基于BP神經(jīng)網(wǎng)絡(luò)的Mathews圖表法分區(qū)調(diào)整*

?

基于BP神經(jīng)網(wǎng)絡(luò)的Mathews圖表法分區(qū)調(diào)整*

王運(yùn)森，鄭貴平，曹衛(wèi)東，李元輝

(東北大學(xué) 資源與土木工程學(xué)院，遼寧 沈陽(yáng) 110819)

摘要：為解決經(jīng)過(guò)Mawdesley修正的Mathews圖表法的分區(qū)劃分限于回歸分析，過(guò)于簡(jiǎn)化，在水力半徑過(guò)小及過(guò)大2個(gè)區(qū)域沒(méi)有給出明確的穩(wěn)定性判斷等問(wèn)題，通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)巖體穩(wěn)定性預(yù)測(cè)模型，利用Mawdesley修正的圖表法歷史樣本數(shù)據(jù)進(jìn)行訓(xùn)練，在滿(mǎn)足精度要求的約束下對(duì)Mathews圖表中節(jié)點(diǎn)的穩(wěn)定性狀態(tài)進(jìn)行預(yù)測(cè)，繪制穩(wěn)定性等值線(xiàn)圖，在此基礎(chǔ)上進(jìn)行分區(qū)的優(yōu)化調(diào)整，對(duì)于低穩(wěn)定性系數(shù)小水力半徑和高穩(wěn)定性系數(shù)大水力半徑的2個(gè)區(qū)域，給出了穩(wěn)定性確切的分區(qū)定義，調(diào)整后的分區(qū)在中間區(qū)域和原圖基本重合，能很好的符合歷史數(shù)據(jù)樣本，證明了應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)Mathews圖表法進(jìn)行分區(qū)的合理性。在焦家金礦進(jìn)行了工業(yè)試驗(yàn)，利用調(diào)整后的分區(qū)及臨界跨度設(shè)計(jì)法進(jìn)行結(jié)構(gòu)參數(shù)優(yōu)化，進(jìn)路跨度提高到7.9 m，試驗(yàn)結(jié)果采場(chǎng)穩(wěn)定性良好。

關(guān)鍵詞：穩(wěn)定圖表法；穩(wěn)定性評(píng)價(jià)；BP神經(jīng)網(wǎng)絡(luò)

0引言

采場(chǎng)圍巖穩(wěn)定性狀態(tài)是多種復(fù)雜因素相互作用結(jié)果的現(xiàn)，對(duì)地下采場(chǎng)穩(wěn)定性的研究在很大程度上就是對(duì)圍巖穩(wěn)定性的研究。Mathews圖表法是一種簡(jiǎn)單且基于實(shí)踐經(jīng)驗(yàn)的巖體穩(wěn)定性評(píng)價(jià)方法[1]。自Mathews圖表法提出后，迅速在加拿大的一些礦山中得到廣泛應(yīng)用，并儼然成為了加拿大礦山中空?qǐng)霾傻V設(shè)計(jì)的工業(yè)標(biāo)準(zhǔn)[2-4]。隨著該方法不斷發(fā)展，也越來(lái)越得到除加拿大礦山以外其它礦山的重視和應(yīng)用，應(yīng)用范圍從最初的空?qǐng)霾傻V法設(shè)計(jì)發(fā)展到其他采礦方法采場(chǎng)結(jié)構(gòu)的設(shè)計(jì)、采場(chǎng)圍巖的穩(wěn)定性預(yù)測(cè)、礦巖崩落特性的研究等多個(gè)方面[5-7]。2001年，根據(jù)大量新增的實(shí)例數(shù)據(jù)，Mawdesley等人應(yīng)用對(duì)數(shù)回歸分析的方法對(duì)Mathews圖表法進(jìn)行了重新定義[8]，用2條直線(xiàn)把穩(wěn)定圖劃分為穩(wěn)定區(qū)、破壞區(qū)和崩落區(qū)3個(gè)區(qū)域，這種分區(qū)劃分相比前人通過(guò)目測(cè)來(lái)分區(qū)的方式更加科學(xué)合理，但是巖體穩(wěn)定性與其影響因子之間是一種高度非線(xiàn)性的關(guān)系，通過(guò)回歸分析得到的這種簡(jiǎn)單的線(xiàn)性關(guān)系過(guò)于簡(jiǎn)化。人工神經(jīng)網(wǎng)絡(luò)[9]對(duì)非線(xiàn)性函數(shù)具有非常強(qiáng)的逼近能力，且具有強(qiáng)大的泛化能力能夠減小數(shù)據(jù)樣本中那些不是非常符合大趨勢(shì)的個(gè)別數(shù)據(jù)對(duì)整個(gè)樣本的影響，得到了廣泛的應(yīng)用[10-11]。因此，文中利用原有實(shí)例數(shù)據(jù)，建立進(jìn)化BP神經(jīng)網(wǎng)絡(luò)穩(wěn)定性預(yù)測(cè)模型，根據(jù)預(yù)測(cè)結(jié)果改進(jìn)Mathews圖表的劃分區(qū)域，力圖使新的Mathews圖表法區(qū)域劃分更加合理有效、評(píng)價(jià)結(jié)果更加準(zhǔn)確。

