回采巷道围岩稳定性分类及松动圈尺寸预测.pdf

第7卷第4～5期黄叁学技术VoI_7，N0．4～5
1999年8月GoldScienceandTechnologyAug．1909

j

朱川曲
(湘潭工学院，瑚南湘潭411201)

摘要；应用神经网络理论，建立了回采巷遭围岩稳定性分类及松动圈尺寸预覆I的模型理论分析及实例
萎关键茎词：鬯堂兰兰兰；分类；蒌拦里：；墨堕堡。闸】乔一r、了致I
中围分类号：TD263．53／TD801文献标识码：A文章编号；1005—2518(1999)4~5一

为合理选择回采巷道的支护方式，应对回采巷道围岩稳定性进行分类，尤其是我国许多矿区正
在回采巷遭中推广应用锚杆支护技术，更需要进行围岩稳定性分类的研究，为错杆支护设计提供科
学依据。

1分类方法的确定

多年来，国内外的许多学者在围岩分类方面做了大量有益的工作，提出了许多分类方案，大致
可归纳为5种方法“：①单因素指标分类法，如岩石坚固性普氏系数分类法；②多因素定性与定量指
标相结合分类法，如我国的坑道工程围岩分类法；⑧多因素单一综合指标分类法，如美国的岩石质
量指标RQD分类法；④多因素复合指标分类法，如波兰的围岩稳定性指标s分类法；⑤模糊聚类
分类法。第一种方法用单一指标来判断受多种因素影响的围岩稳定性是不完善的。第2、3、4种方法
虽然避免了第一种方法的局限性，但由于考虑的影响因素不尽全面和准确，而且对定性指标的区分
带有主观性，因而不同程度影响了围岩分类结果的客观性。第五种方法是近年来将模糊数学理论引
入围岩分类而产生的，它对于影响因素具有模糊性的围岩分类有一定的适用性和科学性，但这种方
法仍然避免不了确定分类指标权值时存在的主观性。近来，中国矿业大学董方庭教授提出的围岩松
动犀分类法”(属于多因素单一综合指标分类法)，对于指导围岩科学分类和合理选择巷道支护方
式及支护参数具有十分重要的意义但在井下测试围岩松动圈的尺寸较繁杂，其精度往往受测试方
法和手段影响。
8O年代以来，神经嗣络理论作为人工智能科学的一个重要分支发展迅速，在模式识别(分类)、
非线性动态处理、自动控制及预测等领域得到应用，并取得了显著的成就。回采巷道围岩为一复杂
的非线性系统，其分类结果和松动圈尺寸与其影响因素之间为复杂的非线性关系。对于这类问题，
神经嗣络具有较高的建模能力，能真实地刻画所求问题与其影响因素之间的非线性关系。另外，在
煤矿生产实际中，工程技术人员在选择回采巷遭的支护方式时，积累了许多围岩类别界定的经验，
这些经验体现在回采巷道围岩稳定性分类及支护方式选择的成功实例中，而神经嗣络可以从这些
实例中获取大量的隐式知识。为此，采用神经嗣络方法，建立回采巷道围岩稳定性分类及松动圈尺
寸预测的模型。

收稿日期：1999—0330{幡订日期1999—05—10
作者箍彳r：朱JII曲(1963一)．男，副教授，主要从事采矿方面的教学和科研工作

黄金科学技术第7卷

2神经网络的基本原理及学习算法

2．1基本原理
应用神经网络方法进行回采巷道围岩稳定性分类及松动圈尺寸预测的基本思路是根据煤矿井
下支护效果好的回采巷道围岩的有关参数、类别及松动圈尺寸．通过神经网络的自学习、并行处理
及联想记忆等特性。，实现待分类的回采巷道围岩稳定性分类及松动圈尺寸预测。
神经网络具有很强的自学习能力，可从工程实例中获取知识。因此，只要提供一些回采巷道围
岩稳定性分类的成功实例作为学习样本．通过特定的学习算法对样本进行学习，经过网络内部自适
应算法不断修正网络连接权值及节点阈值分布来减少尝试性错误以满足要求，从而把蕴含于样本
中的难以用解析式表示的工程技术人员的经验和知识分布到网络的互连及权值分布上。阿络通过
其连接权值及节点闽值的调整来记忆所学习过的样本并掌握输入变量和输出变量之间的关系。
神经网络具有联想记忆能力，其推理为并行推理。只要将待分类的回采巷道围岩稳定性的影响
因素指标值代人训练好的网络，经网络的神经计算及推理，则与所求问题最接近的输出模式被回忆
出来，从而得到待分类的回采巷道围岩稳定性的类别及围岩松动圈尺寸
2．2学习算法
神经网络模型有多种，此处采用BP(BackPropagation)阿络模型，它由1个输入节点层、1个或
多个隐含节点层、1个输出节点层和层间节点的连接所组成。BP学习算法“如下：
设有k个学习样本，第声(户一1，2．⋯，)个样本有输入(⋯，)和输出(，f⋯，
f)，神经元节点J的输人为：
neti—wwop8i

对于第一隐含层，o-x
神经元节点的输出为
o一f(net，)一，(Ⅳ．0+日)

式中Ⅳ．一节点i与J之间的连接权值；以一节点的阈值；／。_非线性转移函数，一般采用Sigmoid
函数，即
()1
一高
采用平方型误差函数计算单个样本误差E和系统平均误