基于PSO-BP神经网络的浅埋煤层工作面顶板矿压预测研究

论文摘要

浅埋煤层工作面顶板来压猛烈，支架动载明显，易造成支架损坏。目前多数煤矿的矿压预报还依赖于专家经验和工程类比，依靠经验来指导生产存在一定的局限性和盲目性。人工神经网络预测技术已广泛应用于煤矿，采用这一新方法可以对工作面顶板矿压显现进行预报，对煤矿安全生产具有重要意义。通过对浅埋煤层顶板矿压机理进行总结研究，分析并得出浅埋煤层工作面矿压的影响因素：推进距离、采高、基载比、基岩厚度等。对现有的BP神经网络（Back PropagationNeural Network）和粒子群优化算法（Paticle Swarm Optimization）理论进行总结和改进，将改进后的PSO算法训练BP神经网络，建立PSO-BP神经网络模型。该模型能够表达工作面顶板矿压与影响因素之间的相互关系，进而预测顶板矿压。以神东哈拉沟煤矿02212综采工作面为工程背景，进行基于PSO-BP神经网络模型的矿压预测实践研究。通过工作面液压支架的工作阻力进行观测，分析观测数据，得出该工作面的矿压显现规律并确定影响因素。运用非线性回归分析，计算这些影响因素的相关系数，选取敏感因素作为输入参数，导入PSO-BP神经网络模型，得出该工作面顶板矿压与影响因素的相互关系的表达式。依据现场支架载荷数据与推导的关系表达式，运用Matlab的软件编程与计算，对工作面10个工作循环的支架载荷数据进行预测，实现了PSO-BP神经网络工作面顶板矿压仿真计算。将预测值与实测值进行误差分析，并同单一的BP模型进行比对，结果表明，PSO-BP神经网络模型较好的预测了顶板矿压，准确性明显优于BP模型。研究表明，基于PSO-BP神经网络模型预测工作面顶板矿压是一种较为可靠的预测方法，该方法作为煤矿安全生产的辅助决策手段，具有广阔的工程应用前景。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 研究背景
• 1.2 研究意义
• 1.3 国内外研究现状
• 1.3.1 人工神经网络模型
• 1.3.2 人工神经网络在矿山中的应用进展
• 1.3.3 煤矿顶板矿压预测的研究现状
• 1.3.4 小结
• 1.4 研究目标、路线及内容
• 1.4.1 研究目标与内容
• 1.4.2 研究技术路线
• 2 浅埋煤层工作面顶板矿压显现规律及影响因素
• 2.1 浅埋煤层工作面矿压显现基本规律
• 2.1.1 浅埋煤层的定义
• 2.1.2 工作面顶板来压机理
• 2.1.3 工作面顶板初次来压基本规律
• 2.1.4 工作面顶板周期来压基本规律
• 2.1.5 小结
• 2.2 浅埋煤层工作面顶板矿压显现的影响因素
• 2.2.1 顶板岩层组成对矿压显现的影响
• 2.2.2 地质条件对矿压显现的影响
• 2.2.3 开采工艺参数对顶板矿压显现的影响
• 2.2.4 设备及其他因素对工作面顶板矿压显现的影响
• 2.3 本章小结
• 3 浅埋煤层工作面的顶板矿压预测方法研究
• 3.1 预测方法概述
• 3.2 BP 神经网络
• 3.2.1 BP 网络及其算法
• 3.2.2 隐含层层数及该层神经元个数
• 3.2.3 BP 神经网络的优势和不足
• 3.3 粒子群优化算法
• 3.3.1 粒子群优化算法原理
• 3.3.2 PSO 算法与其他进化算法比较
• 3.3.3 粒子群优化算法框架流程
• 3.4 改进的粒子群优化算法
• 3.4.1 改进的PSO 算法参数分析
• 3.4.2 改进的PSO 算法的性能测试
• 3.5 用改进的粒子群优化算法训练BP 神经网路
• 3.5.1 PSO-BP 神经网络算法思想
• 3.5.2 PSO-BP 神经网络算法设计
• 3.5.3 PSO-BP 神经网络算法流程
• 3.6 本章小结
• 4 工作面顶板矿压观测及数据分析
• 4.1 神东哈拉沟02212 综采工作面矿压观测
• 4.1.1 煤矿顶板矿压观测概述
• -2 煤层矿区地质状况'>4.1.2 神东哈拉沟2^-2煤层矿区地质状况
• 4.1.3 矿压观测方法
• 4.1.4 开采期间顶板来压观测
• 4.2 非线性回归分析
• 4.2.1 回归分析的基本概念
• 4.2.2 非线性回归分析
• 4.3 模型输入输出参数的选取
• 4.3.1 相关性分析的目的
• 4.3.2 各工艺参数间相关性分析
• 4.3.3 模型输入参数的确定
• 4.4 顶板矿压与其影响因素的关系表达
• 5 基于PSO-BP 神经网络的浅埋煤层工作面顶板矿压预测
• 5.1 模型结构与参数的确定
• 5.2 实测数据的预处理
• 5.3 模型的仿真实验
• 5.4 本章小结
• 6 结论
• 致谢
• 参考文献
• 附录