GA-BP神经网络模型在岩爆烈度分类预测研究及应用.pdf

腾涛（1979），男，工程师，250000 山东省济南市。GA-BP神经网络模型在岩爆烈度分类预测研究及应用滕涛1王国军1周伟胜1倪智伟2，3，4景杨凡2，3，4（1.山东正元建设工程有限责任公司；2.中钢集团马鞍山矿山研究总院股份有限公司；3.金属矿山安全与健康国家重点实验室；4.华唯金属矿产资源高效循环利用国家工程研究中心有限公司）摘要通过引入遗传算法优化BP神经网络，构建GA-BP神经网络模型。选取围岩最大切向力与岩石单轴抗压强度比（应力集中系数）、岩石单轴抗压强度与单轴抗拉强度比（脆性系数）和弹性能量指数作为输入指标，构建岩爆烈度分类预测体系。选取104组工程岩爆实例，其中84组作为训练集，20组作为测试集进行验证，结果表明，GA-BP神经网络模型的分类预测准确率能够达到95%，优于 BP神经网络模型的 80%。在工程试验中，GA-BP神经网络模型分类预测效果较好（准确率90%），可为岩爆烈度分类预测研究作为参考。关键词遗传算法BP神经网络岩爆烈度分类预测DOI：10.3969/j.issn.1674-6082.2023.09.068Research and Application of Classification Prediction of Rockburst Intensity Basedon GA-BP Neural Network ModelTENG Tao1WANG Guojun1ZHOU Weisheng1NI Zhiwei2，3，4JING Yangfan2，3，4（1.Shandong Zhengyuan Construction Engineering Co.，Ltd.；2.Sinosteel Maanshan General Institute ofMining Research Co.，Ltd.；3.State Key Laboratory of Metal Mine Safety and Health；4.Huawei nationalEngineering Research Center for High Efficiency Recycling of Metal Mineral Resources Co.，Ltd.）AbstractBy introducing genetic algorithm to optimize BP neural network，GA-BP neural networkmodel is constructed.The maximum tangential force and uniaxial compressive strength ratio of rock(stressconcentration coefficient)，uniaxial compressive strength and uniaxial tensile strength ratio of rock(brittleness coefficient)and elastic energy index are selected as input indexes to construct a classification and prediction system of rockburst intensity.The results show that GA-BP neural network model has a classificationprediction accuracy of 95%，which is better than 80%of BP neural network model.In engineering experiments，GA-BP neural network model has a good classification and prediction effect(90%accuracy)，whichcan be used as a reference for the classification and prediction of rockburst intensity.Keywordsgenetic algorithm，BP neural network，rockburst intensity，classification prediction总第 653 期2023 年 9 月第 9 期现代矿业MODERN MININGSerial No.653September.2023岩爆是一种因累积弹性应变能急剧释放而诱发的突发性地质灾害1，岩爆烈度是用于描述岩爆爆炸能量大小的指标2。