1Mathews圖表法簡(jiǎn)介及問(wèn)題

該方法通過(guò)研究巖體質(zhì)量、開(kāi)采深度、采場(chǎng)尺寸和礦巖穩(wěn)定性之間的關(guān)系，以代表巖體在給定應(yīng)力條件下維持穩(wěn)定能力的穩(wěn)定數(shù)N和反映采空區(qū)尺寸和形狀的水力半徑S的計(jì)算為基礎(chǔ)，將這2個(gè)因子繪制在劃分為預(yù)測(cè)穩(wěn)定區(qū)、潛在不穩(wěn)定區(qū)和崩落區(qū)的圖上。

利用對(duì)數(shù)回歸方法重新定義的Mathews圖表法如圖1所示[10]。位于穩(wěn)定區(qū)的工程是穩(wěn)定的，位于崩落區(qū)的工程會(huì)發(fā)生持續(xù)崩落，在兩者之間的工程穩(wěn)定概率為57%～0%，破壞概率為43%～5%，崩落概率95%～0%.

圖1　Mawdesley修正的通用Mathews穩(wěn)定圖Fig.1　General modified Mathews stabilitygraph after Mawdesley

經(jīng)過(guò)Mawdesley修正的Mathews圖表法的分區(qū)劃分相比前人通過(guò)目測(cè)來(lái)分區(qū)的方式更加科學(xué)合理，但是巖體穩(wěn)定性與其影響因子之間的關(guān)系顯然是一種具有高度非線(xiàn)性的關(guān)系，限于回歸分析的形式畢竟有限，再加上其函數(shù)形式的選擇也沒(méi)有一定的模式等問(wèn)題，通過(guò)回歸分析得到的這種關(guān)系過(guò)于簡(jiǎn)化，劃分結(jié)果較難逼近實(shí)際情況；特別是對(duì)于水力半徑過(guò)小及過(guò)大2個(gè)區(qū)域，沒(méi)有給出明確的穩(wěn)定性判斷，實(shí)際應(yīng)用中這2部分的取值受人為因素的影響較大。而且由于這2個(gè)區(qū)域的工程實(shí)例很少，難以通過(guò)加密實(shí)例應(yīng)用數(shù)據(jù)進(jìn)行分區(qū)的精細(xì)描述。

2進(jìn)化BP神經(jīng)網(wǎng)絡(luò)穩(wěn)定性評(píng)價(jià)模型

流程分為4個(gè)部分，依次為進(jìn)化BP神經(jīng)網(wǎng)絡(luò)模型的建立、訓(xùn)練樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測(cè)試樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試、利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行圍巖穩(wěn)定性預(yù)測(cè)(圖2)。

圖2　圍巖穩(wěn)定性智能評(píng)價(jià)流程圖Fig.2　Flow chart of the rock stability evaluation

以穩(wěn)定性系數(shù)和待評(píng)價(jià)采場(chǎng)水力半徑為神經(jīng)網(wǎng)絡(luò)輸入，以采場(chǎng)穩(wěn)定狀態(tài)為輸出，并將穩(wěn)定性狀態(tài)量化為數(shù)值，分別用1，2，3表示穩(wěn)定性圖表中的穩(wěn)定、不穩(wěn)定和崩落3種狀態(tài)。

