【技术实现步骤摘要】
本专利技术涉及煤矿安全，尤其涉及一种识别矿井底板水源涌突水系统的构建方法。
技术介绍
1、判别矿井突水水源是预防和解决矿井突水灾害的关键，在矿山防治水工作中扮演着十分重要的角色。就黔北煤田来看，其整体底板偏薄，煤层底板与下伏茅口组灰岩中间的隔水层空间分布不均，底板高低起伏，在局部地区隔水层极薄，甚至缺失隔水层，使得在煤炭开采过程中，极易发生突(透)水事故，时刻威胁着井下工作人员的生命安全。因此，研究矿井涌突水水源以进行底板突水预测并对其进行提前防治具有重要现实意义。
2、人工神经网络与计算机算法的结合是当前判别突水水源的应用热点，是矿井突水水源判别的主要方法，未来矿井突水水源判别方法将具有精细化、广泛化和可视化的特点。运用各类方法与模型对矿井不同含水层进行水化学成分分析或收集研究涌突水相关影响因素对水源进行识别等。很多学者已经对这方面做出了有效的研究贡献，但是现有的技术存在计算精度低、计算过程复杂以及结果所存误差较大等不可避免的问题，因此需要寻求更加快速准确的方法。
技术实现思路
1、为解决
技术介绍
中所提出的技术问题，本专利技术提供一种识别矿井底板水源涌突水系统的构建方法。
2、本专利技术采用以下技术方案实现：一种识别矿井底板水源涌突水系统的构建方法，包括如下步骤：
3、步骤1.获取相关数据：包括含水层水压、含水层厚度、隔水层厚度、断层密度、断层分维值、渗透系数、单位涌水量和底板破坏深度8个影响因素；
4、步骤2.核主成分分析法(kp
5、步骤201.归一化处理：由于收集的数据极大可能出现相差过大，为避免发生数据淹没而导致计算结果误差过大的情况，利用matlab的mapminmax函数对所有数据进行归一化处理，得到归一化特征数据；
6、步骤202.降维处理：对归一化特征数据进行核主成分降维处理，将降维处理后的影响因素数据作为样本数据，将样本数据划分为训练集和预测集；
7、步骤3.bp神经网络算法：构建bp神经网络，不断调整权值，也就是网络的学习训练过程，一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止，调试到与数据匹配度良好的训练次数、隐含层节点数、迭代次数等，并保证误差在设定范围内；
8、步骤4.鲸鱼遗传算法优化bp神经网络：寻最优权值阈值，使最终预测结果更贴合实际结果，即减小误差、增加结果的可信度；
9、步骤401.初始化参数：设置种群规模及迭代次数；
10、步骤402.初始化搜索代理位置；
11、步骤403.计算搜索代理的适应度值，取适应度值最小的搜索代理为最佳位置；
12、步骤404.更新下一代搜索代理位置；
13、步骤405.如达到终止条件，输出最优搜索代理，否则返回步骤3继续优化；
14、步骤5.得到预测值和真实值的数据对比图，以及各数据误差结果和数据线性拟合图等相关数据图，结果误差在可性范围内即可运用于实际预测中去。
15、具体地，所述所述步骤1获取影响因素的具体包括如下步骤：
16、步骤1.1：搜集相关数据应该统计发生突水事故前，事发地点各数据的波动情况，收集可作为突水前兆的数据和已知的、可诱发突水事故的因素。
17、具体地，所述所述步骤2中，用核主成分分析法对数据进行降维的具体包括如下步骤：
18、步骤2.1：将输入数据通过隐式非线性映射映射到高维特征空间中，然后在此空间中对数据进行分析，通过计算t2和spe统计量来监测过程的运行状态；
19、步骤2.2：假设原始数据为x＝[x1，x2，…xn]∈rm×n，其中：m为数据量；n为变量数，首先通过映射函数φ将数据映射到特征空间，那么特征空间数据的协方差矩阵可以表示为
20、
21、式中的特征值λ和特征向量v一定满足：
22、λv＝cv(2)；
23、步骤2.3：由于c是未知的，所以式λv＝cv中的特征值与特征值向量并不能直接求出，这时可以通过引入非线性变换来解决，在式的左右两边同时乘以φ(xj)，得到λφ(xj)v＝φ(xj)cv，式中v为所有λ≠0的特征向量，且都存在于特征空间中。因此一定存在系数
24、ai(i＝1，2,3.....，n) (3)，
25、使得：
26、
27、步骤2.4：核矩阵可表示为：
28、kij＝k(xi,xj)＝φ(xi)φ(xj) (5)，
29、式中k(xi,xj)为核函数。将式(1)与式(4)代入式(3)，然后就将求c的特征值和特征向量转换为求取核矩阵的特征值与特征向量。
30、nλa＝ka， (6)
31、式中：a为特征向量。
32、步骤2.5：经过计算最后我们需要的特征空间数据映射结果
33、
34、式中p为选取的特征值个数，可根据贡献率确定p的值。在监测工业过程时根据指标的不同变化判断过程是否有故障发生。常用的监测指标是基于距离的监测指标，t2统计量与spe统计量，具体计算过程如下：
35、t2＝ttλ-1t，(8)
36、式中t为特征向量；λ为根据排序选出特征值构成的矩阵。
37、步骤2.6：
38、
39、式中n0为非零特征值的个数，通过判断t2统计量与spe统计量是否超过控制限来监测过程是否正常。
40、具体地，所述步骤3构建bp网络的具体方案为：
41、步骤3.1计算bp神经网络隐含层节点数m，计算公式为：
42、h＜n-1(10)；
43、
44、h＝log2n(12)，
45、式(10)-(12)中，h为隐含层节点数，m为输出层节点数，n为输入层节点数，a＝1，2，...，10是隐含层之间的调节常数。a取值的不同会影响神经网络的训练误差，在隐含层神经元个数可以随意调整的前提下，将隐含层神经元个数分别设为5-15，创建神经网络模型并进行网络训练，得出不同隐含层节点的训练误差。在经过训练后，得到训练误差最小的隐含层节点数，并确定在突水水源bp神经网络预测实验中隐含层神经元的个数。
46、步骤3.2信号的向前传播，公式为：
47、其中x0＝1，
48、步骤3.3误差的反向传播，在bp神经网络中，误差反向传播基于delta学习规则，已知输出层结果为y＝f(wtx)，对于预测值与真实值之间误差的计算，可运用公式：
49、其中真实值为t。
50、bp神经网络的主要目的是修正权值，通过多次迭代，找到最优参数，使得误差数值达到最小。
51、具体地，所述所述步骤4鲸鱼遗传算法优化bp神经网络的具体方案为：
52、步骤4.1数据归一本文档来自技高网...
【技术保护点】
1.一种识别矿井底板水源涌突水系统的构建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述所述步骤1获取影响因素的具体包括如下步骤：
3.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述所述步骤2中，用核主成分分析法对数据进行降维的具体包括如下步骤：
4.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述步骤3构建BP网络的具体方案为：
5.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述所述步骤4鲸鱼遗传算法优化BP神经网络的具体方案为：
【技术特征摘要】
1.一种识别矿井底板水源涌突水系统的构建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述所述步骤1获取影响因素的具体包括如下步骤：
3.如权利要求1所述的一种识别矿井底板水源涌突水系统的构建方法，其特征在于，所述所述步骤2中，用核...
【专利技术属性】
技术研发人员：郑禄林，田诗宇，邱青，谢红东，胥进，兰红，田友稳，任维德，
申请(专利权)人：贵州大学，
类型：发明
国别省市：
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。