CN103984788A - 一种煤巷锚杆支护自动智能设计与优化*** - Google Patents

Abstract

本发明涉及一种煤巷锚杆支护自动智能设计与优化***，它包括通过处理用户输入的数据或者调用相关知识库中的参数实现对巷道围岩稳定性的分类与评估的巷道围岩指标获取与稳定性分类子***；基于***内部知识库内的样本巷道训练BP神经网络建立训练模型实现该巷道的锚杆支护参数智能匹配的锚杆支护参数智能匹配子***；根据锚杆支护参数智能能匹配子***得到的锚杆支护参数基于悬吊理论、组合梁理论、组合拱理论、能量理论进行理论验算，自动对各种支护方案进行分析，以选取满足巷道围岩变形要求的支护方案作为最优支护方案推荐给用户的支护设计验证与优化子***。本***有效地保证了锚杆支护结构与参数的科学性与合理性，提高了锚杆支护***的可靠性，促进了我国煤矿巷道锚杆支护技术的健康发展。

Description

一种煤巷锚杆支护自动智能设计与优化***

技术领域

本发明涉及一种用于煤矿巷道锚杆支护设计与优化的***。 

背景技术

随着煤炭工业的发展，我国高产高效工作面越来越多，产量大幅度增长。煤矿采掘支护是十分重要的生产环节。锚杆技术是一项***工程，它涉及到设计、施工、支护材料、实测技术手段等各个方面。锚杆支护设计是锚杆支护工程中的一项关键技术，关系到锚杆支护工程的质量优劣、是否安全可靠以及经济是否合理等重要问题。由于地质条件的复杂性和不确定性，支护工程设计中各种参数的选择、岩体及岩石各种性质的近似描述，支护效果的最终评价都依赖专家的经验和个人的知识水平，由于无法用定量或统一的标准做判据，不免带有较大的随意性和盲目性，如果锚杆支护形式和参数选择不合理，往往会造成两种极端，要么巷道支护强度不够，不能有效控制围岩变形，进而导致巷道出现冒顶片帮等事故；要么巷道支护强度太高不仅浪费支护材料，而且降低了巷道掘进速度，严重影响了矿井经济效益的提高。加强科技创新，实现煤炭企业信息资源的管理，加快信息化的建设，对于煤炭企业的高效、安全生产具有深远的影响和巨大的作用。随着经济快速发展和计算机及其应用知识的普及，把计算机知识应用到煤矿生产设计中，具有极其重要的理论意义和生产实践意义。 

煤炭***由于生产的特殊性，在计算机方面技术的应用和其它行业相比，还是比较落后的。在我国矿山生产的第一线的许多单位，技术工作仍是采用传统的人海战术和手工劳动，不仅浪费大量的技术力量，而且不宜进行科学管理。因此，应用计算机技术进行煤矿生产设计和生产管理***的开发是现代化煤矿必须首先解决的问题。 

目前的锚杆支护设计***操作繁琐，需要用户输入的参数过于繁杂、过于专业，很多数据一般生产现场难以获得，且要求用户具有较高的专业水平。这样就限制了此类***在生产实际中的推广使用。 

发明内容

本发明目的是为了克服现有技术的不足而提供一种智能化煤巷锚杆支护设计与优化***。 

为达到上述目的，本发明采用的技术方案是：一种煤巷锚杆支护自动智能设计与优化***，它包括， 

巷道围岩指标获取与稳定性分类子***，其通过处理用户输入的数据或者调用相关知识 库中的参数，实现对巷道围岩稳定性的分类与评估； 

锚杆支护参数智能匹配子***，其通过运用BP神经网络原理，基于***内部知识库内的样本巷道训练BP神经网络，建立训练模型，用户提供的巷道的具体相关参数后实现该巷道的锚杆支护参数智能匹配； 

支护设计验证与优化子***，其根据所述的锚杆支护参数智能匹配子***得到的锚杆支护参数基于悬吊理论、组合梁理论、组合拱理论进行理论验算，并调入数值模拟模块，自动进行FLAC3D建模、模拟、优化处理，自动对各种支护方案进行分析，以选取满足巷道围岩变形要求的支护方案作为最优支护方案推荐给用户。 