圖3　圍巖穩(wěn)定性評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.3　Neural network structure of the stabilityevaluation of surrounding rock

2.1　進(jìn)化BP神經(jīng)網(wǎng)絡(luò)模型的建立

由Mathews圖表法的應(yīng)用原理，將圍巖的穩(wěn)定性影響因素簡(jiǎn)化為穩(wěn)定性系數(shù)N和水力半徑S，穩(wěn)定性系數(shù)N及水利半徑S這2個(gè)指標(biāo)的關(guān)系G，通過(guò)進(jìn)化的神經(jīng)網(wǎng)絡(luò)BPNN表示：G=BPNN(N，S)，即：y=G(x)=BPNN(N，S)(x).

神經(jīng)網(wǎng)絡(luò)的參數(shù)在學(xué)習(xí)過(guò)程中是可調(diào)的，只有進(jìn)行全局優(yōu)化才能獲得好的學(xué)習(xí)效果，而遺傳算法的全局搜索能力正好可以勝任，這也是BP進(jìn)化神經(jīng)網(wǎng)絡(luò)的基本原理。參數(shù)優(yōu)化分為網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及初始權(quán)值2部分，由于權(quán)值系數(shù)個(gè)數(shù)是由網(wǎng)絡(luò)隱含層數(shù)和各隱含層節(jié)點(diǎn)數(shù)決定的，二者的優(yōu)化不能在同一級(jí)的循環(huán)中進(jìn)行。為此，文中設(shè)計(jì)了二級(jí)優(yōu)化過(guò)程嵌套優(yōu)化方案，第一級(jí)進(jìn)行初始權(quán)值的優(yōu)化，第二級(jí)進(jìn)行BP網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的優(yōu)化，詳細(xì)流程框圖如圖4所示。

圖4　進(jìn)化BP神經(jīng)網(wǎng)絡(luò)算法基本思想示意圖Fig.4　Basic idea of evolutionary BPneural network algorithm

學(xué)習(xí)樣本分為2部分，一部分用于學(xué)習(xí)訓(xùn)練建立模型，一部分用于測(cè)試模型的預(yù)測(cè)能力。最終的適應(yīng)值綜合考慮模型對(duì)這部分樣本的適應(yīng)能力，按下式計(jì)算

(1)

i=1,2,…,n;j=1,2,…m;k=1,2,…,p.

(2)

式中p為測(cè)試樣本個(gè)數(shù)；α為0到1之間的常數(shù)，決定了對(duì)2部分樣本適應(yīng)能力在總適應(yīng)值中所占的比例，本例取為0.5.

2.2　樣本構(gòu)建

訓(xùn)練樣本應(yīng)具有代表性并覆蓋整個(gè)搜索空間。文中選取了Mathews圖表法中典型335個(gè)歷史數(shù)據(jù)，其中編號(hào)1～275個(gè)樣本為學(xué)習(xí)訓(xùn)練樣本，276～335為測(cè)試樣本。在這些數(shù)據(jù)中，共計(jì)有208個(gè)樣本為穩(wěn)定狀態(tài)，86個(gè)樣本為不穩(wěn)定狀態(tài)，41個(gè)樣本為崩落狀態(tài)，穩(wěn)定數(shù)N處于0.005到700之間，水力半徑最大達(dá)55 m，能完整代表各種條件下的圍巖穩(wěn)定性狀態(tài)。

2.3　進(jìn)化神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置

搜索空間取1個(gè)隱含層，節(jié)點(diǎn)數(shù)范圍為5～50；初始權(quán)值進(jìn)化過(guò)程中，搜索范圍為-0.5～0.5；種群規(guī)模設(shè)30個(gè)，雜交概率取0.5，變異概率取0.4；學(xué)習(xí)率取0.1，動(dòng)量項(xiàng)系數(shù)取0.8；學(xué)習(xí)誤差取10-8，預(yù)測(cè)截止誤差取10-5.

