水灾害抢险救灾专业技术.docVIP

PAGE PAGE 100 6 矿井突水灾害抢险救灾技术 6.1 水源分析技术 矿井突 (涌)水是我国煤矿开采中经常遇到的严重自然灾害之一。对矿井突 (涌)水水源的识别是一切防治水工作 (疏干、降压、注浆等)的基础，也是进行矿井突水事故抢险救灾时首先要分析清楚的第一要素。通常地下水化学、同位素、水温、水位动态观测和分析等方法被用来判别突 (涌)水水源。经验表明，水化学方法(水文地球化学方法的简称，下同)则是其中较为有效的方法。 水化学方法判别矿井突 (涌)水水源的依据是：不同含水层的水具有不同的水化学成分。这些能用以区分不同含水层地下水特征的组分称为：“标型元素”或“标型组分”。以往应用较多的标型组分 (元素)是“6大离子”、溶解氧、硝酸根离子等。在判别方法上常应用 Piper三线图法 (基于 6大离子相对含量)、单组分值域法或两组分作图法。近年来，一些数理统计方法也相继应用到对包括突 (涌)水水源在内的水化学样品的分析和研究上。在短短几年中这些常规方法已显示出其有效性和实用性。 6.1. 6.1.1.1 图6.1 具有一个隐层BP网络拓朴结构示意 可以利用人工神经网络ANN（Artificial Neural Network）中的多层网络BP算法进行突水水源判别。BP网络的学习由四个过程组成，即输入模式由输入层经中间层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之差的误差信号由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”反复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。简言之，就是由“模式顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”的过程。 （1）基本公式推导。BP三层节点表示为，输入节点：，隐节点：，输出节点：，输入节点与隐节点间的网络权值为，隐节点与输出节点间的网络权值为，隐节点、输出节点的阈值分别为、，当输出节点的期望输出为tl时，BP模型的计算公式为： 隐节点的输出： 输出节点的计算输出： 输出节点的误差： 其中 , 网络权值修正 E是多个Ok的函数，但只有一个Ol与Tli有关，各Ok间相互独立。其中 则 E是多个的函数，针对某个，对应一个，它与所有有关（上式只存在对ι的求和），其中 则 因网络中采用的传递函数，存在关系 则有 设输出节点误差 隐节点误差 由于权值的修正正比于误差函数沿梯度下降，则有 因此权值修正为 阈值的修正。 由于 则 6.1.1. 表6.1 矿业系统中应用的部分网络神经结构 文献 网络类型 结构 解决问题 唐绍辉3层BP 4:10:1 用声发射数据预报铁矿冒顶 李文平 3层BP 8:17:5 延深巷道工程地质分类 谢广祥 3层BP 14:6:5 围岩分类 朱川曲 4层BP 15:29:16:3 工作面单产、工效及采出率预测 邓建辉 3层BP 3:30:15 岩石边坡位移反分析 冯夏庭 3层BP 8:15:1 岩石节理力学参数估计 姜长友 3层BP 7:5:4 水源判别 根据矿业系统上应用神经网络分类的案例（表6.1），一般采用BP网络的3层结构，即输入层、隐含层、输出层（图6.1），也有学者称此拓朴结构为2层结构。隐含层神经元个数目前尚无理论值，并且不同的研究者解决不同问题时，所取值也不一样。多数应用者认为隐含层的神经元个数是输入层神经元个数的2倍以上是比较合适的，但具体情况应具体对待。可以对同一个学习样本，构造不同的网络拓扑结构，然后用同一组检验样本进行检验，选择误差最小的网络结构进行水源判别。 6.1.1. 采用MATLAB（Matrix Laboratory,即矩阵实验室）软件包中提供的神经网络工具箱进行判别，主要语句有： net=newff(p,[202],{logsig purelin})。 生成一个前馈BP网络，网络隐含层神经元为20个，输出神经元为2个，输入层与隐含层之间的传递函数为对数S型传递函数，隐含层与输出层之间的传递函数为线性传递函数。 net=train(net,p,t)。 网络训练，以达到所要求的误差、最大训练次数或系统默认的最小梯度。 a=sim(net,p2) 网络仿真，以达到所要求的目的。 计算程序主要部分如下： clear clc p1。 %原始输入数据 n1。%输入数组个数 n2。%网络学习组数 n3。%学习及检验组数 pt=p1(1:n1,1:7)。 %p1为原始输入数据 t=(p1(1:n2,8:9))。 %数据归一化处理 pmax=[max(pt(1:n1,1:1)),max(pt(1:n1,2:2)),