基于SSA-BP神经网络的岩爆烈度等级预测.pdf

第 卷第期有色金属（矿山部分）年月犱 狅 犻：犼 犻 狊 狊 狀 基于犛 犛 犃 犅 犘神经网络的岩爆烈度等级预测王文通，张千俊，郭沙，梁博，刘传举，（西南科技大学 环境与资源学院，四川 绵阳 ；绵阳市海川爆破工程有限公司，四川 绵阳 ）摘要：随着深部开采战略在我国的发展，岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（，）神经网络模型进行岩爆预测的准确性与有效性，采用麻雀搜索算法（，）优化传统 神经网络，提出一种基于麻雀搜索算法优化 神经网络的岩爆预测模型（模型）。在考虑岩爆产生的内外因基础上，选取相关岩爆预测指标，利用国内外 例已有工程岩爆数据建立 模型，并与传统 模型、粒子群算法（，）优化支持向量机（，）模型对比。结果表明：预测模型的有效性和准确度皆高于传统 模型和 模型，同时 模型训练集的均方误差（，）为 ，比传统 模型（）降低 ，可为类似工程的岩爆预测提供科学依据。关键词：岩爆；神经网络；麻雀搜索算法；均方误差；准确率中图分类号：文献标志码：文章编号：（）犘 狉 犲 犱 犻 犮 狋 犻 狅 狀狅 犳 狉 狅 犮 犽犫 狌 狉 狊 狋 犻 狀 狋 犲 狀 狊 犻 狋 狔犫 犪 狊 犲 犱狅 狀犛 犛 犃 犅 犘狀 犲 狌 狉 犪 犾 狀 犲 狋 狑 狅 狉 犽 ，（，；，）犃 犫 狊 狋 狉 犪 犮 狋：，（），（）（），（），犓 犲 狔狑 狅 狉 犱 狊：；收稿日期：基金项目：国家自然科学基金资助项目（）；四川省自然科学基金资助项目（）作者简介：王文通（），男，硕士，采矿工程专业，主要从事采矿工程和岩石力学方面的研究。：。通信作者：刘传举（），男，博士，副教授，矿业工程专业，主要从事岩石力学与采矿工艺的教学与科研工作。：。岩爆是在高地应力条件下，由于外界扰动导致围岩应力重新分布，储存于岩体中的弹性应变能突然释放，且产生一系列破坏现象的一种动力失稳地质灾害。岩爆不仅造成经济损失，而且直接威胁人员和设备设施的安全，严重的还会诱发地震，造成一系列次生灾害。精准、可靠地预测岩爆一直都是安全生产方面的热点问题。有色金属（矿山部分）第 卷国内外众多学者从多方面做了大量关于岩爆的研究，其中具有代表性的有：判据、判据、判 据 及 陆 家 佑 判 据 等。龚 剑等运用系统工程的理论建立了 的岩爆预测模型；宫凤强等建立了基于 判别分析方法的岩爆分级模型；周科平等结合系统工程理论与云模型建立了岩爆烈度分级预测的熵权法正态云模型；周英豪等建立了岩爆灾害博弈论组合赋权预测模型。但由于岩爆是一个复杂的非线性问题，上述方法考虑指标权重问题，侧重于现场经验，难以摆脱主观的影响。同时由于计算机技术与大数据的飞速发展，机器学习相关的研究方法应运而生，许多相关学者 建立了不同的神经网络模型，充分利用机器学习相关算法的优势即数据驱动、挖掘数据的深层关系，避免人为影响，以达到解决工程实际问题的目的。但是传统 神经网络实质是梯度下降法，其采用的 算法随机初始化权值与阈值，同时它优化的目标函数十分复杂，这就造成了传统 神经网络迭代速度缓慢，容易出现“过拟合”或者陷入局部最优等问题。为解决传统 神经网络的以上问题，本文采用麻雀搜索算法优化 神经网络，优化权值与阈值随机初始化问题，减小误差，提高预测精度。基于 算法的网络模型 犅 犘神经网络 神经网络是基于误差反向传播的多层前馈神经网络，通过调节内部各节点之间的关系达到处理信息的目的，其结构包括输入层、隐含层（本文采用单隐含层）和输出层，各层通过权重（犻 犼）联系到一起，如图所示。