2.4　神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化訓(xùn)練

圖5給出了進(jìn)化過(guò)程中適應(yīng)值隨進(jìn)化過(guò)程逐漸改善并快速地趨于穩(wěn)定的變化過(guò)程。在執(zhí)行15代后，進(jìn)化過(guò)程穩(wěn)定收斂，達(dá)到了結(jié)構(gòu)參數(shù)進(jìn)化過(guò)程終止條件，得到最佳適應(yīng)值為0.182 9，應(yīng)的最佳網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)隱含層的節(jié)點(diǎn)數(shù)為20，初始權(quán)值個(gè)數(shù)為61個(gè)。

圖5　最佳適應(yīng)值的進(jìn)化情況Fig.5　Evolution of the optimum value

圖6給出了神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中學(xué)習(xí)誤差和測(cè)試誤差的變化情況，初期學(xué)習(xí)誤差和測(cè)試誤差劇烈調(diào)整，40 000步以后逐漸緩和并趨于穩(wěn)定，達(dá)到了較好的精度水平，說(shuō)明對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和初始權(quán)值的優(yōu)化是有效的。

圖6　學(xué)習(xí)誤差及訓(xùn)練誤差變化情況Fig.6　Learning and training errors

圖7可以看出無(wú)論是對(duì)學(xué)習(xí)樣本還是測(cè)試樣本，所建神經(jīng)網(wǎng)絡(luò)模型對(duì)歷史樣本的穩(wěn)定性狀態(tài)的估算都具有較高的預(yù)測(cè)精度，因此可以用于巖體穩(wěn)定性評(píng)價(jià)。

圖7　學(xué)習(xí)樣本與測(cè)試樣本預(yù)測(cè)結(jié)果與實(shí)際情況對(duì)比Fig.7　Compared of study sample and test sampleprediction results with the actual situation

2.5　評(píng)價(jià)模型的檢驗(yàn)

選取國(guó)內(nèi)的一些樣本作為檢驗(yàn)樣本，對(duì)訓(xùn)練模型的預(yù)測(cè)效果進(jìn)行了檢驗(yàn)，預(yù)測(cè)效果如圖8所示，從圖8中可以看出取得了較為理想的預(yù)測(cè)精度。

圖8　神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際情況對(duì)比Fig.8　Neural network prediction resultscompared with the actual situation

3Mathews圖表法分區(qū)調(diào)整

應(yīng)用訓(xùn)練好的滿(mǎn)足精度要求的神經(jīng)網(wǎng)絡(luò)模型在Mawdesley修正的通用Mathews穩(wěn)定圖的基礎(chǔ)上，對(duì)其289(17×17)個(gè)節(jié)點(diǎn)的穩(wěn)定性狀態(tài)進(jìn)行預(yù)測(cè)。預(yù)測(cè)格點(diǎn)水力半徑S最小為1.3，最大為77.4，穩(wěn)定數(shù)N最小為0.2，最大為599.5，基本上能夠覆蓋各種工程條件下的實(shí)際情況。

預(yù)測(cè)結(jié)果及其等值線(xiàn)圖如圖9所示，可以看出，即使在沒(méi)有歷史樣本數(shù)據(jù)的大水力半徑低穩(wěn)定數(shù)值和小水力半徑高穩(wěn)定數(shù)值等極端區(qū)域，神經(jīng)網(wǎng)絡(luò)都能做出比較好的符合趨勢(shì)的預(yù)測(cè)結(jié)果。

圖9　格點(diǎn)預(yù)測(cè)結(jié)果等值線(xiàn)和歷史數(shù)據(jù)樣本疊加圖Fig.9　Prediction of the grid contourand historical data sample

根據(jù)預(yù)定義的穩(wěn)定性類(lèi)別及其對(duì)應(yīng)的量化數(shù)值和神經(jīng)網(wǎng)絡(luò)對(duì)Mathews圖表格點(diǎn)數(shù)據(jù)的預(yù)測(cè)結(jié)果等值線(xiàn)圖，關(guān)于過(guò)渡區(qū)分界線(xiàn)的值應(yīng)該位于1和3之間。從圖中可以看出，在值為1.1的等值線(xiàn)以上的區(qū)域沒(méi)有破壞的歷史數(shù)據(jù)；在值為2以下的等值線(xiàn)區(qū)域只有很少的穩(wěn)定樣本出現(xiàn)，并且大部分歷史數(shù)據(jù)樣本都集中在值為0.9至2.5之間的區(qū)域。新的Mathews圖表法以值為1.3的等值線(xiàn)作為穩(wěn)定區(qū)和破壞及大破壞區(qū)的分界線(xiàn)，以值為2.3的等值線(xiàn)作為破壞及大破壞區(qū)和崩落區(qū)的分界線(xiàn)，如圖10所示。

