基于BP神經(jīng)網(wǎng)絡(luò)理論的注漿材料模型研究

劉 猛

(河北鼎基環(huán)保工程集團(tuán)有限公司，河北 邢臺(tái) 054100)

基于BP神經(jīng)網(wǎng)絡(luò)理論的注漿材料模型研究

劉 猛

(河北鼎基環(huán)保工程集團(tuán)有限公司，河北 邢臺(tái) 054100)

以某礦現(xiàn)場(chǎng)注漿材料正交試驗(yàn)數(shù)據(jù)為訓(xùn)練樣本，以注漿材料結(jié)石體28d強(qiáng)度為考核指標(biāo)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，樣本訓(xùn)練結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果擬合度均高于99%。選取礦山具有代表性的材料配合比實(shí)測(cè)結(jié)果與模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果具有較高的吻合度，能夠進(jìn)行注漿材料的28d強(qiáng)度預(yù)測(cè)。這對(duì)于快速確定注漿參數(shù)，實(shí)現(xiàn)突水災(zāi)害治理具有重要意義。

注漿堵水；注漿材料配合比；BP神經(jīng)網(wǎng)絡(luò)；強(qiáng)度預(yù)測(cè)

Abstract: Taking the orthogonal test of the grouting material in the mine as the training samples, based on the 28d intensity of grouting material, the BP neural network prediction model was established. Sample training results and BP neural network model prediction results fit up to 99% .The representative material mix ratio of the selected mine was compared with the forecasting model,the results show that the BP neural network model has higher agreement with the actual results. It is very important to quickly determine the grouting parameters and realize the management of waterlogging disaster.

Keywords:grouting shutoff; grouting material mix ratio; BP neural network; strength prediction

0 引言

為了能在礦井發(fā)生突水災(zāi)害時(shí)，快速封堵突水通道，隔離突水水源，最大限度降低突水災(zāi)害帶來(lái)的損失，就需要快速確定注漿參數(shù)[1-5]。不同的注漿材料及配合比形成的結(jié)石體強(qiáng)度和加固范圍不同，現(xiàn)場(chǎng)注漿時(shí)需進(jìn)行材料的配比試驗(yàn)，既浪費(fèi)時(shí)間又耗費(fèi)人力、財(cái)力，受各種因素影響其結(jié)果可能存在較大偏差[6-8]。各材料對(duì)漿液形成的結(jié)石體強(qiáng)度影響復(fù)雜，不易確定注漿材料與結(jié)石體強(qiáng)度之間的關(guān)系模型。如果在合理誤差范圍內(nèi)，能夠建立注漿材料與強(qiáng)度之間的關(guān)系模型，對(duì)于提高工作效率，降低成本，實(shí)現(xiàn)快速治理突水災(zāi)害具有實(shí)際意義。

人工神經(jīng)網(wǎng)絡(luò)以非線性處理單元模擬生物神經(jīng)元，各單元之間以一定的形式連接成網(wǎng)絡(luò)，是一種高維性、自組織性、模糊性和自學(xué)習(xí)能力較強(qiáng)的數(shù)學(xué)模型，在解決非線性問(wèn)題及類型識(shí)別方面具有很強(qiáng)的優(yōu)勢(shì)[9-13]。因此，以某礦正交試驗(yàn)數(shù)據(jù)為訓(xùn)練樣本，以注漿材料28d強(qiáng)度為試驗(yàn)指標(biāo)，建立BP神經(jīng)網(wǎng)絡(luò)模型，并隨機(jī)選取礦山注漿工程實(shí)踐中的材料配合比，并將其實(shí)測(cè)結(jié)果與模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

1 注漿材料

合理選擇注漿材料是注漿堵水工程成敗的關(guān)鍵，這不僅需要考慮現(xiàn)場(chǎng)實(shí)際情況，還需綜合考慮經(jīng)濟(jì)效益，根據(jù)注漿目的、注漿層位、施工技術(shù)與環(huán)境、造價(jià)等因素來(lái)選擇適宜注漿材料，將直接關(guān)系到注漿堵水工程的進(jìn)度和成敗。根據(jù)礦山多年注漿堵水經(jīng)驗(yàn)，確定采用42.5#普通硅酸鹽水泥為基礎(chǔ)材料，輔以適量的外加劑，提高水泥漿液的凝結(jié)速度和早期強(qiáng)度。