神经网络的运行流程：神经网络每层都有自己的处理函数，上一层的信息到达，经过处理函数（犳）之后输出给下一层，最后将预测结果与真实值相对比，如果预测精度达到要求则输出结果并结束程序，否则将误差反向传递并以之为依据调整所有权值与阈值，直到最终误差达标或者达到最大训练次数。由此看出，我们需要确定的参数包括：输入层神经元个数、隐藏层神经元个数、输出层神经元个数以及各连接层之间的权重与阈值，以建立需要的 神经网络。但是，传统 神经网络随机初始化权值与阈值，且每次更新的权值和阈值较多，模型容易陷入局部最优或较低的收敛速度。图神经网络结构图犉 犻 犵 犖 犲 狌 狉 犪 犾狀 犲 狋 狑 狅 狉 犽狊 狋 狉 狌 犮 狋 狌 狉 犲犱 犻 犪 犵 狉 犪 犿 麻雀算法原理 是近 年 来 提 出 的 全 新 的 群 智 能 优 化 算法，它的灵感来自于麻雀捕食与反捕过程中的行为。麻雀算法迭代结构简单，同时迭代速度很快，其原理为：麻雀会不断察看周围的环境以获得更多的食物，保证最高效的食物获取率。麻雀根据自身能量高低分为探索者（高）与跟随者（低），二者可以相互转换，但是所占种群比例不变。同时，麻雀在捕食过程中还会根据所处位置的危险状况做出相应的反哺食行为，保证自身的安全，这部分称为警戒者。作为探索者，其拥有着更大的觅食范围，引导着种群的觅食方向，它的位置如式（）的方式进行更新：犡狋 犻，犼犡狋犻，犼 （犻犻 狋 犲 狉 ）犚犛 犜犡狋犻，犼犙犔犚烅烄烆犛 犜（）式中，犡狋 犻，犼为第犻个麻雀在第犼维中的位置信息；狋为当前迭代次数；犻 狋 犲 狉 为最大迭代次数；是（，内的随机数；犚（犚，）是报警值；犛 犜（犛 犜 ，）是安全值（本文取 ）；犙是属于正态分布的随机数；犔是犖的矩阵，其中每个元素均为。跟随者的位置如式（）的方式进行更新：犡狋 犻，犼犙 （犡 犡狋犻，犼犻）犡狋 犘 狘犡狋犻，犼犡狋 犘狘犃烅烄烆犔（）式中，犡 是迭代过程中的最差位置；犡犘是当前跟随者的最佳位置；狀为种群数，犃为狀的矩阵，其内部元素取值随机为或，且犃满足犃犃（犃 犃），当犻狀时，表示当前状态下第第期王文通等：基于 神经网络的岩爆烈度等级预测犻个适应度较低的跟随者处于非常饥饿的状态，因此需要更换位置，以获得更多的食物。在捕食过程中有一部分麻雀存在警戒的能力即“侦察者”，它们发现危险则报警，当报警值超出安全值，此时探索者会带领种群转移到安全位置。侦察者数量一般占种群的 到，它的位置如式（）的方式进行更新：犡狋 犻，犼犡狋 狘犡狋犻，犼犡狋 狘犳犻犳犵犡狋犻，犼犓犡狋犻，犼犡狋 （犳犻犳狑）犳犻犳烅烄烆犵（）式中，是符合标准正态分布的随机数，用于控制步长；犓为表示麻雀移动方向的步长控制参数，是，中的均匀随机数；犡狋 为迭代过程中的最佳位置；犡狋 为迭代过程中的最差位置；犳犻为第犻个体适应度值；犳犵为当前全局最佳适应度值；犳狑为最差的适应度值；为常数，作用是防止分母为；。当犳犻犳犵时，表示该麻雀处于种群边缘位置，容易受到天敌的威胁，此时需要向中间靠拢；当犳犻犳犵，意味着种群中间的麻雀受到了威胁，它会随机向其他方向的麻雀靠拢。基于 的岩爆预测模型 算法的基本思想就是用麻雀搜索算法优化 神经网络的初始权值和初始阈值，将多次迭代后的最佳权值与阈值赋给 神经网络，增强 神经网络的寻优能力，提高预测精度，避免模型陷入局部最优。神经网络岩爆预测模型的技术路线如图所示。