圖10　基于神經(jīng)網(wǎng)絡(luò)的Mathews穩(wěn)定圖Fig.10　Mathews stability graph based on neural network

4工程應(yīng)用實(shí)例

本次試驗(yàn)采場(chǎng)設(shè)置在焦家金礦-390 m中段，該采場(chǎng)礦體賦存于主斷裂下盤(pán)蝕變帶內(nèi)，礦體上盤(pán)與圍巖為斷層接觸關(guān)系，界限明顯；而礦體下盤(pán)與圍巖呈漸變過(guò)渡關(guān)系，無(wú)明顯邊界線(xiàn)。

考慮礦體和礦體下盤(pán)圍巖的穩(wěn)定性，計(jì)算后礦體、礦體下盤(pán)巖體的定性系數(shù)分別為9.24，1.72.詳細(xì)參數(shù)見(jiàn)文獻(xiàn)[12]。

焦家金礦-390 m采場(chǎng)主要應(yīng)用向進(jìn)路充填采礦法開(kāi)采。采場(chǎng)沿礦體走向布置，礦體厚度達(dá)40 m，進(jìn)路規(guī)格3.5 m×3.5 m，其水力半徑經(jīng)計(jì)算得1.61 m.依據(jù)改進(jìn)的Mathews圖表法，當(dāng)采場(chǎng)水利半徑為1.61 m，定性系數(shù)為9.24和1.72時(shí)，巖體穩(wěn)定性狀態(tài)均落在穩(wěn)定區(qū)，如圖11所示。

圖11　礦體及礦體下盤(pán)圍巖穩(wěn)定性評(píng)價(jià)結(jié)果圖Fig.11　Surrounding rock stability state oforebody and ore body footwall

因?yàn)橹饕こ淌┕ひ约跋锏啦贾么蠖辔挥诘V體及礦體下盤(pán)，因此，文中提到的采場(chǎng)結(jié)構(gòu)參數(shù)設(shè)計(jì)僅為這2處。當(dāng)前試驗(yàn)采場(chǎng)的礦體下盤(pán)巖體和礦體的穩(wěn)定性系數(shù)分別為9.24，1.72，根據(jù)基于神經(jīng)網(wǎng)絡(luò)改進(jìn)的Mathews圖表，礦體下盤(pán)和礦體對(duì)應(yīng)的穩(wěn)定極限水力半徑大約是5.8和2.6.頂板作為主要暴露面，按規(guī)則的矩形設(shè)計(jì)，跨度分別選擇3.5，5和8 m，根據(jù)穩(wěn)定性評(píng)價(jià)的結(jié)果可知當(dāng)前試驗(yàn)采場(chǎng)礦體和礦體下盤(pán)的穩(wěn)定性系數(shù)分別為1.72和9.24，將其投影到修正的Mathews穩(wěn)定圖上，即可以得到與其相對(duì)應(yīng)的能夠保持采場(chǎng)穩(wěn)定的最大跨度為7.9 m，采用暴露面尺寸為7.4 m×15 m的進(jìn)路進(jìn)行回采時(shí)，進(jìn)路并未發(fā)生頂板及圍巖的垮落及剝落現(xiàn)象，工業(yè)試驗(yàn)驗(yàn)證效果良好。

5結(jié)論

應(yīng)用進(jìn)化BP神經(jīng)網(wǎng)絡(luò)對(duì)傳統(tǒng)Mathews圖表法進(jìn)行了分區(qū)優(yōu)化調(diào)整，使得在低穩(wěn)定性系數(shù)在小水力半徑和大水力半徑區(qū)域的有了確定性劃分且更加接近歷史數(shù)據(jù)分布情況。