优化地，所述的巷道围岩指标获取与稳定性分类子***自动根据导入的样本数据，依据基于等价关系的模糊聚类法自动完成样本数据的预处理、标准化、加权、标定、聚类处理，并根据用户选择或者***自动判断将样本巷道进行分类，给出聚类中心。 

优化地，所述的***巷道围岩指标获取与稳定性分类子***内部创建有一套基础样本数据。 

优化地，所述的巷道围岩指标获取与稳定性分类子***选定顶板强度、两帮强度、底板强度、巷道埋深、直接顶初次垮落步距、顶高比、煤柱宽度、最大水平主应力等参数作为巷道围岩稳定性分类与评价指标，用户输入新掘巷道的与上述参数相对应的数据，***自动基于模糊综合评判方法对该巷道围岩稳定性进行评判，得到该巷道的围岩稳定性类别。 

优化地，所述的锚杆支护参数智能匹配子***，其将用于巷道围岩稳定性所需的参数进行巷道参数的预测并运算，所述的运算包括先对样本数据及支护参数知识库进行学习训练，得到优化后的权值及阀值，而后将已输入的待预测参数，与权值、阀值进行计算，得到***预测的支护基本参数值。 

优化地，所述的巷道围岩指标获取与稳定性分类子***与锚杆支护参数智能匹配子***以及支护设计验证与优化子***作为一个相互关联的一个整体使用，一次性且***地完成巷道的围岩稳定性分类、锚杆支护参数智能匹配、支护方案智能优化工作。 

优化地，所述的巷道围岩指标获取与稳定性分类子***与锚杆支护参数智能匹配子***以及支护设计验证与优化子***根据用户的实际情况分别独立。 

由于上述技术方案运用，本发明与现有技术相比具有下列优点：本***利用智能专家***对锚杆支护进行定量分析与优化设计，有效地保证了锚杆支护结构与参数的科学性与合理性，提高了锚杆支护***的可靠性，实现了锚杆支护的效益最大化，提高支护安全，从根本上改变了目前我国锚杆支护广泛采用的工程类比法的缺点和局限性，促进了我国煤矿巷道锚杆支护技术和数字矿山的发展。***建立基于相关专家、8大矿区典型案例“专家级”知识 库以提供参考数据供用户调用，使得用户在只输入较少、实际可获得数据的前提下就可以满足锚杆设计的数据需求；***秉承了简约的界面设计，“傻瓜式”的操作模式，易于掌握和使用；智能化方案决策，提高支护设计合理性和生产管理规范性、标准化；内容丰富的“专家级别”巷道支护知识库，有效保障支护方案决策的科学性和准确性；人性化和灵活的原始参数输入和选择机制，真正实现了***的实用、可用、能用、易用的开发目标；完善的使用说明和帮助***，有效提高技术人员设计水平。 

附图说明

附图1是本发明的煤巷锚杆支护自动智能设计与优化***流程图； 

附图2是本发明的巷道围岩指标获取与相应稳定性分类***流程图； 

附图3是本发明的锚杆支护参数智能匹配子***流程图； 

附图4是本发明的支护设计验证与优化子***流程图； 

具体实施方式

下面将结合附图对本发明优选实施方案进行详细说明： 

本发明的煤巷锚杆支护自动智能设计与优化***，如图1所示，其包括巷道围岩指标获取与稳定性子类***、锚杆支护参数智能匹配子***、支护设计验证与优化子***。具体如下： 

一、巷道围岩指标获取与稳定性分类子*** 

如图2所示，在巷道围岩指标获取与稳定性分类子***中，***选定了顶板强度σ_顶、两帮强度σ_帮、底板强度σ_底、巷道埋深H、直接顶初次垮落步距L、顶高比N、煤柱宽度B、最大水平主应力σ_h等8个参数作为巷道围岩稳定性分类与评价指标。用户可以通过操作界面输入相关数据，***同时也通过调研分析、整理收集相关资料在内部自带有围岩物理力学参数知识库、地应力知识库等知识库，以便用户在难以获取相关数据时参考选用。 

