一种基于神经网络的锚杆杆体损伤位置识别方法技术

一种基于神经网络的锚杆杆体损伤位置识别方法，属于锚杆杆体损伤位置识别方法。该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故。优点：本方法可实现锚杆的无损检测，在训练样本足够多的话检测结果准确，操作简单，在杆体尺寸已知的情况下只需在锚杆的支护裸露端测得锚杆的频率即可。

【技术实现步骤摘要】

本专利技术涉及一种锚杆杆体损伤位置识别方法，特别是一种基于神经网络的锚杆杆体损伤位置识别方法。
技术介绍
在现在的土木工程施工中，洞室、边坡、隧道以及矿山巷道支护常常使用大量的锚杆进行锚固处理，而锚杆锚固之后是否会出现损伤以及损伤位置的检测对后期锚固质量的评估非常重要，锚杆损伤及损伤位置检测难以确定。
技术实现思路
本专利技术的目的是要提供一种基于神经网络的锚杆杆体损伤位置识别方法，解决锚杆损伤及损伤位置检测难的问题。本专利技术的目的是这样实现的：该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故；步骤如下：a、通过层次分析法确定预测锚杆杆体损伤位置的输入指标参数；所述的输入指标参数为：锚杆杆体参数、锚杆的锚固长度L2、振动频率w、锚固力F和锚杆杆体的材料参数；所述的锚杆杆体参数为杆长L1和直径D；所述的锚杆杆体的材料参数为泊松比μ，弹性模量E；b、将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[-1，1]之间，归一化后的样本为： x k = 2 × x - x min x m a x - x min - 1 ; ]]>x代表输入或输出的数据，xmin代表数据变化范围的最小值，xmax代表数据变化范围的最大值，xk归一化后得到的数值；c、对样本数据进行训练，采用trainlm训练函数对样本数据进行训练，并对训练样本进行滚动累积，使所建立的神经网络模型达到很好的学习记忆功能；d、建立神经网络模型；首先，根据步骤a的7个指标，建立具有7个节点的网络模型输入层；然后，参考公式来确定隐含层节点数的范围: l = ( m + n ) + a ]]>式中，m隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的数；重复步骤c对样本数据进行训练，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，即为隐含层的最佳节点数；最后，神经网络的输出层为1个节点，预测锚杆杆体损伤位置和损伤程度；通过对输入变量正向计算与误差的逆向传播逐层调节各层权值和阀值矩阵，最终达到所要求的训练精度，得到预测巷道围岩变形的BP神经网络模型；e、预测锚杆杆体损伤位置和损伤程度；根据不同的条件，采用标准BP神经网络算法预测锚杆杆体损伤位置和损伤程度，将锚杆杆体设计为非线性的动态反馈系统，对BP神经网络的预测结果进行反归一化处理，得到锚杆杆体损伤位置预测结果。所述的神经网络为：多节点的输入层、多节点的隐含层和多节点的输出层。所述的BP神经网络的训练样本为前期在不同条件下监测的数据，样本数据是由样本输入和期望输出组成的样本对。有益效果，由于采用了上述方案，建立合适的BP神经网络模型，输入锚杆杆体损伤位置训练样本，通过检测不同损伤位置的锚杆获得训练数据，在进行样本训练中首先需要做的就是进行输入样本和期望输出样本的数据输入，对样本数据的输入输出数据分别进行归一化处理，采用trainlm函数对神经网络进行训练，归一化后的数据不仅可以大大提高训练的效率，减少训练所需的时间，还可以避免因为输入输出数据数量级差别较大而造成网络预测误差较大及防止部分神经元达到过饱和状态；并将训练后的神经网络模型用于实际预测，根据输入指标参数，得到锚杆杆体损伤位置。解决了锚杆损伤及损伤位置检测难的问题，达到了本专利技术的目的。优点：本方法可实现锚杆的无损检测，在训练样本足够多的话检测结果准确，操作简单，在杆体尺寸已知的情况下只需在锚杆的支护裸露端测得锚杆的频率即可。附图说明图1是本专利技术的BP算法的BP神经网络结构示意图。图2是本专利技术实现的装置示意图。图3是本专利技术的预测巷道围岩变形与塑性区深度的标准BP神经网络算法流程。图中，1、传感器；2、杆体；3、信号接收与分析仪；4、损伤位置；5、激振面。具体实施方式该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故；步骤如下：a、通过层次分析法确定预测锚杆杆体损伤位置的输入指标参数；所述的输入指标参数为：锚杆杆体参数、锚杆的锚固长度L2、振动频率w、锚固力F和锚杆杆体的材料参数；所述的锚杆杆体参数为杆长L1和直径D；所述的锚杆杆体的材料参数为泊松比μ，弹性模量E；所述的通过层次分析法：是将与决策有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂(T.L.Saaty)于1980年，在为美国国防部研究“根据各个工业部门对国家福利的贡献大小而进行电力分配”课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法；b、将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[-1，1]之间，归一化后的样本为： x k = 2 × x - x min x m a x - x min - 1 ; ]]>x代表输入或输出的数据，xmin代表数据变化范围的最小值，xmax代表数据变化范围的最大值，xk归一化后得到的数值；c、对样本数据进行训练，采用trainlm训练函数对样本数据进行训练，并对训练样本进行滚动累积，使所建立的神经网络模型达到很好的学习记忆功能；d、建立神经网络模型本文档来自技高网...

