寺河矿采区巷道修复收敛变形分析及发展趋势预测

寺河煤矿采区巷道围岩条件差有时会发生严重破坏,这影响正常的煤矿生产,并容易产生安全问题。文章根据寺河煤矿采区巷道的多种支护情况,通过收敛变形记录对神经网络模型进行训练,建立了相适应的BP神经网络预测模型。通过该神经网络模型成功预测修复后巷道的收敛变形发展情况,预测结果与实测值相似度达85%以上。     

神经网络在支护优选及变形预测中的应用

盛大铁矿巷道变形破坏事故频发,严重影响矿区安全生产,以神经网络理论为基础,通过对盛大铁矿巷道进行变形监测,得到巷道变形规律,为巷道支护优化及变形预测神经网络模型的实现提供了数据支持。利用MATLAB软件建立神经网络模型,以盛大铁矿46条支护稳定巷道为学习和检验样本,建立巷道支护优选及变形预测神经网络模型,通过测试样本对神经网络模型检测,模型成功实现了支护方式优选及变形预测,为矿山支护设计及变形预测提供了科学的技术指导。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

回采巷道围岩稳定性的神经网络控制

建立了煤矿回采巷道围岩分类与支护设计人工神经网络（ＢＰ网络）模型及巷道变形预测二级神经网络模型，并通过网络自适应、学习与匹配联想，得出了巷道围岩类别与支护强度及支护方式相对应的结果。同时，通过巷道变形预测二级神经网络模型预测了巷道顶底板移近速度，两帮移近速度及围岩动态。试验表明，神经网络（ＮＮ）输出结果与实际拟合良好。     

基于灰色神经网络的急倾斜特厚煤层回采巷道变形预测

根据碱沟煤矿急倾斜特厚煤层回采巷道矿压观测和支护效果综合分析,利用灰色神经网络对巷道变形进行了预测,总结出了该矿急倾斜特厚煤层回采巷道变形的基本规律,实践证明预测结果比较准确。     

基于立体矿图系统的巷道变形预测动态可视化

针对巷道变形预测可视化识别程度不高的问题,提出了一种将神经网络巷道变形预测算法与矿井立体矿图信息管理系统相结合的方法,利用三维立体矿图系统实现巷道预测变形的动态可视化识别,并对巷道可控变形范围进行预警阀值设定,系统可及时发出相应的预警信号,为工程人员进行相应的巷道支护方案设计及施工决策提供了重要的指导信息。     

软岩巷道变形灰色神经网络多步预测研究

结合大变形软岩巷道工程实例,提出基于MATLAB平台灰色神经网络多步快速预测方法,建立了软岩巷道变形的GNNM(1,1)模型.结果表明:GNNM(1,1)模型的预测结果与实测结果拟合的较好,预测效果优于单项模型,可较准确地用于预测软岩巷道变形.     

改进BP神经网络在采准巷道支护中的应用研究

在对程潮铁矿采准巷道支护类型影响因素和巷道成功加固实例调查分析的基础上,提出采用改进的BP神经网络对支护类型进行研究。由学习样本的学习过程和对支护类型的预测结果可知,无论是学习样本误差收敛过程,还是收敛速度、收敛精度和支护类型的预测结果都较为理想,预测准确率较高,为研究采准巷道的支护类型提供了新的研究思路,具有较好的推广应用价值。     

露天转地下开采巷道变形监测及灰色预测

利用WRM-3型收敛计对大冶铁矿露天转地下挂帮矿开采的巷道进行了收敛监测,通过对监测结果的分析,确定了影响巷道收敛的因素。同时结合大冶铁矿的现场实际,给出了灰色模型在预测巷道变形趋势方面的应用,认为灰色预测方法在地下工程位移监测中是适用的。     

基于BP神经网络的回采巷道围岩稳定性分类

针对袁店矿回采巷道围岩条件复杂、现有分类方案不够完善、巷道收敛率较大等问题,探索一种准确、高效、易于使用的回采巷道围岩稳定性预测方法.以袁店矿区回采巷道作为工程研究背景,采用BP神经网络预测原理,在分析出回采巷道围岩稳定性的影响因素基础之上,设计出一种基于BP神经网络的回采巷道围岩分类方法,利用Matlab7.0BP神经网络工具箱,实现算法编程和GUI友好的用户操作界面,结果证明此方法具有相当高的预测精度.     