目前，很多学者以岩爆的机制及预测研究为主，岩爆预测方法可归纳为指标判据法、数值指标法、数学模型方法和现场监测法3，其中，数字模型方法又大致分为人工神经网络、支持向量机、多元判别分析、模糊数字方法和云模型法等4。人工神经网络（Artificial Neural Network，ANN）是一种模仿人脑神经元网络的计算模型，由大量的人工神经元节点（简称神经元）组成，这些神经元通过连接（称为权重）进行交互，以接受输入并产生输出，使其能够对未知数据进行更准确的预测或分类。陈海军等5选取了岩石抗压强度、抗拉强度、弹性能量指数和洞壁最大切向应力作为评判指标，通过建立神经网络模型对岩爆的产生及岩爆烈度进行预测，验证了人工神经网络在预测岩爆的方法上是有效可行的。周278现代矿业2023 年 9 月第 9 期总第 653 期煦桐6通过对岩爆评价指标和烈度之间进行Spear-man相关性分析，最终建立可靠的预测岩爆烈度的BP神经网络模型，通过实例验证该模型具有可行性。田睿等7提出一种基于Dropout与Adam的深度神经网络（DNN）岩爆预测模型（DA-DNN），并应用于锦屏二级水电站、秦岭隧道和冬瓜山铜矿岩爆预测等3个工程应用的实例，预测结果验证了DA-DNN岩爆预测模型的有效性和正确性。ZHANG J等8建立了岩爆预测的神经网络模型，通过现有数据进行训练表明岩爆风险与最大主应力密切相关。基于现场实测数据和试验数据，结合现有岩爆情况，通过数值模拟和神经网络方法进行岩爆分级预测，对隧道前期和后期施工安全具有重要意义。LI D Y9选择最大切向应力、单轴抗压强度、抗拉强度、应力比、脆性比和弹性应变能作为输入参数，应用贝叶斯优化和Tomek Link（smetomek）有效地建立了岩爆预测的前馈神经网络（FNN）模型，并对三山岛金矿的岩爆进行了预测，取得了良好的效果。本文利用遗传算法优化神经网络的参数，对最优个体进行解码，得到最优权重和偏置。使用优化后的权重和偏置训练神经网络，测试神经网络在训练集和测试集的性能，计算分类精度，并将其应用在工程实例中。1GA-BP神经网络算法遗传算法（Genetic algorithm，GA），是一种模拟自然界进化过程的优化算法，通过模拟基因遗传和自然选择的过程，在解决复杂问题的过程中寻找最优解。本文选用遗传算法优化BP神经网络模型（GA-BP），就是使用遗传算法将BP神经网络的权值和阈值作为初始种群，不断地通过迭代从而寻找全局最优的权值和阈值，优化BP神经网络，如图1所示。2GA-BP神经网络算法的实现2.1实验数据获取本文选用文献 10 的 104 组岩爆实例数据（表1），84组作为训练集，20组作为测试集。以围岩最大切向力与岩石单轴抗压强度比（应力集中系数）、岩石单轴抗压强度与单轴抗拉强度比（脆性系数）和弹性能量指数作为输入特征，共3个特征；以岩爆烈度级（无岩爆）、级（弱岩爆）、级（中等岩爆）和级（强烈岩爆）作为类别，共4组类别。2.2试验设计2.2.1创建BP神经网络首先确定BP神经网络的具体结构，3层结构的BP神经网络能够满足实际运用的需要，隐含层的神经元个数是决定神经网络精度的重要因素之一。过多会增加神经网络的学习时间，网络易过拟合；过少会导致网络训练次数多，甚至无法训练。通常隐含层节点计算公式为l m-1l m+n+al log2m（1）式中，m、l、n分别表示输入层、隐含层和输出层的节点个数；a为整数，取值1，2，3，9，10。本文将3个特征作为输入层节点，4个类别作为输出层节点。BP神经网络模型的隐含层节点范围如表2所示。本文所创建的三层神经网络结构为3-5-4，因此279滕涛王国军等：GA-BP神经网络模型在岩爆烈度分类预测研究及应用2023 年 9 月第 9 期输入层神经元个数为15，隐含层神经元个数为5，输出层神经元个数为4，表3为神经网络结构初始权值和阈值个数。确定了BP神经网络的结构后，开始创建模型，需进行参数设置，最大迭代次数为1 000次，目标误差为1.010-6，学习率为1%。2.2.2遗传算法的优化创建好BP神经网络后，遗传算法对其进行优化，步骤如下：（1）确定编码方式，采用实数编码，需要将BP神经网络的权重和偏置作为个体的染色体编码，编码长度S基于神经元的阈值和权值数目来计算的。计算公式为S=m l+m n+m+n.（2）计算得到编码长度为44。（2）随机产生初始化种群，通过多次仿真得到种群规模为50时仿真结果最好，因此种群规模设置为50。（3）将神经网络计算得到的误差作为适用度函数来评价每个个体的适用度，首先求出错误率，对其求导后得到的值作为适用度值。（4）使用适用度函数的值进行选择、交叉和变异操作，实验仿真及结果分析。2.3实验流程数据导入后，将数据集划分为训练集和测试集，训练集用于GA-BP模型，然后使用训练好的模型对测试集进行测试，最后通过测试集来对模型进行性能评估，验证模型分类预测效果。