煤巷围岩稳定性分类的计算智能模型

王  磊¹ ，吴士良²

（1. 山东科技大学信息科学与工程学院   2. 山东科技大学资源与环境工程学院）

  煤矿巷道围岩是巷道周围有限范围内的岩（煤）体，多处于强度较低的沉积岩（或煤层）中，围岩稳定性除受采动影响外，还受煤柱尺寸、断面面积、围岩强度、地质赋存等因素的影响。根据巷道的用途，将煤矿巷道分为开拓巷道、准备巷道和回采巷道三种形式，目前研究的重点是回采巷道的围岩稳定性分类及支护形式。本文以回采巷道为重点讨论了围岩稳定性分类的计算智能模型。

1 计算智能简介

  Bezdek^[1]于1992年探讨了神经网络、模式识别和人工智能之间的密切关系，并首次提出了计算智能（computational intelligence ,CI）的概念，1994年在美国举行的首届计算智能大会上中，则是第一次将遗传算法^[2](genetic algorithm,GA)、人工神经网络、模糊集3个不同的人工智能研究方法结合起来形成计算智能。

  从理论上讲，与传统的建模方法相比CI的最大特点是：它不需要建立问题本身的精确（数学或逻辑）模型，也不依赖于知识表示，而是直接对输入数据进行处理得出结果，以神经网络为例，其本身是一个“黑盒子”，通过训练调整其权值，使其拟合所需解决问题的真实模型（假设存在一个准确描述问题的模型，而现在人们还没有发现它）。

2 煤巷围岩稳定性分类的计算智能模型

  这一模型的主体是一个三层BP神经网络^[3]，通过对大量的巷道围岩相关数据进行训练后，发现其中隐含的分类识别模型，同时用遗传算法对神经网络的结构、性能参数进行优化，使得最后得到的神经网络能达到最优的分类效果。

2.1 神经网络输入数据集

  一个训练样本的数据结构是一个n+m维向量：（x₁,x₂,…,x_i,…,x_m,y₁,y₂,…,y_i,…y_n），其中xi是神经网络的输入数据集，y_i是神经网络的预期输出数据集。本文所提出的模型中输入数据集主要包括回采巷道的以下指标：煤层埋深、煤层倾角、煤层厚度、煤层强度、直接顶厚度、直接顶强度、老顶厚度、老顶强度、直接底厚度、直接底强度、采煤方法、护巷煤柱宽度、直接顶初垮步距、老顶初垮步距、老顶周期来压步距，对于象采煤方法这样的文本型数据本模型以0、1、2这样的离散型数据相对应，本模型将煤巷围岩稳定性划分为四种类型，即稳定（Ⅰ类）、中等稳定（Ⅱ类）、不稳定（Ⅲ类）和极不稳定（Ⅳ类）围岩，因此网络的输出向量的维数为4。

  数据集分成两个互不相交的子集：一个训练子集和一个测试子集。

2.2 GA_BP复合协同训练/学习算法

  单纯采用BP算法对BP神经网络进行训练时，训练的收敛速度、训练精度和范化能力很大程序上取决于其结构和控制参数的选择，然而，诸如学习率、动量系数、隐含层神经元数及初始权值范围等参数，一般都是通过实验或凭经验选择的，本模型在BP算法的基础上引入遗传算法（GA），首先用遗传算法生成一组具有不同的学习率、动量系数、隐含层神经元数，激活函数等参数的网络模型，然后再通过BP算法训练，将训练效果较好的网络模型相互配对生成下一代网络模型，这样经过几代的优化，选择出效果较好的网络作为实际应用的分类模型。

  具体算法如下：

  步骤1：确定种群的规模N，交叉概率Pc，变异概率Pm和终止进化准则O；随机生成N个个体作为初始种群X(t)，t=0。

  步骤2：针对每个个体调用BP算法计算出神经网络的收敛速度s和对应于测试集的网络误差e，这里s和e是标准化到(0-1)范围内的数值，个体适应度fit=(1-s)+2(1-e)。

  步骤3：从X(t)中运用选择算子sel选择出M对母体，然后依概率Pc执行交叉，形成M个中间个体。

  步骤4：对M个中间个体分别独立依概率Pm执行变异，形成M个新的个体作为新一代种群X(t+1)。

  步骤5：记录下每一代中最优秀的个体，在满足终止进化准则后，对比每一代中的优秀个体选择适应度最大的个体作为最后的最优解。

  对上述算法在本模型具体实验中的各参数的取值如下：

  个体基因有5个，分别为：学习率、动量系数、隐含层神经元数、初始权值范围、激活函数。

  种群规模N=30。

  交叉概率Pc：50%。

  变异概率Pm=30%，变异时个体基因加上一个期望值为0的随机数。

  终止进化准则O为进化到10代终止。

  选择算子sel为选择适应度较高的N/2个体，两两组合从中随机选择M对作为母体。

3 实验结果

  本文以某矿区的119条巷道的数据作为数据集，将其分成两个互不相交的子集：一个训练子集和一个测试子集。由于数据量太大，具体数据集详见本人的论文^[4]“基于人工神经网络的煤巷围岩稳定性分类系统”。

  模型运行后最后胜出的个体为：学习率0.65、动量系数0.73、隐含层神经元数24、初始权值范围0.8，激活函数为，其达到收敛所用的迭代次数为1320，相对应于测试集的误差为0.0061，这个结果优于本人在2005硕士论文^[4]中以试凑法得到的神经网络试验结果。

参考文献：

[1] Bezdek J C. On the relationship between neural networks, pattern recognition and intelligence[J]. Approx Reason, 1992, 6

[2] 徐宗本等. 计算智能中的仿生学：理论与算法[M]，北京：科学出版社，2003

[3] Martin T.Hagan．Neural Network Design[M]，北京：机械工业出版社，2002

[4] 王磊. 基于人工神经网络的煤巷围岩稳定性分类系统，山东科技大学硕士论文2005

作者简介：王磊，男，1973.12，山东科技大学，2005年硕士毕业，在读博士，讲师，研究方向：数据挖掘，联系电话：0532-86057875，地址：山东青岛经济技术开发区前湾港路579号 266510