子***初始使用时需要导入一定数量的典型巷道样本以完成围岩稳定性分类工作。***可自动根据导入的样本数据，依据基于等价关系的模糊聚类法自动完成样本数据的预处理、标准化、加权、标定、聚类等处理，并可以根据用户选择或者***自动判断将样本巷道进行分类，并给出聚类中心。***内部也有一套基础样本，以便用户在难以获得样本时调用。 

在完成分类工作后，用户输入新掘巷道的8个相关数据，***自动基于模糊综合评判方法对该巷道围岩稳定性进行评判，得到该巷道的围岩稳定性类别。 

具体处理方式为： 

(一)巷道围岩稳定性聚类 

1.输入数据预处理 

将输入n条巷道样本的信息，每条巷道8个指标，分别为顶板强度σ_顶、两帮强度σ_帮、底板强度σ_底、巷道埋深H、直接顶初次垮落步距L、顶高比N、煤柱宽度B、最大水平主应力σ_h。则即为一个n×8的矩阵。 

数据的预处理： 

当煤性为软煤(σ_帮<10MPa)时，W’取值如下： 

$W^{,}=\exp [-2.6{\left(\frac{B-\frac{B_0}{3}}{B_0}\right)}^2]$

当煤性为中硬(10MPa<σ_帮<20MPa)时，W’取值如下： 

$W^{,}=\exp [-{\left(3.6\frac{B-\frac{B_0}{4}}{B_0}\right)}^2]$

当煤性为硬(20MPa<σ_帮)时，W’取值如下： 

$W^{,}=0.3\exp [-3.6{\left(\frac{B-\frac{B_0}{4}}{B_0}\right)}^2$

依据下表选择B₀值 

这里面埋深即上面输入的H值， 

N＞4取4，H、L、σ_h不做处理。 

2.数据标准化 

将第j个样本的第i个指标x_ij变换成x′_ij，即 

${x_{\mathrm{ij}}}^{\&prime;}=\frac{x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_j}{s_j}$

(2)极差正规化 

将经过标准差标准化处理后的第j个样本的第i个指标x′_ij变换成x″_ij，即 

$x_{\mathrm{ij}}^{\&prime;\&prime;}=\frac{x_{\mathrm{ij}}^{\&prime;}-\{x_{\mathrm{ij}}^{\&prime;}{\}}_{\min }}{\{x_{\mathrm{ij}}^{\&prime;}{\}}_{\max }-\{x_{\mathrm{ij}}^{\&prime;}{\}}_{\min }}$

3.加权 

数据经过以上处理后，每一个指标都要乘以相应的权值。 

4.标定 

计算相似系数γ_ij

$r_{\mathrm{ij}}=\frac{{\mathrm{\&Sigma;}}_{k=1}^n(x_{\mathrm{ik}}-\stackrel{\&OverBar;}{x_i})(x_{\mathrm{jk}}-\stackrel{\&OverBar;}{x_j})}{\sqrt{{\mathrm{\&Sigma;}}_{k=1}^n{(x_{\mathrm{ik}}-\stackrel{\&OverBar;}{x_i})}^2}\sqrt{{\mathrm{\&Sigma;}}_{k=1}^n{\left(x_{\text{jk}}\text{-}\stackrel{\&OverBar;}{x_j}\right)}^2}}$

经标定后得到：0≤γ_ij≤1，(i＝1，2，…，m；j＝1，2，...，m)；于是可以确定模糊关系矩阵

5.聚类分析 

将标定所得的相似矩阵用平方法求得的传递包R^*，是包含最小模糊等价矩阵，再按R^*的λ-截关系，对X进行动态聚类分析，小于λ的记为0，大于λ的记为1，最后把完全相同的行归为一类， 