2.4实验结果及结果分析2.4.1BP神经网络分类预测选用3层BP神经网络模型3-5-4，对岩爆数据进行分类预测，结果如图2所示。通过Matlab绘制准确率图，训练集的准确率能够达到97.619%，测试集的准确率能够达到80%。2.4.2GA-BP神经网络分类预测通过 GA-BP 神经网络对岩爆数据进行分类预测，结果如图3所示，GA-BP神经网络模型训练集的准确率能够达到98.809 5%，测试集的准确率能够达到95%。3工程应用利用训练好的BP神经网络和GA-BP神经网络模型对10个矿山进行工程试验，收集各个矿山的样本进行分类预测其岩爆情况，结果见表4。本文所建立的GA-BP神经网络模型分类预测效果较好（准确率90%），优于BP神经网络模型分类预测效果（准确率80%）。4结论（1）使用遗传算法能够优化BP神经网络模型，通280现代矿业2023 年 9 月第 9 期总第 653 期过输入应力集中系数、脆性系数和弹性能量指数构建GA-BP神经网络模型，选择104组岩爆数据，其中84组作为训练集，20组作为测试集进行验证，分类预测准确率能够达到 95%，优于 BP 神经网络模型的80%。（2）将建立好的GA-BP神经网络模型应用于10组矿山，进行工程试验，分类预测效果较好，准确率达到了90%，优于BP神经网络模型分类预测效果（准确率80%）。参考文献1梁伟章，赵国彦.深部硬岩长短期岩爆风险评估研究综述 J.岩石力学与工程学报，2022，41（1）:19-39.2雷松林.基于BP网络和遗传算法的岩爆预测研究 D.上海:同济大学，2008.3李鹏翔，陈炳瑞，周扬一，等.硬岩岩爆预测预警研究进展 J.煤炭学报，2019，44（S2）:447-465.4乔兰，董金水，刘建，等.我国地下金属矿山岩爆灾害发生机制及预测方法研究进展 J.金属矿山，2022（12）:1-21.5陈海军，郦能惠，聂德新，等.岩爆预测的人工神经网络模型 J.岩土工程学报，2002（2）:229-232.6周煦桐.基于神经网络算法的岩爆预测方法研究 D.湘潭:湘潭大学，2020.7田睿，孟海东，陈世江，等.基于深度神经网络的岩爆烈度分级预测 J.煤炭学报，2020，45（S1）:191-201.8ZHANG J，WANG MX，XI CH.Prediction and Evaluation of Rockburst Based on Depth Neural Network J.Advances in Civil Engineering，2021（7）:1-11.9LI D Y，LIU Z D，XIAO P，et.al.Intelligent rockburst predictionmodel with sample category balance using feedforward neural network and Bayesian optimizationJ.Underground Space，2022，7（5）:833-846.10 景杨凡，陈玉明，李岳峰，等.基于判别分析法的岩爆烈度预测研究 J.有色金属:矿山部分，2022，74（1）:97-102.（收稿日期 2023-03-28）（3）据统计，18304工作面开采过程中，瓦斯浓度长期低于 0.5%，粉尘浓度长期低于 160 mg/m3，表明18304工作面的瓦斯及粉尘治理措施有效降低了工作面回采过程中的危险性。参考文献1金智新，曹孟涛，王宏伟.“中等收入”与新“双控”背景下煤炭行业转型发展新机遇 J.煤炭科学技术，2023，51（1）:45-58.2程刚，王振雪，施斌，等.DFOS在矿山工程安全开采监测中的研究进展 J.煤炭学报，2022，47（8）:2923-2949.3潘一山，高学鹏，王伟，等.冲击地压矿井综采工作面两巷超前支护液压支架研究 J.煤炭科学技术，2021，49（6）:1-12.4杨威，贾茹，李希建，等.采煤工作面“爆注”一体化防突理论与技术 J.中国矿业大学学报，2021，50（4）:764-775.5时迎华.煤矿一通三防技术的应用及发展 J.新型工业化，2021，11（2）:124-125.6张效辰.煤矿巷道掘进通风管理及安全防护措施探析 J.矿业装备，2020（5）:110-111.7钮晓龙.煤矿掘进安全技术措施分析 J.能源与节能，2022（8）:170-172，176.8刘帅.煤矿一通三防技术实施要点分析 J.当代化工研究，2020（23）:23-24.9弓超，樊胜杰.煤矿工作面通风与防尘的技术研究 J.煤，2022，31（6）:87-89，102.（收稿日期 2023-03-20）（上接第246页）281