基于人工神經網絡的礦巖可崩性分級識別

在自然沉陷法的研究中，重要的工作之一是分析礦山的可滲透性。所謂礦巖可崩性,系指礦巖體能否適合于自然崩落采礦法的一個綜合性礦巖特征。評價礦巖可崩性基本上是以礦巖可崩性分級方法來研究,近些年來,國內外學者針對礦巖地質特征極其復雜,影響其可崩性因素眾多等特點,在研究中廣泛應用數理統計、模糊數學及灰色理論等現代數學方法,考慮了多項因素,并從定性走向定量,提出了各種各樣的分級方法,力求較全面客觀地評價礦巖可崩性。然而,由于礦巖體作為一種復雜介質,其可崩性與其影響因素之間具有復雜的非線性關系,一般的方法難以真實地刻畫這種非線性關系,以致所得分級結果難于很好地與實際相吻合。人工神經網絡是一由許許多多神經元組成的大規模非線性動態系統,它具有較強的非線性動態處理能力。在不需要知道數據間的分布形式和變量間關系的情況下,從積累的工程實例中訓練學習知識,盡可能多地把各種定性、定量的影響因素作為輸入變量,建立各影響因素之間的高度非線性映射關系,并能夠自動調節各影響因素之間的權值,采用自適應的模式識別方法進行預測。特別是對殘缺不全或模糊隨機的不確定信息具有較強的容錯能力,這些決定了神經網絡方法在處理礦巖可崩性分析方面具有很好的應用基礎。據此,本文采用人工神經網絡理論,建立礦巖可崩性的神經網絡識別模型,結合工程實例對其礦巖可崩性進行分級識別。1人工神經網絡模型1.1節點t次迭代時學習及控制采用3層前饋網絡模型和改進的BP算法對網絡進行訓練。如下改進的BP算法采用動量法和學習率自適應調整策略,以利提高學習速度并增加算法的可靠性。Wij(t+1)=Wij(t)+α(t)[(1-η)D(t)+ηD(t-1)],(1)θj(t+1)=ηθj(t)+α(t)(1-η)δj(t),(2)式中,Wij(t)表示在t次迭代由輸入層節點i到輸出層節點j的權值;D(t)為t次迭代時的負梯度,D(t)=δjxi,δj是節點j的誤差項,xi是節點i的輸出;η為動量因子,0≤η<1;α(t)為t次迭代時的學習率,α(t)>0;θ(t)是節點j在t次迭代時的閾值。而α(t)=βλα(t-1),(3)式中,λ=sign[D(t)D(t-1)];β為常數,1<β<2。1.2節點之間的橫向傳播誤差(1)網絡初始化,用1組隨機數對網絡賦初始權值和閾值,設置網絡參數。(2)提供學習樣本對(輸入值xi和預期輸出值di)。(3)用log-sigmoid型函數計算隱層的輸出xj和用線性變換函數計算輸出層的輸出yk,輸入層節點的輸出等于其輸入。假設隱含層有n1個節點,輸入層有n個節點,輸出層有m個節點。則:x′j=f1(nΣi=1wijxi-θj)?1≤j≤n1?(4)yk=f2(n1Σj=1wjkx′i-θk)?1≤k≤m.(5)x′j=f1(Σi=1nwijxi?θj)?1≤j≤n1?(4)yk=f2(Σj=1n1wjkx′i?θk)?1≤k≤m.(5)(4)使用遞歸算法從輸出層開始逆向傳播誤差,并用式(1)和式(2)調整權值和閾值。輸出節點j的誤差項δj為δj=yj(1-yj)(dj-yj),(6)而隱含節點j的誤差項δj為δj=x′j(1-x′j)Σkδkwjk.(7)δj=x′j(1?x′j)Σkδkwjk.(7)(5)求網絡總誤差E,對p個樣本,E=(1/2Ρ)(pΣi=1mΣi=1(dik-yik)2)?(8)若誤差不能滿足要求則轉(3)。多次重復以上(3)～(5),直到E小于規定的誤差ε為止。2網絡輸入和分級識別以武鋼一地下礦山工程為例,采用上述人工神經網絡模型和學習算法對其礦巖可崩性進行識別。分級指標采用8個指標,分別為實測RQD值、單軸抗壓強度Rc、節理頻度Jf、節理充填狀態指標Js、地下水指標Wg、蝕變與風化指標Lf、巖體結構指標Rj和夾石碎裂度指標Sj,將這8個分級指標數據分別經標準化處理后作為輸入向量。選取隱含層節點數為14個,礦巖可崩性分為6級,則網絡的輸入節點數、隱含層節點數和輸出節點數分別為8、14和6。其中,期望輸出(.9.1.1.1.1.1)代表礦巖可崩性為Ⅰ級(極易崩),(.1.9.1.1.1.1)代表礦巖可崩性為Ⅱ級(易崩),(.1.1.9.1.1.1)代表礦巖可崩性為Ⅲ級(較易崩),(.1.1.1.9.1.1)代表礦巖可崩性為Ⅳ級(一般),(.1.1.1.1.9.1)代表礦巖可崩性為Ⅴ級(難崩),(.1.1.1.1.1.9)代表礦巖可崩性為Ⅵ級(極難崩)。網絡參數選取為:η=0.9,β=1.5,α0=0.1,ε=0.0007。取25個地質單元段礦巖體實例作為學習樣本,部分樣本如表1所示。對82個地質單元段礦巖體可崩性進行分級識別,部分結果如表2所示。分級識別結果與實際比較,對判率大于96%,說明所建立的神經網絡識別模型是合理、可信的。3基于人工神經網絡的礦巖可崩性分級識別影響礦巖可崩性的因素是多樣且復雜的,并且影響因素相互之間以及它們與礦巖可崩性分級之間存在著復雜的非線性關系。人工神經網絡具有自學習、自組織、強容錯性等優點以及較強的非線性動態處理數據能力,將其引入到礦