2 正交試驗(yàn)

注漿工程中的注漿參數(shù)將直接影響到漿液的凝固時(shí)間、強(qiáng)度和擴(kuò)散距離，以及整個(gè)堵水工作的質(zhì)量和效果。依據(jù)礦山的注漿經(jīng)驗(yàn)，選擇對(duì)注漿材料影響較大的水泥、用水量和添加劑進(jìn)行3因素3水平的正交試驗(yàn)，以確定最優(yōu)配比，正交試驗(yàn)參見(jiàn)表1。試驗(yàn)指標(biāo)為注漿材料結(jié)石體28d抗壓強(qiáng)度，正交試驗(yàn)結(jié)果參見(jiàn)表2。

表1 正交試驗(yàn)因素水平

表2 正交試驗(yàn)配合比及實(shí)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果一覽表

由于正交試驗(yàn)是選擇一部分具有代表性的水平組合進(jìn)行試驗(yàn)，是非線性不連續(xù)的。對(duì)于未出現(xiàn)的水平組合也無(wú)法進(jìn)行預(yù)測(cè)，需要進(jìn)行新的試驗(yàn)。據(jù)此，利用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，對(duì)未出現(xiàn)的水平組合進(jìn)行預(yù)測(cè)。

3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

人工經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型，它可以實(shí)現(xiàn)任何形式的非線性映射，利用已有數(shù)據(jù)學(xué)習(xí)、訓(xùn)練構(gòu)建網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)其他數(shù)據(jù)的可靠預(yù)測(cè)。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)屬于人工神經(jīng)網(wǎng)絡(luò)中的前饋網(wǎng)絡(luò)，包括輸入層、隱含層(中間層)和輸出層，輸入層和輸出層由輸入數(shù)據(jù)和輸出數(shù)據(jù)確定，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

以水泥、用水量和添加劑作為網(wǎng)絡(luò)模型識(shí)別因子，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型：

(1) 以正交試驗(yàn)數(shù)據(jù)為源數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，源數(shù)據(jù)為3×9的矩陣，即輸入層為3層，28d強(qiáng)度為1×9的矩陣，即輸出層為1層。

(2) 網(wǎng)絡(luò)類型為Feed-forward backprop，訓(xùn)練函數(shù)采用trainlm函數(shù)，隱含層采用tansig函數(shù)，輸出層采用logsig函數(shù)作為傳遞函數(shù)，其余參數(shù)默認(rèn)即可。

(3) 隱含層由1層開(kāi)始逐漸增加調(diào)試，以regression 曲線為指標(biāo)，其擬合度在隱含層為8層時(shí)，擬合度最高為99.821%，相對(duì)誤差為0.179%，參見(jiàn)圖2。

圖2 BP神經(jīng)網(wǎng)絡(luò)regression曲線

(4) 將輸出結(jié)果與目標(biāo)變量進(jìn)行對(duì)比，參見(jiàn)表2。觀察網(wǎng)絡(luò)輸出效果，通過(guò)對(duì)比發(fā)現(xiàn)，均與原始結(jié)果極為接近，說(shuō)明網(wǎng)絡(luò)訓(xùn)練效果較佳，保存網(wǎng)絡(luò)模型network。

(5) 利用sim(network，b) 函數(shù)調(diào)用已保存好的網(wǎng)絡(luò)模型對(duì)注漿材料28d強(qiáng)度進(jìn)行預(yù)測(cè)，其中b為待進(jìn)行預(yù)測(cè)的矩陣數(shù)據(jù)。

3.2 工程實(shí)例

隨機(jī)選取礦山注漿工程實(shí)踐中的注漿材料配合比，利用sim()函數(shù)調(diào)用已保存好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)注漿材料28d強(qiáng)度進(jìn)行預(yù)測(cè)，并與現(xiàn)場(chǎng)實(shí)測(cè)結(jié)果進(jìn)行對(duì)比分析，參見(jiàn)表3，由表可知，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果極為接近，說(shuō)明建立的模型可以對(duì)注漿材料結(jié)石體28d強(qiáng)度進(jìn)行預(yù)測(cè)。

