基于逆向传播神经网络的工作面顶板矿压数据预测

程海星，朱 磊，宋立平，刘文涛，徐 凯

（中煤能源研究院有限责任公司，陕西 西安710054）

矿山压力及其显现规律作为煤矿开采理论的核心，是煤矿研究的重中之重。而在进行矿压研究时，分析计算工作面顶板来压步距与来压强度往往是研究的重点和难点。现有理论多采用弹塑性理论计算顶板压力，但往往误差较大[1]。工作面顶板来压步距与来压强度多与开采因素成非线性关系，往往难以拟合出理想的函数关系。

近年来，人工智能技术得到了飞速发展与应用。人工智能技术目前广泛应用于模式识别、图像识别、自然语言处理、实时分析工具和无人驾驶等领域[2]。随着人工智能技术的研究与发展越来越成熟，将其应用于煤矿领域已迫在眉睫。人工智能技术的基础是神经网络，且神经网络非常适合处理非线性问题[3]，将其应用于矿压数据预测可能会成为未来矿压研究的1个分支方向。

为此，基于人工智能技术中的逆向传播神经网络，建立了顶板矿压数据预测模型，以王家岭及周边煤矿顶板矿压实测数据作为模型的学习样本，以王家岭煤矿12309工作面实测矿压数据为验证样本，分析模型误差，并评判模型的可靠性。

1 逆向传播神经网络原理

神经网络是用来模拟生物体内的神经元系统而建立的概念，它从信息处理角度对神经元进行抽象、简化而来。为了与生物学的神经元区分开来，一般把经过抽象、简化的神经元称作神经单元。常用的神经网络包括线性神经网络、感知器神经网络、逆向传播神经网络、反馈神经网络等。

逆向传播神经网络是20世纪80年代中期由David Rumelhart、Geoffrey Hinton和McClelland等学者提出的，是1种按照误差逆向传播（简称误差反传）算法学习的多层前馈神经网络，是目前应用最广泛的神经网络之一[4-5]。逆向传播神经网络模型如图1。

图1 逆向传播神经网络模型Fig.1 Back propagation neural network model

逆向传播神经网络的网络结构3个层包含：输入层（Iuput Layer）、隐含层（Hidden Layer）、输出层（Output Layer）[4-5]。输入层用来存储输入数据，输入层神经单元个数等于输入参数的个数；隐含层用来接收输入层的数据，并对数据进行加权处理，隐含层层数与神经单元个数就需要设计者自己根据一些规则和目标来设定，可以为1层也可以为多层；输出层用来输出结果，输出层神经单元个数等于输出参数的个数。

逆向传播神经网络算法又称最速下降法[6-20]，具体如下：

式中：Wij为节点i与j之间的连接权重；t为网络迭代次数；η为学习步长，取值范围为0.01～0.1；α为冲量系数，取值为0.9；E为权重空间｛Wij（t）｝的误差超平面。

基本逆向传播算法包括数据流的正向传播和误差的逆向传播2个过程[6,10-13,18-19]。正向传播时，传播方向为输入层→隐含层→输出层，每层神经单元的状态只影响下个层神经单元，并根据给定的初始化权重值和偏置值计算最终输出值以及输出值与实际值之间的损失值；如果损失值不在给定的范围内则进行逆向传播的过程，否则停止。逆向传播时，传播方向为输出层→隐含层→输入层，并对每层的各个神经单元的权重值和偏置值进行调节，以使损失值趋向最小。

2 逆向传播神经网络模型的建立

矿压学习样本数据采集于大同矿区部分矿井顶板来压数据。样本输入参数选择了埋深、黄土沟壑高程变化率、煤层厚度、煤层厚度变化率、开采厚度、煤层倾角、煤层倾角变化率、直接顶厚度、基本顶厚度、倾向长度、推进速度共11个主要影响因素；输出参数选择4个，分别为初次来压强度、周期来压强度、初次来压步距、周期来压步距。因此，确定逆向传播神经网络模型输入层节点数为12个，输出层节点数为4个；为简化网络，确定隐含层层数为1，隐含层节点数为24个。

3 逆向传播神经网络学习与训练

将王家岭及周边煤矿顶板43组矿压实测数据作为逆向传播神经网络模型的学习与训练样本，以MATLAB为研究软件平台，加载以上样本数据，通过预测工作面顶板矿压数据准确性，来评价所建立的逆向传播神经网络模型。样本数据见表1。

表1 原始数据样本（仅为部分数据）Table 1 Raw data samples（partial data only）

4 工作面矿山压力实测

12309工作面共有液压支架150架，每架均能实现液压支架工作阻力实时监测，监测间隔时间为5 min。选取5#、10#、20#、35#、40#、75#、76#、110#、115#、130#、140#、145#液压支架工作阻力进行实时监测，期间工作面共推进71.2 m，每架支架共监测9 933个数据。液压支架工作阻力监测汇总图如图2（受篇幅限制，仅展示5#、35#、75#、115#、145#液压支架工作阻力监测图）。

图2 液压支架工作阻力监测汇总图Fig.2 Summary chart of hydraulic support working resistance monitoring

将12309工作面监测支架数据进行处理，可得到各支架矿压数据平均值，12309工作面液压支架来压特性表见表2。

表2 12309工作面液压支架来压特性表Table 2 Weighting characteristics table of hydraulic support in 12309 working face

5 工作面顶板矿压预测及分析

将模型训练时的43组数据作为样本数据，以监测期间各支架煤层倾角、煤层倾角变化率、埋深、黄土沟壑高程变化率、工作面倾斜长度、煤厚、煤厚变化率、采高、直接顶厚、基本顶厚、推进速度平均值及表2的12309工作面液压支架实测数据作为预测数据代入训练好的逆向传播神经网络模型，进行综采工作面顶板来压预测验证。统计12309工作面顶板矿压数据实测值与预测值相对误差，12309工作面顶板矿压数据实测值与预测值相对误差见表3。

表3 12309工作面顶板矿压数据实测与预测值相对误差Table 3 Relative error between measured and predicted values of roof pressure data in 12309 working face

由表3可知，12309工作面顶板矿压数据预测值与实测值的相对误差最大为4.33%，即逆向传播神经网络预测的工作面顶板矿压数据相对误差均小于5%，表明该模型的准确性和可靠性较高。

6结语

1）以11个矿压主要影响因素为基础建立了预测工作面顶板矿压数据的逆向传播神经网络模型。

2）以王家岭及周边煤矿具有代表性的43组综采工作面顶板矿压实测数据建立学习样本，以王家岭煤矿12309工作面实测矿压数据为验证样本，检验了逆向传播神经网络模型的精准度。经学习后逆向传播神经网络模型的预测结果的最大相对误差为4.334%，小于5%，符合工程应用允许的误差范围，说明针对工作面顶板矿压数据预测所建立的逆向传播神经网络模型具有较高的准确性和可靠性。

3）本次研究为采用人工智能技术预测矿压数据提供了1种思路。如能将逆向传播神经网络与大数据技术相结合，将极有可能实现矿压数据的实时预测。