神经网络理论在预测巷道围岩变形中的应用

利用神经网络理论对巷道围岩变形预测问题进行了探讨，与利用灰色模型预测巷道围岩变形的结论作了比较。通过计算机模拟，构造了〔７～１〕ＢＰ模型神经网络模型。结果表明，这种方法是可行的，且有较高的精度。这一模拟的成功，说明神经网络理论是能够应用于工程实际的。     

某软岩巷道围岩变形监测研究

某煤矿软岩巷道在开挖过程中巷道变形严重，由于该巷道所在区域岩体破碎，而且开挖的巷道分布较密集，巷道部分区域围岩潜在着整体失稳的可能性。为了进行软岩巷道的稳定性预测以及为巷道二次支护提供可靠的依据，对该软岩巷道进行了收敛变形监测研究。介绍了巷道收敛监测站的布置及监测方案，给出了6个监测站的监测结果，并且通过分析监测结果给出了所获得的一些结论。     

组合优化模型在巷道围岩变形监测中的应用

将灰色GM(1,1)模型、回归分析法和神经网络模型的预测结果结合起来,以各种模型误差平方和最小为基准,进行加权优化组合,建立了组合优化预测模型并将该组合模型应用到巷道围岩变形监测中。经过实验分析与对比,验证了组合预测模型在巷道围岩变形预测中优于单一的预测模型,也是提高巷道围岩变形预测的一种有效方法。     

煤巷围岩变形预测系统的构建及应用

根据煤巷围岩收敛变形的监测数据,运用非线性拟合技术,选择4种非线性函数建立了煤巷围岩变形预测模型,实现对巷道围岩变形监测数据的回归分析与预测,并基于VB编程方法构建了煤巷围岩变形预测系统,实时动态反映煤巷围岩的稳定状态。     

基于BP网络的采矿巷道围岩力学参数反分析

为较理想地处理巷道的收敛变形与围岩力学间的复杂非线性关系,应用反分析方法研究了大冶铁矿龙洞-74 m水平采矿巷道的围岩力学参数.首先应用正交试验理论确定有限元正分析的围岩力学参数取值样本,运用2D-Sigma有限元软件计算巷道的收敛变形值;然后将有限元计算位移值作为输入样本,相应的围岩力学参数作为输出样本训练BP神经网络;再将实测位移带入训练好的神经网络反分析得到相应围岩力学参数,以此围岩力学参数作为二次正分析的计算参数进行有限元计算,并比较分析位移计算值与实测值的误差.结果表明,采用该方法获取围岩力学参数是可行的,其结果符合工程实际要求.     

石门巷道混凝土浇筑技术设计与实践

针对林南仓矿650m轨道石门顶底板及两帮收敛严重的问题,分析了该段巷道围岩的变形机理,发现巷道穿越高岭土基软岩层位多,节理裂隙发育,构造较复杂,埋深相对较大,巷道变形以高应力下破碎软岩大变形为主。基于此,提出了全断面混凝土浇筑的支护方案,工程监测与使用效果表明,支护完成后,巷道两帮的收敛小于300mm,顶底板的收敛小于100mm,巷道围岩变形得到根本控制,锚固区受力稳定,巷道很快达到整体稳定。     

神经网络在锚杆支护方案优选及变形预测中的应用

根据综放回采巷道的特征，确定其锚杆支护形式优选需要考虑的因素为：围岩强度、煤层强度、巷道埋藏深度、围岩节理裂隙发育程度、采动影响、顶煤厚度、护巷煤柱宽度、巷道断面面积，这些因素和支护形式、支护参数一起对巷道围岩变形产生影响.根据巷道支护方案和围岩变形与其影响因素为非线性关系的特点，建立了综放回采巷道支护方案优选和围岩变形预测的神经网络模型，为支护设计和生产管理提供科学依据.     

大采高综放工作面辅助切眼巷道矿压显现规律研究

高瓦斯矿井回采工作面采用"两进两回"巷道布置方式,辅助切眼受到回采全程影响,巷道收敛变形严重,维护难度大。通过现场实测,总结了巷道收敛变形规律,为采取有效的维护方式提供了参数和依据。