[发明专利]基于融合神经网络的导水裂缝带高度精确预测方法及系统

说明书

本发明公开了基于融合神经网络的导水裂缝带高度精确预测方法及系统，针对现有导高预测数学模型存在的缺陷，将神经网路技术与传统数学模型相融合，利用神经网络技术解决多元回归模型误差过大的问题，本申请的导高预测方法具体步骤可以分为6步，分别为收集实测数据、建立线性多元回归模型、建立神经网络学习样本、学习样本归一化处理、训练神经网络、导高高度计算，本融合预测模型将BP神经网络技术与多元回归理论相结合，兼备了神经网络的非线性映射能力和多元回归模型的经验，计算精度高。

技术领域

本发明属于煤矿生产安全监控技术领域，尤其涉及基于融合神经网络的导水裂缝带高度精确预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

煤炭作为最重要的能源和化工原料，为经济的持续发展做出了突出贡献。东部地区煤炭资源开采历史悠久，大规模地下煤层开采造成地表发生沉陷或塌陷，最终演化成采煤塌陷区，改变区域地表水循环条件，进而破坏地表生态环境。而随着东部煤炭资料的逐渐枯竭，煤炭资源的开发向西北地区转移。但是西北地区降水稀少、生态地质环境脆弱，大规模、高强度的煤矿开采会导致地表沉陷、地下水位下降等多种地质灾害，使原本脆弱的西北生态问题更加严峻，进而威胁人类生命财产和生态环境的安全。准确预测由煤层开采引起的导水裂缝带(导高)高度，对于减少矿井突水事故、保证煤矿生产安全和保护地表生态环境有着重要意义。

发明人发现，现有导高高度预测方面主要有四类：经典力学理论预测方法、数值模拟方法、模型试验方法、数学预测模型方法。但这些方法由于自身的各种缺陷都无法便捷、准确的预测导高高度。例如经典力学方法(“上四带”理论、悬臂梁理论等)将复杂的岩层破坏问题简化成理想的力学问题，与实际情况相差较大；数值模拟(例如RFPA、FLAC^3D、ABAQUS等)无法模拟地下水、断层构造等复杂地质情况；模型试验受相似比和边界条件影响明显；传统数学预测模型(例如经验公式、多元回归理论、灰色理论等)无法反映导高与影响因素之间的非线性特性。

发明内容

为克服上述现有技术的不足，随着“机器学习”等计算机技术的兴起，将传统方法与“机器学习”技术相结合，建立一种基于融合神经网络技术的导高高度精确预测方法，可以弥补传统方法缺陷，更加准确便捷地服务煤矿安全生产。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

基于融合神经网络的导水裂缝带高度精确预测方法，包括：

获取包含石炭-二叠系煤层、侏罗系煤层在内的典型地质条件矿区现场实测数据：包括煤层开采厚度、开采工作面宽度、煤层开采深度及导水裂缝带高度；

线性多元回归模型：将煤层开采厚度、开采工作面宽度与煤层开采深度作为自变量，将导水裂缝带高度作为应变量，利用多元回归理论建立自变量与因变量之间的线性多元回归模型，利用该多元回归预测模型计算高度的预测值；

神经网络学习样本建立：计算多元回归模型预测值与导高实测值之间的差值，将获取的实测数据、线性多元回归模型预计值与上述导高差值合并，建立神经网络的学习样本；

神经网络训练：将训练集、验证集数据代入BP神经网络模型中，待训练结束后，将输出数据进行反归一化处理，便得到导高多元回归模型预测值与实测值的误差值；

将上述误差值补偿给多元回归模型，便得到融合神经网络的实际的导高预测值。

进一步的技术方案，将获得的学习样本数据进行训练数据归一化处理：将训练数据归化至[-1,1]之间并对输出结果进行反归一化处理。

进一步的技术方案，将归一化后的学习样本按照一定的比例划分为训练集和验证集，训练集和验证集中煤层开采厚度、开采工作面宽度、煤层开采深度、线性多元回归模型预计值作为神经网络的输入层，误差作为神经网络的输出层。