面向开采沉陷的岩体力学参数反演方法技术

本发明专利技术公开了一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。该方法包括确定岩层每层力学参数取值范围并划分水平值，设计正交方案，利用UDEC构建研究区域数值模型，将参数取值样本方案输入到数值模型中进行模拟计算来构建“岩体力学参数

【技术实现步骤摘要】
面向开采沉陷的岩体力学参数反演方法


[0001]本专利技术属于面向开采沉陷的岩体力学参数反演领域，具体涉及基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。

技术介绍

[0002]由于长期大规模的地下煤层开采，煤炭生产势必会形成采空区，随着采空区面积不断扩大，煤层的顶板失稳，顶板岩层随之发生弯曲、断裂、垮落、产生倾斜变形和水平移动等，形成地表沉陷。开采沉陷使地表变形，产生裂缝和塌陷坑，破环了原有的地表形态，使地表水通过裂缝渗入地下，引起河流流量减少，甚至出现断流等现象，也影响着植物的生长发育，同时对地面建筑也影响巨大。
[0003]煤矿开采给生态环境带来了极大的损害，开采沉陷造成的影响尤为突出，岩体变形与岩体力学参数的选择有关。岩体力学参数作为矿井工程设计和施工的基础和依据，确定岩体力学参数是确保矿山安全生产的关键。然而岩体力学参数的确定是岩体力学工程界尚未很好解决的难题，现有方法准确性和精度无法保证，岩石力学参数的选择是否合理，将直接影响数值模拟和工程设计的精度与可靠性。
[0004]目前，确定岩体力学参数的方法有经验类比法、现场原位试验法、数值模拟法、神经元网络参数预测法等。张庆松(张庆松,高延法,李术才.矿山覆岩力学参数的三维位移反演方法研究[J].金属矿山,2005(09):26
‑
28+31)运用神经元网络的方法实现了矿区岩体参数弹性模量的反演；王哲(王哲,涂敏,李利青.小回沟煤矿基于正交试验设计的岩体力学参数反演[J].采矿与安全工程学报,2018,35(02):397
‑
401.)利用三维数值模拟和正交试验设计法对岩体物理力学参数进行反演。现场原位试验得到的参数较为准确可靠，但试验代价昂贵，受试验条件、试验周期、试验经费等限制，只能在一些相对大型工程中进行，对于大部分工程原位试验法不太适用。因此，对一般岩体工程，往往采用经验类比法来估计岩体的力学参数，但这种方式主观性强，选择随意性大，缺乏科学的选择依据。随着机器学习和数值模拟的发展，将两者结合的智能岩体力学参数反演方法不断创新，研究新的反演方法具有重要的工程意义和学术价值。