6.确定最优分类数目 

F-统计量法：设对应λ的分类数为r，第j类的样本数为n_j，第j类的第k个特征的平均值为作F-统计量： $F=\frac{\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{n}_j\&CenterDot;\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\frac{{(\stackrel{\&OverBar;}{x_k^{\left(j\right)}}-\stackrel{\&OverBar;}{x_k})}^2}{r-1}}{\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{n_j}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\frac{{(x_{\mathrm{ik}}^{\left(j\right)}-\stackrel{\&OverBar;}{x_k^{\left(j\right)}})}^2}{n-r}}$

F-统计量是服从自由度为(r-1，n-1)的F-分布。它的分子表示类与类之间的距离，分母表示类内样本间的距离。因此，F值越大，说明类与类之间的距离越大，即类与类之间的差异越大，分类效果就越好。 

如果F＞F_1-λ(r-1，n-r)(α＝0.05)，则根据数理统计的方差分析理论可以知道，类与类之间的差异显著，说明分类是最优的。 

如果满足F＞F_1-λ(r-1，n-r)的F值不止一个，可以进一步考察F-F_α的大小，从较大者中选择一个满意的F值作为最优的分类。 

分完类后取各类样本巷道各指标的平均值得到(初步)聚类中心。 

(二)巷道围岩稳定性模糊综合评判 

1.构建模糊关系矩阵 

构建模糊关系矩阵R＝{r_ij}9*5，其中r_ij表示从i因素着眼，该因素能评为第j类的隶属程度。r_ij求法可从以下几种方法中选择： 

方法一.正态隶属函数法： 

$r_{\mathrm{ij}}=e^{-{\left(\frac{x_i-a_{\mathrm{ij}}}{{\mathrm{\&sigma;}}_i}\right)}^2}$

2.模糊变换 

集合C＝{c₁，c₂，c₃，c₄，c₅，c₆，c₇，c₈，c₉}为9个因素的影响权值(同上个程序)。做模糊变换B＝C^oR。模糊向量B＝{b₁，b₂，b₃，b₄，b₅}T＝{b j}，其中b₁，b₂，b₃，b₄，b₅分别表示待预测巷道对各聚类中心的从属程度，待预测巷道的类别即由该巷道同聚类中心之间的隶属程度大的样本决定。 

b_j的算法有以下四种方法： 

法一.主因素决定型：其中∧为两者取其小符号，∨为两者取其大符号； 

法二.主因素突出型：

法三.主因素突出型：

法四.加权平均型：

则可以得到评判矩阵B＝{b₁，b₂，b₃，b₄，b₅}T＝{b_j} 

3.评价指标处理： 

方法一、最大隶属度法： 

b₁到b₅中最大值所对应的下标j即为待测巷道类别。 

方法二：加权平均法： 

令v’＝(b₁+2b₂+3b₃+4b₄+5b₅)/(b₁+b₂+b₃+b₄+b₅)，则v’接近于几则巷道属于第几类】 

二、锚杆支护参数智能匹配子*** 

在这一子***中，如图3所示，首先将所需的参数，如直接顶初次垮落步距、顶板强度、底板强度、巷道埋深、巷道净宽、巷道净高输入到界面上，再进行巷道参数的预测，进行运算。运算主要在***后台进行，即***先对样本及支护参数知识库进行学习训练，得到优化后的权值及阀值，而后将已输入的待预测参数，与权值、阀值进行一系列的计算，最后得到***预测的支护基本参数值。 

第一步，网络初始化，对输入输出进行归一化处理。 

给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数ε，给定计算精度值和最大学习次数。 

第二步，随机选取第k个输入样本及对应期望输出 

d_o(k)＝(d₁(k)，d₂(k)，…，d_q(k)) 

x(k)＝(x₁(k)，x₂(k)，…，x_n(k)) 

第三步，计算隐含层各神经元的输入和输出。 

第四步，利用网络期望输出和实际输出，计算误差函数对输出层的各神经元的偏导数δ_o(k)。 

第五步，利用隐含层到输出层的连接权值、输出层的δ_o(k)和隐含层的输出计算误差函数对隐含层各神经元的偏导数δ_h(k)。 

第六步，利用输出层各神经元的δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k) 

