基于人工神经网络的矿岩可崩性分级识别

基于人工神经网络的矿岩可崩性分级识别

在自然沉陷法的研究中，重要的工作之一是分析矿山的可渗透性。所谓矿岩可崩性,系指矿岩体能否适合于自然崩落采矿法的一个综合性矿岩特征。评价矿岩可崩性基本上是以矿岩可崩性分级方法来研究,近些年来,国内外学者针对矿岩地质特征极其复杂,影响其可崩性因素众多等特点,在研究中广泛应用数理统计、模糊数学及灰色理论等现代数学方法,考虑了多项因素,并从定性走向定量,提出了各种各样的分级方法,力求较全面客观地评价矿岩可崩性。然而,由于矿岩体作为一种复杂介质,其可崩性与其影响因素之间具有复杂的非线性关系,一般的方法难以真实地刻画这种非线性关系,以致所得分级结果难于很好地与实际相吻合。人工神经网络是一由许许多多神经元组成的大规模非线性动态系统,它具有较强的非线性动态处理能力。在不需要知道数据间的分布形式和变量间关系的情况下,从积累的工程实例中训练学习知识,尽可能多地把各种定性、定量的影响因素作为输入变量,建立各影响因素之间的高度非线性映射关系,并能够自动调节各影响因素之间的权值,采用自适应的模式识别方法进行预测。特别是对残缺不全或模糊随机的不确定信息具有较强的容错能力,这些决定了神经网络方法在处理矿岩可崩性分析方面具有很好的应用基础。据此,本文采用人工神经网络理论,建立矿岩可崩性的神经网络识别模型,结合工程实例对其矿岩可崩性进行分级识别。1人工神经网络模型1.1节点t次迭代时学习及控制采用3层前馈网络模型和改进的BP算法对网络进行训练。如下改进的BP算法采用动量法和学习率自适应调整策略,以利提高学习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次迭代由输入层节点i到输出层节点j的权值;D(t)为t次迭代时的负梯度,D(t)=δjxi,δj是节点j的误差项,xi是节点i的输出;η为动量因子,0≤η<1;α(t)为t次迭代时的学习率,α(t)>0;θ(t)是节点j在t次迭代时的阈值。而α(t)=βλα(t-1),(3)式中,λ=sign[D(t)D(t-1)];β为常数,1<β<2。1.2节点之间的横向传播误差(1)网络初始化,用1组随机数对网络赋初始权值和阈值,设置网络参数。(2)提供学习样本对(输入值xi和预期输出值di)。(3)用log-sigmoid型函数计算隐层的输出xj和用线性变换函数计算输出层的输出yk,输入层节点的输出等于其输入。假设隐含层有n1个节点,输入层有n个节点,输出层有m个节点。则: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)使用递归算法从输出层开始逆向传播误差,并用式(1)和式(2)调整权值和阈值。输出节点j的误差项δj为δj=yj(1-yj)(dj-yj),(6)而隐含节点j的误差项δj为δj=x′j(1-x′j)Σkδkwjk.(7)δj=x′j(1−x′j)Σkδkwjk.(7)(5)求网络总误差E,对p个样本,E=(1/2Ρ)(pΣi=1mΣi=1(dik-yik)2)‚(8)若误差不能满足要求则转(3)。多次重复以上(3)～(5),直到E小于规定的误差ε为止。2网络输入和分级识别以武钢一地下矿山工程为例,采用上述人工神经网络模型和学习算法对其矿岩可崩性进行识别。分级指标采用8个指标,分别为实测RQD值、单轴抗压强度Rc、节理频度Jf、节理充填状态指标Js、地下水指标Wg、蚀变与风化指标Lf、岩体结构指标Rj和夹石碎裂度指标Sj,将这8个分级指标数据分别经标准化处理后作为输入向量。选取隐含层节点数为14个,矿岩可崩性分为6级,则网络的输入节点数、隐含层节点数和输出节点数分别为8、14和6。其中,期望输出(.9.1.1.1.1.1)代表矿岩可崩性为Ⅰ级(极易崩),(.1.9.1.1.1.1)代表矿岩可崩性为Ⅱ级(易崩),(.1.1.9.1.1.1)代表矿岩可崩性为Ⅲ级(较易崩),(.1.1.1.9.1.1)代表矿岩可崩性为Ⅳ级(一般),(.1.1.1.1.9.1)代表矿岩可崩性为Ⅴ级(难崩),(.1.1.1.1.1.9)代表矿岩可崩性为Ⅵ级(极难崩)。网络参数选取为:η=0.9,β=1.5,α0=0.1,ε=0.0007。取25个地质单元段矿岩体实例作为学习样本,部分样本如表1所示。对82个地质单元段矿岩体可崩性进行分级识别,部分结果如表2所示。分级识别结果与实际比较,对判率大于96%,说明所建立的神经网络识别模型是合理、可信的。3基于人工神经网络的矿岩可崩性分级识别影响矿岩可崩性的因素是多样且复杂的,并且影响因素相互之间以及它们与矿岩可崩性分级之间存在着复杂的非线性关系。人工神经网络具有自学习、自组织、强容错性等优点以及较强的非线性动态处理数据能力,将其引入到矿