳播神經(jīng)網(wǎng)絡(luò)模型。樣本數(shù)據(jù)見(jiàn)表1。

表1 原始數(shù)據(jù)樣本（僅為部分?jǐn)?shù)據(jù)）Table 1 Raw data samples（partial data only）

4 工作面礦山壓力實(shí)測(cè)

12309工作面共有液壓支架150架，每架均能實(shí)現(xiàn)液壓支架工作阻力實(shí)時(shí)監(jiān)測(cè)，監(jiān)測(cè)間隔時(shí)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(jìn)行實(shí)時(shí)監(jiān)測(cè)，期間工作面共推進(jìn)71.2 m，每架支架共監(jiān)測(cè)9 933個(gè)數(shù)據(jù)。液壓支架工作阻力監(jiān)測(cè)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(jiān)測(cè)圖）。

圖2 液壓支架工作阻力監(jiān)測(cè)匯總圖Fig.2 Summary chart of hydraulic support working resistance monitoring

將12309工作面監(jiān)測(cè)支架數(shù)據(jù)進(jìn)行處理，可得到各支架礦壓數(shù)據(jù)平均值，12309工作面液壓支架來(lái)壓特性表見(jiàn)表2。

表2 12309工作面液壓支架來(lái)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(yù)測(cè)及分析

將模型訓(xùn)練時(shí)的43組數(shù)據(jù)作為樣本數(shù)據(jù)，以監(jiān)測(cè)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(zhǎng)度、煤厚、煤厚變化率、采高、直接頂厚、基本頂厚、推進(jìn)速度平均值及表2的12309工作面液壓支架實(shí)測(cè)數(shù)據(jù)作為預(yù)測(cè)數(shù)據(jù)代入訓(xùn)練好的逆向傳播神經(jīng)網(wǎng)絡(luò)模型，進(jìn)行綜采工作面頂板來(lái)壓預(yù)測(cè)驗(yàn)證。統(tǒng)計(jì)12309工作面頂板礦壓數(shù)據(jù)實(shí)測(cè)值與預(yù)測(cè)值相對(duì)誤差，12309工作面頂板礦壓數(shù)據(jù)實(shí)測(cè)值與預(yù)測(cè)值相對(duì)誤差見(jiàn)表3。

表3 12309工作面頂板礦壓數(shù)據(jù)實(shí)測(cè)與預(yù)測(cè)值相對(duì)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(shù)據(jù)預(yù)測(cè)值與實(shí)測(cè)值的相對(duì)誤差最大為4.33%，即逆向傳播神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的工作面頂板礦壓數(shù)據(jù)相對(duì)誤差均小于5%，表明該模型的準(zhǔn)確性和可靠性較高。

6結(jié)語(yǔ)

1）以11個(gè)礦壓主要影響因素為基礎(chǔ)建立了預(yù)測(cè)工作面頂板礦壓數(shù)據(jù)的逆向傳播神經(jīng)網(wǎng)絡(luò)模型。

2）以王家?guī)X及周邊煤礦具有代表性的43組綜采工作面頂板礦壓實(shí)測(cè)數(shù)據(jù)建立學(xué)習(xí)樣本，以王家?guī)X煤礦12309工作面實(shí)測(cè)礦壓數(shù)據(jù)為驗(yàn)證樣本，檢驗(yàn)了逆向傳播神經(jīng)網(wǎng)絡(luò)模型的精準(zhǔn)度。經(jīng)學(xué)習(xí)后逆向傳播神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果的最大相對(duì)誤差為4.334%，小于5%，符合工程應(yīng)用允許的誤差范圍，說(shuō)明針對(duì)工作面頂板礦壓數(shù)據(jù)預(yù)測(cè)所建立的逆向傳播神經(jīng)網(wǎng)絡(luò)模型具有較高的準(zhǔn)確性和可靠性。

3）本次研究為采用人工智能技術(shù)預(yù)測(cè)礦壓數(shù)據(jù)提供了1種思路。如能將逆向傳播神經(jīng)網(wǎng)絡(luò)與大數(shù)據(jù)技術(shù)相結(jié)合，將極有可能實(shí)現(xiàn)礦壓數(shù)據(jù)的實(shí)時(shí)預(yù)測(cè)。