采用調(diào)整后Mathews穩(wěn)定圖解法進(jìn)行回采設(shè)計(jì)，將采場(chǎng)跨度由原來(lái)的3.5 m擴(kuò)大到7.5 m，最大暴露面積為7.4 m×15 m，焦家金礦工業(yè)試驗(yàn)顯示，回采時(shí)進(jìn)路穩(wěn)定性良好；大幅度提高了采場(chǎng)的生產(chǎn)效率和生產(chǎn)能力，對(duì)實(shí)現(xiàn)礦山安全、高效、經(jīng)濟(jì)開(kāi)采具有重大的理論價(jià)值和現(xiàn)實(shí)意義。

Mathews圖表法準(zhǔn)確性很大程度上取決于歷史樣本數(shù)據(jù)的容量、準(zhǔn)確性和泛化性?，F(xiàn)階段，國(guó)外礦山已累計(jì)了大量可靠的數(shù)據(jù)，這也是為什么Mathews圖表法在國(guó)外能應(yīng)用的比較廣泛而在國(guó)內(nèi)礦山卻鮮有提及。因此，如果能不斷的積累收集國(guó)內(nèi)礦山的數(shù)據(jù)樣本，將能更全面的對(duì)修正進(jìn)行實(shí)際工程的驗(yàn)證，建立起國(guó)內(nèi)各種礦山條件下的數(shù)據(jù)庫(kù)，能更好的為國(guó)內(nèi)礦山服務(wù)。

參考文獻(xiàn)References

[1]Mathews K E，Hoek E，Wyllie D C，et al.Prediction of stable excavations for mining at depths below 1 000 metres in hard rock[J].Canmet Report，1980：802-1 571.

[2]Zhang Y，Hughes R，Mitri H S.Modified stability graph method with a new rock stress factor[C]//45th US Rock Mechanics/Geomechanics Symposium.American Rock Mechanics Association,2011.

[3]Trueman R，Mikula P，Mawdesley C，et al.Experience in Australia with the application of the Mathews’ method for open stope design[J].CIM bulletin，2000，93(1 036)：162-167.

[4]Wang J，Milne D，Pakalnis R.Application of a neural network in the empirical design of underground excavation spans[J].Mining Technology，2002，111(1)：73-81.

[5]朱先洪，付建新，戚偉，等.Mathews穩(wěn)定性圖法在薄礦體開(kāi)采采場(chǎng)設(shè)計(jì)中的應(yīng)用[J].黃金，2013(8)：37-40.

ZHU Xian-hong，F(xiàn)U Jian-xin，QI Wei，et al.Application of mathews stability graph in stope design of thin ore body mining[J].Gold，2013(8)：37-40.

[6]郭然，于潤(rùn)滄，張文榮.Mathew法在采礦方法設(shè)計(jì)中的應(yīng)用[J].金屬礦山，1999(9)：22-25.

GUO Ran，Yu Run-cang，ZHANG Wen-rong.The application of mathew method in mining method designing[J].Metal Mine，1999，(9)：22-25.

[7]黃英華，徐必根，吳亞斌.基于Mathew穩(wěn)定圖的采場(chǎng)頂板持續(xù)冒落臨界閥值研究[J].中國(guó)礦業(yè)，2012，21(2)：122-124，126.

HUANG Ying-hua，XU Bi-gen，WU ya-bin.Study on the critical value of stope roof continuous collapse based upon Mathew stability graph[J].China Mining Magazine，2012，21(2)：122-124，126.

[8]Mawdesley C，Trueman R，Whiten W J.Extending the Mathews stability graph for open stope design[J].Mining Technology，2001，110(1)：27-39.

[9]Hopfield J J.Neural networks and physical systems with emergent collective computational abilities[J].Proceedings of the National Academy of Sciences，1982，79(8)：2 554-2 558.

[10]Mccleland J L，Rumlhard D E.Exploration in parallel distributed processing[Z].Cambridge：MIT Press，1986.

[11]蔡白興，徐先祜.人工智能及其應(yīng)用[M].北京：清華大學(xué)出版社，2004.