图犛 犛 犃 犅 犘模型技术路线图犉 犻 犵 犜 犺 犲 狋 犲 犮 犺 狀 狅 犾 狅 犵 狔狉 狅 犪 犱 犿 犪 狆犳 狅 狉犛 犛 犃 犅 犘犿 狅 犱 犲 犾 岩爆指标选取岩爆机理复杂，造 成 岩 爆 的 因 素 众 多，且 各因 素 相 互 影 响，因 此 指 标 的 选 取 是 岩 爆 预 测 极其关键 的 一 环，本 文 根 据 国 内 外 岩 爆 研 究，综 合 考 虑 岩 爆 产 生 的 内 因 和 外 因，选 取 最 大 切向应力、岩 石 单 轴 抗 压 强 度犮、最 大 切 应 力与岩石单轴抗压强度比犮、岩石单轴抗压强度与岩石单轴抗拉强度比犮狋、岩石能量指数犠 犲 狋、埋深犎等个指标作为 模型的输入向量。样本数据获取收集国内外已有的工程岩爆数据，本文搜索了 组岩爆数据 作为麻雀搜索算法优化 神经网络模型的学习样本。任取 组作为训练集；剩余 组作为测试集，所有数据都具有完整的判断指标。部分数据如表所示。有色金属（矿山部分）第 卷表部分实测岩爆部数据犜 犪 犫 犾 犲犛 狅 犿 犲犿 犲 犪 狊 狌 狉 犲 犱狉 狅 犮 犽犫 狌 狉 狊 狋犱 犪 狋 犪样本犮 犮狋犮犠 犲 狋犎等级地点 轻微岩爆二滩水电站二号支洞 中级岩爆渔子溪水电站引水隧洞 轻微岩爆太平驿水电站地下硐室 中级岩爆锦屏二级水电站引水隧洞 中级岩爆拉西瓦水电站地下厂房 中级岩爆挪威 水电站地下厂房 轻微岩爆瑞典 水电站引水隧洞 中级岩爆日本关越隧道 轻微岩爆括苍山隧道 轻微岩爆江边水电站引 无岩爆江边水电站引 无岩爆江边水电站引 轻微岩爆江边水电站引 轻微岩爆金川二矿区 轻微岩爆金川二矿区 轻微岩爆金川二矿区 中级岩爆马路坪矿 无岩爆马路坪矿 轻微岩爆马路坪矿 中级岩爆马路坪矿 轻微岩爆新城金矿 无岩爆新城金矿 无岩爆新城金矿 中级岩爆新城金矿（石榴石矽卡岩）强烈岩爆新城金矿（粉砂岩）轻微岩爆某工程 轻微岩爆某工程 中级岩爆某工程 中级岩爆南非 地下硐室 轻微岩爆美国加利纳矿 无岩爆重丘山岭某隧道 数据归一化处理对输入数据进行归一化处理，避免量纲影响收敛情 况 或 收 敛 速 度，本 文 采 用 软 件 的 函数对原始数据进行归一化处理，将原始数据处理到，。由于 函数是按行进行归一化处理，所以在对原始数据进行归一化处理前需要先对表的数据进行转置，再将数据处理到狔 ，狔 ，其计算公式如式（）所示：狔（狔 狔 ）（狓狓 ）狓 狓 狔 （）式中：狓 为所计算指标的原始数据之中的最小值；狓 为该行原始数据的最大值，如果某行数据完全相等，则 内部将其转变为狔狔 。犅 犘算法网络初始化由 节中已知，输入指标个数为，则输入层设置个神经元，隐藏层神经元个数根据经验公式 如式（）所示：犡犪槡犫犮（）式中，犡为隐藏层的神经元个数；犪为输入层的神经元个数；犫为输出层的神经元个数；犮为到 的随机数。神经网络模型中的隐藏层神经元数量选取范围为到，以 模型训练集的预测准确性为依据，经试验，当隐藏层神经元个数为 时，模型具有最高的准确率（为），所以隐藏层神经元个数为。隐藏层神经元个数与 模型训练集预测准确率关系如表所示。第期王文通等：基于 神经网络的岩爆烈度等级预测表神经元个数与训练集准确率关系犜 犪 犫 犾 犲犜 犺 犲 狉 犲 犾 犪 狋 犻 狅 狀 狊 犺 犻 狆犫 犲 狋 狑 犲 犲 狀狋 犺 犲狀 狌 犿 犫 犲 狉狅 犳狀 犲 狌 狉 狅 狀 狊犪 狀 犱狋 犺 犲犪 犮 犮 狌 狉 犪 犮 狔狅 犳 狋 犺 犲 狋 狉 犪 犻 狀 犻 狀 犵 狊 犲 狋神经元个数训练集准确率 由于 神经网络岩爆预测模型的输出都是数字，故对岩爆等级这一概念进行编码，用、分别对应无岩爆、轻微岩爆、中级岩爆、强烈岩爆四个等级，输出层的四个神经元分别为“”、“”、“”、“”，因此 模型的网络结构为 。