【技术保护点】
一种基于神经网络的锚杆杆体损伤位置识别方法，其特征是：该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故；步骤如下：a、通过层次分析法确定预测锚杆杆体损伤位置的输入指标参数；所述的输入指标参数为：锚杆杆体参数、锚杆的锚固长度L2、振动频率w、锚固力F和锚杆杆体的材料参数；所述的锚杆杆体参数为杆长L1和直径D；所述的锚杆杆体的材料参数为泊松比μ，弹性模量E；b、将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[‑1，1]之间，归一化后的样本为：xk=2×x-xminxmax-xmin-1;]]>x代表输入或输出的数据，xmin代表数据变化范围的最小值，xmax代表数据变化范围的最大值，xk归一化后得到的数值；c、对样本数据进行训练，采用trainlm训练函数对样本数据进行训练，并对训练样本进行滚动累积，使所建立的神经网络模型达到很好的学习记忆功能；d、建立神经网络模型；首先，根据步骤a的7个指标，建立具有7个节点的网络模型输入层；然后，参考公式来确定隐含层节点数的范围:l=(m+n)+a]]>式中，m隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的数；重复步骤c对样本数据进行训练，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，即为隐含层的最佳节点数；最后，神经网络的输出层为1个节点，预测锚杆杆体损伤位置和损伤程度；通过对输入变量正向计算与误差的逆向传播逐层调节各层权值和阀值矩阵，最终达到所要求的训练精度，得到预测巷道围岩变形的BP神经网络模型；e、预测锚杆杆体损伤位置；根据不同的条件，采用标准BP神经网络算法预测锚杆杆体损伤位置，将锚杆杆体设计为非线性的动态反馈系统，对BP神经网络的预测结果进行反归一化处理，得到锚杆杆体损伤位置预测结果。...

【技术特征摘要】
1.一种基于神经网络的锚杆杆体损伤位置识别方法，其特征是：该识别方法通过实际工程观测的数据，输入锚杆杆体损伤位置数据的训练样本，对神经网络进行训练；利用经训练的神经网络对巷道支护所用的锚杆杆体进行检测，根据输入指标参数，通过神经网络的反馈分析，神经网络会根据预测请求预测出锚杆杆体损伤位置，选取合适的支护参数对巷道进行支护控制，利用得到的锚杆杆体损伤位置数据判断锚杆的锚固质量，预防由于岩体失稳所带来的安全事故；步骤如下：a、通过层次分析法确定预测锚杆杆体损伤位置的输入指标参数；所述的输入指标参数为：锚杆杆体参数、锚杆的锚固长度L2、振动频率w、锚固力F和锚杆杆体的材料参数；所述的锚杆杆体参数为杆长L1和直径D；所述的锚杆杆体的材料参数为泊松比μ，弹性模量E；b、将前期的检测数据作为各指标数据的训练样本，同时对样本进行归一化处理，使所有的样本数据都归一为[-1，1]之间，归一化后的样本为： x k = 2 × x - x min x m a x - x min - 1 ; ]]>x代表输入或输出的数据，xmin代表数据变化范围的最小值，...

【专利技术属性】
技术研发人员：赵玉成，王朋，魏锋，杨卫明，黄丽，陈培见，李冲，李二霞，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32