CAI Bai-xing，XU Xian-you.Artificial intelligence：principles and applications[M].Beijing：Tsinghua University Press，2004.

[12]董金奎，馮夏庭，張希巍，等.地下采場(chǎng)破碎巖體穩(wěn)定性評(píng)價(jià)與參數(shù)優(yōu)化[J].東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，34(9)：1 322-1 326.

DONG Jin-kui，F(xiàn)ENG Xia-ting，ZHANG Xi-wei，et al.Stability evaluation and parameter iptimization on the fractured rock mass around underground stope[J].Journal of Northeastern University：Natural Science，2013，34(9)：1 322-1 326.

第四屆行為安全與安全管理國(guó)際會(huì)議暨第二屆安全管理理論與

實(shí)踐國(guó)際會(huì)議將于2016年9月23～25日在西安科技大學(xué)舉辦

由中國(guó)職業(yè)安全健康協(xié)會(huì)(行為安全專(zhuān)業(yè)委員會(huì))、公共安全科學(xué)技術(shù)學(xué)會(huì)主辦，西安科技大學(xué)承辦，中國(guó)煤炭工業(yè)安全科學(xué)技術(shù)學(xué)會(huì)支持的第四屆行為安全與安全管理國(guó)際暨第二屆安全管理理論與實(shí)踐國(guó)際會(huì)議將于2016年9月23～25日在西安科技大學(xué)舉行。誠(chéng)摯邀請(qǐng)國(guó)內(nèi)外高等院校、科研機(jī)構(gòu)、政府機(jī)關(guān)和企事業(yè)單位從事安全管理與相關(guān)領(lǐng)域教學(xué)、科研、生產(chǎn)的專(zhuān)家學(xué)者，企業(yè)技術(shù)人員、管理人員前來(lái)參會(huì)。

會(huì)議主題范圍：

1.安全管理理論與方法；

2.行為安全及安全科學(xué)基礎(chǔ)理論；

3.人的失誤及人的不安全行為研究；

4.安全心理測(cè)驗(yàn)與測(cè)量；

5.安全文化；

6.危險(xiǎn)源辨識(shí)與風(fēng)險(xiǎn)管理；

7.人因工程、系統(tǒng)安全、安全評(píng)價(jià)等；

8.安全應(yīng)急管理及計(jì)算機(jī)應(yīng)用技術(shù)；

9.安全經(jīng)濟(jì)理論與分析；

10.安全工程、礦山災(zāi)害防治等。

會(huì)議網(wǎng)址：http://www.bsm.xust.edu.cn

Adjustment of Mathews’ stability graph method based on BP neural network

WANG Yun-sen，Zheng Gui-ping，CAO Wei-dong，LI Yun-hui

(CollegeofResourcesandCivilEngineering，NortheasternUniversity，Shenyang110819，China)

Abstract：The partition of Mathews’ stability graph modified using regression analysis by Mawdesley is too simplified，and do not give a clear judgment of stability in the two areas in small or large hydraulic radius.BP neural network prediction model of rock mass stability was established，using the original Mathews chart’s historical data for training samples，and predicting the stability of the nodes in Mathews’ stability graph under the accuracy constraint.By drawing the contour map of stability，the partition of the graph was optimized that in the low stability coefficient of small hydraulic radius and high stability coefficient of large hydraulic radius of two regions，the precise definition of stability zoning was given.The adjusted partitions basically coincide in the middle region with the original historical data，which proves the rationality of the application of neural network to partition of the Mathews chart.In Jiaojia Gold Mine the structure parameter optimization was carried out by using modified Mathews stability graph method.The research result can ensure stability field at less than 7.9 m of stoping span with a good industrial test effect.

Key words：stability graph method；stability assessment；BP neural network

中圖分類(lèi)號(hào)：TD 76

文獻(xiàn)標(biāo)志碼：A

通訊作者：王運(yùn)森(1976-)，男，河南南陽(yáng)人，博士，講師，E-mail:wangyunsen@mail.neu.edu.cn

收稿日期：*2015-11-23責(zé)任編輯：劉潔

文章編號(hào)：1672-9315(2016)01-0116-06

DOI：10.13800/j.cnki.xakjdxxb.2016.0120