神经网络最大训练次数设为 ，学习速率 ，目标误差 。确定麻雀搜索算法参数及流程）麻雀搜索算法参数：进化次数取、种群规模取，同时定义探索者所占比例为 ，设置预警值和警戒者数量（本文取）。由于 神经网络结构为 ，种群维度犱 犻 犿 ，种群维度计算见式（）：犱 犻 犿犪犡犫犡犪犫（）计算种群适应度。）按）更新各部分麻雀位置。）将更新之后的适应度与最优适应度对比，满足则记录，不满足则继续迭代，直到达到最大迭代次数。）将迭代过程中的最优权值与阈值赋给 神经网络。）应用 优化 神经网络模型进行岩爆预测 结果分析为比较岩爆预测效果，建立采用相同样本、具有相同模型参数的传统 神经网络模型，且引入采用相同训练集和测试集的 模型进行对比分析。有效性分析分别对 模型、传统 模型和 模型进行 次训练，通过比较收敛次数和训练集的准确率判定三个模型的相对有效性。对 模型进行 次训练，其中次训练能够收敛且达到精度要求，平均准确率为；传统 模型 次训练仅有次训练能收敛且达到精度要求，平均准确率为；模型虽都能收敛，但每次其训练集准确性都不超过，且平均准确率为。结果表明，模型相较于传统 模型和 模型，具有更有效的收敛效果。部分效果图如图所示。图有效收敛图（犪）和无效收敛图（犫）犉 犻 犵 犈 犳 犳 犲 犮 狋 犻 狏 犲犮 狅 狀 狏 犲 狉 犵 犲 狀 犮 犲犮 犺 犪 狉 狋（犪）犪 狀 犱 犻 狀 狏 犪 犾 犻 犱犮 狅 狀 狏 犲 狉 犵 犲 狀 犮 犲犮 犺 犪 狉 狋（犫）误差对比为了体现麻雀搜索算法对 神经网络的改进，选用均方误差（，）以评价 模型和 模型的训练效果。结果表明，模型均方误差为 ，传统 模型的均方误差为 ，对比可知，模型误差更低，误差相比于 神经网络模型降低了 。测试集准确度对比为对比传统 神经网络模型、神经网有色金属（矿山部分）第 卷络模型和 模型的预测效果，以测试集的准确率作为模型评判标准，将传统 神经网络模型和 神经网络模型以及 模型对于岩爆烈度等级的预测值和实际值进行统计，得出对比结果如图所示。由图可知，模型测试集的准确率为，传统 神经网络模型测试集准确率为，模型测试集的准确率为。对比可知，传统 神经网络模型和 模型的预测效果较差。岩爆预测模型准确度高，相较于传统 神经网络模型和 模型分别提升了 和 个百分点。图不同模型测试集结果犉 犻 犵 犜 犺 犲 狋 犲 狊 狋 狊 犲 狋 狉 犲 狊 狌 犾 狋 狊狅 犳犱 犻 犳 犳 犲 狉 犲 狀 狋犿 狅 犱 犲 犾 工程实例程潮铁矿位于湖北省鄂州市，是我国大型黑色冶金地下矿山之一，自 年建成投产至今已有 多年历史。目前该矿山已初步进入深部开采阶段。通过对程潮铁矿进行岩爆分级预测，对其深部开采中的岩爆预测与安全生产具有重大意义。根据文献，获得程潮铁矿岩爆实测数据，利用 模型、模型和文献 中的综合评判结果对比分析，程潮铁矿岩爆实测数据见表，岩爆烈度等级评价见表。表程潮铁矿岩爆实测数据犜 犪 犫 犾 犲犜 犺 犲犱 犪 狋 犲狅 犳 狉 狅 犮 犽 犫 狌 狉 狊 狋 犪 狋犆 犺 犲 狀 犵 犮 犺 犪 狅 犻 狉 狅 狀狅 狉 犲工程名称犮 犮狋犮犠 犲 狋犎程潮铁矿 程潮铁矿 程潮铁矿 第期王文通等：基于 神经网络的岩爆烈度等级预测表岩爆烈度等级评价犜 犪 犫 犾 犲犚 狅 犮 犽犫 狌 狉 狊 狋 犻 狀 狋 犲 狀 狊 犻 狋 狔狉 犪 狋 犻 狀 犵犲 狏 犪 犾 狌 犪 狋 犻 狅 狀工程埋深 模型 模型文献 的结果真实等级（编码）程潮铁矿 无岩爆（）程潮铁矿 无岩爆（）程潮铁矿 中级岩爆（）由表和可以看出 模型的结果与实际岩爆等级结果一致，也与文献 中的综合评判结果一致，而传统 神经网络在预测时出现“过拟合”现象，说明本文所建立的模型具有较高的准确性与有效性。