技术实现思路

[0005]针对现有技术存在的不足，本专利技术的目的是提供一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法。
[0006]为解决上述技术问题，本专利技术提供了一种基于优化粒子群算法和极限学习机的面向开采沉陷的岩体力学参数反演方法，利用UDEC构建研究区域数值模型，模拟计算来构建“岩体力学参数
‑
评价指标”样本集，改进的粒子群算法来优化极限学习机，利用优化后的极限学习机来反演岩体力学参数。该方法具体包括以下步骤：
[0007]步骤1：确定岩层每层待反演的岩体力学参数取值范围，划分水平值并设计正交方案。
[0008]根据研究区域覆岩破坏形式、地质条件的不同将基岩分成不同的开采影响带，由于各区域具有不同的力学特性，需确定每层待反演的岩体力学参数；根据钻孔资料，得出相关各带岩体力学参数的取值范围；对各个参数分别按照其最大最小值均匀划分成五个水平值，选定合适的正交表，设计实验方案。
[0009]步骤2：根据研究区域对应数据建立UDEC数值模拟模型，将参数取值样本方案输入到数值模拟模型中进行模拟计算来构建“岩体力学参数
‑
评价指标”样本集。
[0010]岩体力学参数包括弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比，评价指标包括沉陷值、水平移动、地表倾斜和曲率。
[0011]步骤2.1：根据研究区域地质条件、开采方式、工作面分布情况及室内岩体力学参数建立UDEC数值模拟模型。
[0012]步骤2.2：将每组岩体力学参数输入到UDEC数值模拟模型中进行模拟计算，将各试验方案数值模拟计算结果与该组参数组合成为一个“岩体力学参数
‑
评价指标”学习样本，作为模型的学习样本集。
[0013]进一步地，所述步骤2.2中，采用UDEC对实验方案进行数值模拟计算，获得每个试验方案相对应的评价指标，将该参数组对应的评价指标与该参数组合成为一个“岩体力学参数
‑
评价指标”学习样本用来训练模型，弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数作为模型的输入，沉陷值、水平移动、地表倾斜和曲率这些评价指标作为输出。
[0014]步骤3：利用“岩体力学参数
‑
评价指标”学习样本集训练极限学习机模型，通过个体与群体最优位置的多次迭代，优化的粒子群算法选择极限学习机中岩体力学参数对应的最优输入层权重和隐含层偏差。所述步骤3包括：
[0015]步骤3.1：初始化种群，种群中每个粒子即为模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差，对其速度和位置均进行初始化；设定极限学习机输入层和隐含层神经元个数，初始化极限学习机输入层权重w和隐含层偏差b，得到输出层权重β。
[0016]步骤3.2：将极限学习机训练预测的沉陷值、水平移动、地表倾斜和曲率这些评价指标与实测的评价指标的平方根误差作为适应度函数，不断更新个体极值和全局极值(即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差)。
[0017]进一步的，在所述步骤3.2中，极限学习机的训练输出为：
[0018][0019]式中：g(w
i
,b
i
,x)是激活函数，L是隐藏层神经元数目，β
i
为隐藏层与输出层之间的输出权重，i表示隐藏层神经元序号。将训练预测的沉陷值、水平移动、地表倾斜和曲率评价指标与实测评价指标的平方根误差作为适应度函数，适应度函数为：
[0020][0021]式中：n表示样本容量，表示实测的评价指标，h
j
(x)表示极限学习机训练预测的
评价指标，j表示样本序号；适应度函数越小，反演的岩体力学参数对应的输入层权重和隐含层偏差越准确，训练的极限学习机模型越优。
[0022]步骤3.3：根据个体极值和全局极值更新粒子的位置、速度及适应度值，判断是否满足终止条件，当满足时停止迭代，得到最优粒子位置，即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的最优输入权重和隐含层偏差。
[0023]进一步地，在所述步骤3.3中，根据粒子个体极值和群体全局极值更新每个粒子的速度、位置及计算当前粒子对应的适应度值；将计算所得的粒子群的当前适应度值与上一次迭代后的个体极值和全局极值进行比较，并更新个体极值和全局极值，不断迭代；判断适应度值是否达到设定的目标值，或者迭代次数到达最大值，满足其中一项条件就停止迭代，最终得到最优粒子的位置，将获得的岩体力学参数对应的最优输入层权重w和隐含层偏差b赋值给极限学习机。
[0024]进一步地，在所述步骤3中，选择极限学习机模型中岩体力学参数对应的最优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向开采沉陷的岩体力学参数反演方法，其特征在于：利用UDEC构建研究区域数值模型，模拟计算来构建“岩体力学参数
‑
评价指标”样本集，岩体力学参数包括弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比，评价指标包括沉陷值、水平移动、地表倾斜和曲率；利用学习样本集训练极限学习机模型，设定输入为弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数，输出为沉陷值、水平移动、地表倾斜和曲率这些评价指标，得到岩体力学参数和评价指标之间对应的非线性函数映射关系，将研究区域实测的评价指标作为输入数据来反演岩体力学参数。2.根据权利要求1所述的面向开采沉陷的岩体力学参数反演方法，其特征在于包括以下步骤：步骤1：确定岩层每层待反演的岩体力学参数取值范围，划分水平值并设计正交方案；步骤2：根据研究区域对应数据建立UDEC数值模拟模型，将参数取值样本方案输入到数值模拟模型中进行模拟计算来构建“岩体力学参数
‑
评价指标”样本集；步骤3：利用“岩体力学参数
‑
评价指标”学习样本集训练极限学习机模型，通过个体与群体最优位置的多次迭代，优化的粒子群算法选择极限学习机中岩体力学参数对应的最优输入层权重和隐含层偏差；步骤4：在迭代寻找岩体力学参数对应的最优输入权重和隐含层偏差的过程中,粒子通过个体极值和全局极值更新自身的速度和位置；步骤5：训练完成后得到优化后的极限学习机模型，将实测的沉陷值、水平移动、地表倾斜和曲率评价指标代入极限学习机模型来反演岩体力学参数。3.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于步骤1为：根据研究区域覆岩破坏形式、地质条件的不同将基岩分成不同的开采影响带，由于各区域具有不同的力学特性，需确定每层待反演的岩体力学参数；根据钻孔资料，得出相关各带岩体力学参数的取值范围；对各个参数分别按照其最大最小值均匀划分成五个水平值，选定合适的正交表，设计实验方案。4.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于步骤2具体包括以下内容：步骤2.1：根据研究区域地质条件、开采方式、工作面分布情况及室内岩体力学参数建立UDEC数值模拟模型；步骤2.2：将每组岩体力学参数输入到UDEC数值模拟模型中进行模拟计算，将各试验方案数值模拟计算结果与该组参数组合成为一个“岩体力学参数
‑
评价指标”学习样本，作为模型的学习样本集。5.根据权利要求4所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤2.2中，采用UDEC对实验方案进行数值模拟计算，获得每个试验方案相对应的评价指标，将该参数组对应的评价指标与该参数组合成为一个“岩体力学参数
‑
评价指标”学习样本用来训练模型，弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数作为模型的输入，沉陷值、水平移动、地表倾斜和曲率这些评价指标作为输出。6.根据权利要求2所述的面向开采沉陷的岩体力学参数反演方法，其特征在于：所述步骤3包括：步骤3.1：初始化种群，种群中每个粒子即为模型中弹性模量、粘聚力、内摩擦角、抗拉
强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差，对其速度和位置均进行初始化；设定极限学习机输入层和隐含层神经元个数，初始化极限学习机输入层权重w和隐含层偏差b，得到输出层权重β；步骤3.2：将极限学习机训练预测的沉陷值、水平移动、地表倾斜和曲率这些评价指标与实测的评价指标的平方根误差作为适应度函数，不断更新个体极值和全局极值；即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的输入层权重和隐含层偏差；步骤3.3：根据个体极值和全局极值更新粒子的位置、速度及适应度值，判断是否满足终止条件，当满足时停止迭代，得到最优粒子位置，即模型中弹性模量、粘聚力、内摩擦角、抗拉强度和泊松比这些岩体力学参数对应的最优输入权重和隐含层偏差。7.根据权利要求6所述的面向开采沉陷的岩体力...

【专利技术属性】
技术研发人员：牛强强，王朋飞，李旭泽，张志伟，高翔，高梦男，侯伟，王树兵，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：