第七步，利用隐含层各神经元的δ_h(k)和输入层各神经元的输入修正连接权。 

第八步，计算全局误差 $E=\frac{1}{2m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\underset{o=1}{\overset{q}{\mathrm{\&Sigma;}}}{(d_o\left(k\right)-y_o\left(k\right))}^2.$

第九步，判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。 

三、支护设计验证与优化子*** 

如图4所示，将上面所得到的锚杆支护参数自动调入到该子***中，首先依据理论计算法，将该设计方案自动导入进行基于悬吊理论、组合梁理论、组合拱理论、能量理论验算。 设计方案经验算满足要求后，再调用后台基于正交试验模块得到一系列支护设计方案，将这些方案调入数值模拟模块，自动进行FLAC3D建模、模拟、优化等处理，自动对各种支护方案进行分析，选取满足巷道围岩变形要求的最经济的支护方案作为最优支护方案推荐给用户。 

***包括围岩稳定性智能分类子***、锚杆支护参数智能匹配子***、支护方案智能优化子***三个子***。三个子***既可以作为一个相互关联的一个整体使用，以一次性***的完成巷道的围岩稳定性分类、锚杆支护参数智能匹配、支护方案智能优化工作，也可以根据用户的实际情况，分别独立使用其中的某一个模块实现相关的功能，使***具有更强的适用性和选择性。有利于***发挥稳定、高效、安全的功能，同时保证子***相互之间的协调一致性和可持续性。 

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。 

Claims (7)

1.一种煤巷锚杆支护自动智能设计与优化***，其特征在于：它包括，

巷道围岩指标获取与稳定性分类子***，其通过处理用户输入的数据或者调用相关知识库中的参数，实现对巷道围岩稳定性的分类与评估；

锚杆支护参数智能匹配子***，其通过运用BP神经网络原理，基于***内部知识库内的样本巷道训练练BP神经网络，建立训练模型，用户提供的巷道的具体相关参数后实现该巷道的锚杆支护参数智能匹配；

支护设计验证与优化子***，其根据所述的锚杆支护参数智能匹配子***得到的锚杆支护参数基于悬吊理论、给合梁理论、组合拱理论进行理论验算，并调入数值模拟模块，自动进行FLAC3D建模、模拟、优化处理，自动对各种支护方案进行分析，以选取满足巷道围岩变形要求的支护方案作为最优支护方案推荐给用户。

2.根据权利要求1所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的巷道围岩指标获取与稳定性分类子***自动根据导入的样本数据，依据基于等价关系的模糊聚类法自动完成样本数据的预处理、标推化、加权、标定、聚类处理，并根据用户选择或者***自动判断将样本巷道进行分类，绐出聚类中心。

3.根据权利要求2所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的***巷道围岩指标获取与稳定性分类子***内部创建有一套基础样本数据。

4.根据权利要求2所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的巷道围岩指标获取与稳定性分类子***选定顶板强度、两帮强度、底板强度、巷道埋深、直接顶初次垮落步距、顶高比、煤柱宽度、最大水平主应力等参数作为巷道围岩稳定性分类与评价指标，用户输入新掘巷道的与上述参数相对应的数据，***自动基于模糊综合评判方法对该巷道围岩稳定性进行评判，得到该巷道的围岩稳定性类别。

5.根据权利要求1所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的锚杆支护参数智能能匹配子***，其将用于巷道围岩稳定性所需的参数进行巷道参数的预测并运算，所述的运算包括先对样本数据及支护参数知识库进行学习训练，得到优化后的权值及阀值，而后将已输入的待预测参数，与权值、阀值进行计算，得到***预测的支护基本参数值。

6.根据权利要求l所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的巷道围岩指标获取与稳定性分类子***与锚杆支护参数智能匹配子***以及支护设计验证与优化子***作为一个相互关联的一个整体使用，一次性且***地完成巷道的围岩稳定性分类、锚杆支护参数智能匹配、支护方案智能优化工作。

7.根据权利要求1所述的煤巷锚杆支护自动智能设计与优化***，其特征在于：所述的巷道围岩指标获取与稳定性分类子***与锚杆支护参数智能匹配子***以及支护设计验证与优化子***根据用户的实际情况分别独立。