结论）选取最大切向应力、岩石单轴抗压强度犮、最大切应力与岩石单轴抗压强度比犮、岩石单轴抗压强度与岩石单轴抗拉强度比犮狋、岩石弹性能 量 指 数犠 犲 狋、埋 深犎等个 指 标 建 立 了 神经网络岩爆预测模型，强化岩爆预测指标的全面性。）麻雀算法优化 神经网络的岩爆预测模型能够针对复杂的非线性数据，预测完全基于数据，避免人为主观因素的影响，客观地预测岩爆等级，且模型原理简单，易于实现。）程潮铁矿的实例表明 模型的预测结果准确，避免了传统 神经网络有效性差、准确率低、容易 陷入过 拟合 的 问 题，丰 富了 岩 爆 预 测 的方法。）机器学习方式在兼顾全局和局部的搜索能力方面存在一定的缺陷，以机器学习的方式探寻岩爆的复杂非线性关系需要更深入的研究。参考文献田睿，孟海东基于 优化算法的深度神经网络岩爆预测模型矿业研究与开发，（）：，（）：龚剑，胡乃联，崔翔，等基于 评判模型的岩爆倾向性预测岩石力学与工程学报，（）：，（）：宫凤强，李夕兵，张伟基于 判别分析方法的地下工程岩爆发生及烈度分级预测岩土力学，（增刊）：，（）：，周科平，林允，胡建华，等基于熵权正态云模型的岩爆烈度分级预测研究岩土力学，（增刊）：，（）：周英豪，王文杰，卢西洲，等岩爆灾害博弈论组合赋权预测模型及应用中国安全科学学报，（）：，（）：白明洲，王连俊，许兆义岩爆危险性预测的神经网络模型及应用研究中国安全科学学报，（）：，（）：陈海军，郦能惠，聂德新，等岩爆预测的人工神经网络模型岩土工程学报，（）：，（）：冯夏庭地下峒室岩爆预报的自适应模式识别方法东北大学学报，（）：，（）：孙臣生基于改进 神经网络算法的隧道岩爆预测模型重庆交通大学学报（自然科学版），（）：（），（）：贾义鹏，吕庆，尚岳全基于粒子群算法和广义回归神经网络的岩爆预测岩石力学与工程学报，（）：，（）：（下转第 页）第期蓝秋华等：超硬岩露天深孔台阶爆破参数优化研究 ，（）：李萍丰，张兵兵，谢守冬露天矿山台阶爆破技术发展现状及展望工程爆破，（）：，（）：翟清翠露天煤矿深孔台阶爆破降低大块率和根底率措施探讨煤矿爆破，（）：，（）：汪高龙，王 潇，李 跟，等复 杂 环 境 爆 破 参 数 优 化 及 控 制 技术工程爆破，（）：，（）：保天才，罗非非，朱根华大孔径高台阶爆破技术在高海拔露天矿山的应用有色金属（矿山部分），（）：，（），（）：，（上接第 页）薛建凯一种新型的群智能优化技术的研究与应用：麻雀搜索算法上海：东华大学，：，胡建华，黄宇龙，张坚，等基于麻雀搜索算法优化双隐含层 神经网络的张力减径钢管壁厚预测塑性工程学报，（）：，（）：姚洁，邱劲基于 算法的道路交通流量预测研究西南大学学报（自然科学版），（）：，（），（）：，（）：田 睿基 于 机 器 学 习 的 岩 爆 烈 度 等 级 预 测 模 型 研 究 与 应用包头：内蒙古科技大学，：，沈花玉，王兆霞，高成耀，等 神经网络隐含层单元数的确定天津理工大学学报，（）：，（）：欧阳斌，陈艳红，邓传军基于 优化 神经网络的露天矿边坡位移预测模型有色金属（矿山部分），（）：，（），（）：许梦国，杜子建，姚高辉，等程潮铁矿深部开采岩爆预测岩石力学与工程学报，（增刊）：，（）：