论文部分内容阅读
浅埋煤层工作面顶板来压猛烈,支架动载明显,易造成支架损坏。目前多数煤矿的矿压预报还依赖于专家经验和工程类比,依靠经验来指导生产存在一定的局限性和盲目性。人工神经网络预测技术已广泛应用于煤矿,采用这一新方法可以对工作面顶板矿压显现进行预报,对煤矿安全生产具有重要意义。通过对浅埋煤层顶板矿压机理进行总结研究,分析并得出浅埋煤层工作面矿压的影响因素:推进距离、采高、基载比、基岩厚度等。对现有的BP神经网络(Back PropagationNeural Network)和粒子群优化算法(Paticle Swarm Optimization)理论进行总结和改进,将改进后的PSO算法训练BP神经网络,建立PSO-BP神经网络模型。该模型能够表达工作面顶板矿压与影响因素之间的相互关系,进而预测顶板矿压。以神东哈拉沟煤矿02212综采工作面为工程背景,进行基于PSO-BP神经网络模型的矿压预测实践研究。通过工作面液压支架的工作阻力进行观测,分析观测数据,得出该工作面的矿压显现规律并确定影响因素。运用非线性回归分析,计算这些影响因素的相关系数,选取敏感因素作为输入参数,导入PSO-BP神经网络模型,得出该工作面顶板矿压与影响因素的相互关系的表达式。依据现场支架载荷数据与推导的关系表达式,运用Matlab的软件编程与计算,对工作面10个工作循环的支架载荷数据进行预测,实现了PSO-BP神经网络工作面顶板矿压仿真计算。将预测值与实测值进行误差分析,并同单一的BP模型进行比对,结果表明,PSO-BP神经网络模型较好的预测了顶板矿压,准确性明显优于BP模型。研究表明,基于PSO-BP神经网络模型预测工作面顶板矿压是一种较为可靠的预测方法,该方法作为煤矿安全生产的辅助决策手段,具有广阔的工程应用前景。