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)28d結(jié)果一覽表

續(xù)表

4 結(jié)論

(1) BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)各因素之間的非線性映射，建立特定函數(shù)關(guān)系。

(2) BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，樣本訓(xùn)練擬合度為99.821%，網(wǎng)絡(luò)模型總的擬合度為99.161%，具有很高的精確度，可以預(yù)測(cè)注漿材料的強(qiáng)度。

(3) 對(duì)于訓(xùn)練好的網(wǎng)絡(luò)模型可以直接調(diào)用，省去了大量的試驗(yàn)工作，具有快速高效、操作簡(jiǎn)單、結(jié)果客觀可靠、成本較低等優(yōu)點(diǎn)，能夠快速有效地確定材料配比，減少盲目性，指導(dǎo)下一步的治理工作。

[1] 白峰青，盧蘭萍，緱書(shū)寶，等.德盛煤礦特大突水治理技術(shù)[J].煤炭學(xué)報(bào)，2007，32(7):741-743.

[2] 劉猛，白峰青，申繼學(xué)，等.煤礦特大突水原因分析與通道探查技術(shù)[J].礦業(yè)工程研究2015，30(1):30-33.

[3] 武強(qiáng)，崔芳鵬，趙蘇啟，等.礦井水害類型劃分及主要特征分析[J].煤炭學(xué)報(bào)，2013，38(4):561-565.

[4] Winter T C，Buso D C，Shattuck P C，et al.The effect of terrace geology on groundwater movement and on the interaction of groundwater and surface water on a mountainside near Mirror Lake，New Hampshire，USA[J].Hydrological Processes，2008，22(1):21-32.

[5] SHAN Yao，QIN Yong，WANG Wenfeng.Chromium leaching mechanism of coal mine water[J].Mining Science and Technology，2010(1):97-102.

[6] 張耀輝，張海波.礦井防治水技術(shù)研究現(xiàn)狀及展望[J].煤礦安全，2016，47(4):195-198.

[7] 苗潤(rùn)桃，劉武團(tuán)，郭生茂.注漿堵水技術(shù)的應(yīng)用實(shí)踐[J]. 化工礦物與加工，2005，(10):33-35.

[8] 侯曉雁，侯永利.土木工程材料[M].南京：江蘇科學(xué)技術(shù)出版社，2013.

[9] 魏微，高謙，何環(huán)莎.BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)外加劑對(duì)充填體強(qiáng)度的影響[J].礦業(yè)研究與開(kāi)發(fā)，2014，34(1):18-21.

[10] 崔明義，孫恒虎.基于MATLAB的膠結(jié)充填材料BP神經(jīng)網(wǎng)絡(luò)質(zhì)量模型[J].有色金屬，2003，55(1):121-123.

[11] 劉猛.基于BP神經(jīng)網(wǎng)絡(luò)的礦井水源判別模型[J].礦業(yè)工程研究，2015，30(4):17-20.

[12] 徐忠杰，楊永國(guó)，湯琳.神經(jīng)網(wǎng)絡(luò)在礦井水源判別中的應(yīng)用[J].煤礦安全，2007(2):4-6.

[13] 李燕，徐志敏，劉勇.礦井突水水源判別方法概述[J].煤炭技術(shù)，2010，29(11):87-89.

ResearchonGroutingmaterialModelBasedonBPNeuralNetwork

LIU Meng

(HebeiDingjiEnvironmentalProtectionEngineeringGroupCo.,Ltd,Xingtai, 054100,China)

TP183

A

1672-7169(2017)03-0054-04

2017-03-24

劉猛(1988-)，男，河北邢臺(tái)人，碩士，河北鼎基環(huán)保工程集團(tuán)有限公司工程師，研究方向：礦山安全與環(huán)境及固廢處理。E-mail: liumenghebei@126.com