【技术实现步骤摘要】
一种基于有导师学习神经网络算法的导水裂隙带预测方法
本专利技术涉及一种基于有导师学习神经网络算法的导水裂隙带预测方法，属于煤炭资源安全开采
技术介绍
高精度预测导水裂隙带高度，有效防控矿井水灾，已成为国内外学者所关注的重点问题。对导水裂隙带高度(简称“导高”)的预测是决定能否安全进行水体下采煤的关键参数。但由于岩体介质的复杂性、多样性、模糊性以及不确定性等特点，多年以来国内对导水裂隙带高度预测还停留在经验与理论结合使用的阶段，《建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程》(简称“三下规程”)、《矿区水文地质工程地质勘探规范》(GB12719-91)所提供的经验公式与现在矿井实测的导水裂隙带高度有一定差距，无法完全满足矿井高效安全生产的要求。为此，寻求更加有效、更加准确的导水裂隙带高度预测方法具有重要的现实意义。目前，矿井关于导水裂隙带高度预测的方法，大概可以分为四类：第一，现场实测法(包括钻孔成像、声波探测等)；第二，工程类比与经验法；第三，物理相似材料模拟实验法；第四，计算机软件(算法)辅助模拟预...
【技术保护点】
1.一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集整理较为完善的各因素指标下的样本数据；采用归一化方法处理收集到的样本数据，消除各指标量纲对预测模型的影响；将归一化后的样本数据分配为训练样本和检验样本；选取所有训练样本数据，利用MATLAB RBF神经网络工具，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值；对比检验样本的预测值与实际值，通过数据相对误差和决定系...
【技术特征摘要】
1.一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集整理较为完善的各因素指标下的样本数据；采用归一化方法处理收集到的样本数据，消除各指标量纲对预测模型的影响；将归一化后的样本数据分配为训练样本和检验样本；选取所有训练样本数据，利用MATLABRBF神经网络工具，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值；对比检验样本的预测值与实际值，通过数据相对误差和决定系数判断预测模型是否有效；若有效，则建立的导水裂隙带高度预测模型能够准确的预测导水裂隙带高度；若无效，则重新选取影响因素指标，重复上述步骤，直至寻求到高预测精度的导水裂隙带高度预测模型。
2.根据权利要求1所述的一种基于有导师学习神经网络算法的导水裂隙带预测方法，其特征在于：具体包括如下步骤：
S1：收集数据：结合煤矿具体煤炭开采方法和煤层上覆岩层结构和力学特性，确定影响导水裂隙带高度的因素指标，收集单一矿井或多个矿井导水裂隙带高度的影响因素指标数据与对应的导水裂隙带高度，形成样本数据集；
S2：数据归一化处理：采用归一化方法处理收集到的样本数据集，消除各指标量纲对预测模型的影响；
S3：数据分类：将归一化后的样本数据分配为训练样本和检验样本，其中，训练样本数据占全部数据的2/3~9/10，其余为检验样本；
S4：建立预测模型：选取所有训练样本数据，利用MATLABRBF神经网络工具，编制程序对训练样本数据进行有导师学习的训练，得到各因素指标与导水裂隙带高度之间的关系，建立导水裂隙带高度预测模型；
S5：预测值计算：将检验样本数据代入导水裂隙带高度预测模型，求得各检验数据对应导水裂隙带高度的预测值...
【专利技术属性】
技术研发人员：赵国贞，梁卫国，赵晨德，杨智文，位亚强，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。