前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經網絡論文范文，相信會為您的寫作帶來幫助，發(fā)現更多的寫作思路和靈感。

神經網絡論文范文第1篇

在水利及土木工程中經常會遇到地形面，地形面是典型的空間自由曲面，地形面在給出時，往往只給出一些反映地形、地貌特征的離散點，而無法給出描述地形面的曲面方程。然而有時需要對地形面進行描述，或者當給出的地形面的點不完整時，需要插補出合理的點。以往大多用最小二乘法或其它曲面擬合方法如三次參數樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點是：型值點一旦給定，就不能更改，否則必須重新構造表達函數；在構造曲線曲率變化較大或型值點奇異時，容易產生畸變，有時需要人為干預；此外，這些方法對數據格式都有要求。

神經網絡技術借用基于人類智能（如學習和自適應）的模型、模糊技術方法，利用人類的模糊思想來求解問題，在許多領域優(yōu)于傳統(tǒng)技術。用神經網絡進行地形面構造，只要測量有限個點（可以是無序的），不需要其它更多的地形面信息和曲面知識，當地形面復雜或者是測量數據不完整時，用神經網絡方法更具優(yōu)勢，而且還可以自動處理型值點奇異情況。

本文提出用BP神經網絡結合模擬退火算法進行地形面的曲面構造。

2模型與算法的選擇

為了對地形面進行曲面構造，首先要有一些用于神經網絡訓練的初始樣本點，對所建立的神經網絡進行學習訓練，學習訓練的本質就是通過改變網絡神經元之間的連接權值，使網絡能將樣本集的內涵以聯結權矩陣的方式存儲起來，從而具有完成某些特殊任務的能力。權值的改變依據是樣本點訓練時產生的實際輸出和期望輸出間的誤差，按一定方式來調整網絡權值，使誤差逐漸減少，當誤差降到給定的范圍內，就可認為學習結束，學習結束后，神經網絡模型就可用于地形面的構造。

BP網是一種單向傳播的多層前向網絡。網絡除輸入輸出節(jié)點外，還有一層或多層的隱層節(jié)點，同層節(jié)點中沒有任何耦合。輸入信號從輸入層節(jié)點依次傳過各隱層節(jié)點，然后傳到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。其節(jié)點單元傳遞函數通常為Sigmoid型。BP算法使神經網絡學習中一種廣泛采用的學習算法，具有簡單、有效、易于實現等優(yōu)點。但因為BP算法是一種非線性優(yōu)化方法，因此有可能會陷入局部極小點，無法得到預期結果，為解決BP算法的這一缺點，本文將模擬退火算法結合到BP算法中。

模擬退火算法是神經網絡學習中另一種被廣泛采用的一種學習算法。它的基本出發(fā)點就是金屬的退火過程和一般組合優(yōu)化問題之間的相似性。在金屬熱加工過程中，要想使固體金屬達到低能態(tài)的晶格，需要將金屬升溫熔化，使其達到高能態(tài)，然后逐步降溫，使其凝固。若在凝固點附近，溫度降速足夠慢，則金屬一定可以形成最低能態(tài)。對優(yōu)化問題來說，它也有類似的過程，它的解空間中的每一個點都代表一個解，每個解都有自己的目標函數，優(yōu)化實際上就是在解空間中尋找目標函數使其達到最小或最大解。

（如果將網絡的訓練看成是讓網絡尋找最低能量狀態(tài)的過程，取網絡的目標函數為它的能量函數，再定義一個初值較大的數為人工溫度T。同時，在網絡的這個訓練過程中，依據網絡的能量和溫度來決定聯結權的調整量（稱為步長）。這種做法與金屬的退火過程非常相似，所以被稱為模擬退火算法。）

模擬退火算法用于神經網絡訓練的基本思想是，神經網絡的連接權值W可看作物體體系內的微觀狀態(tài)，網絡實際輸出和期望輸出的誤差e可看作物體的內能，對網絡訓練的目的就是找到恰當的狀態(tài)W使其內能e最小，因此設置一個參數T來類比退火溫度，然后在溫度T下計算當前神經網絡的e與上次訓練的e的差e，按概率exp(-e/T)來接受訓練權值，減小溫度T，這樣重復多次，只要T下降足夠慢，且T0，則網絡一定會穩(wěn)定在最小的狀態(tài)。

模擬退火算法雖然可以達到全局最優(yōu)，但需要較長時間，BP算法采用梯度下降方式使收斂速度相對較快。為取長補短，我們將兩種算法結合起來，采用BP算法的梯度快速下降方式，同時利用模擬退火算法技術按概率隨機接受一個不成功的訓練結果，使梯度快速下降過程產生一些隨機噪聲擾動，從而既保證了網絡訓練的快速度下降，又保證了訓練結果的最優(yōu)性。

3網絡結構與學習算法

3.1網絡結構

如何選擇網絡的隱層數和節(jié)點數，還沒有確切的方法和理論，通常憑經驗和實驗選取。本文采用的BP網絡結構如圖1所示，輸入層兩個節(jié)點，分別輸入點的x坐標和y坐標；兩層隱層，每層10個節(jié)點，輸出層一個節(jié)點，輸出點的z坐標。

3.2學習算法

學習算法的具體過程如下：

其中Out_node為輸出神經元集合.

4計算實例

為了檢驗本文算法的有效性,我們用本文算法對黃河下游河灘地形面進行曲面構造,地形面數據按截面給出,我們用奇數截面上的點為學習樣本,偶數截面上的點用于檢驗本算法的精度.表1給出了測量值z1與本文算法計算結果z2,z2為本算法經過大約3500次迭代的結果.由這些數據可以看出，本文算法計算出的值與測量值的誤差大約在0.02左右.完全可以滿足實際工程要求的精度.

5結語

用神經網絡進行地形面的曲面構造,不必求出曲面的方程,只需知道有限個點即可,而且這些點可以是散亂點.與傳統(tǒng)方法相比,神經網絡方法具有很強的靈活性.

本文將BP算法和模擬退火算法結合起來,解決了BP算法容易陷入局部極小的致命缺點.但仍然沒有解決BP算法收斂速度慢的缺點.

NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE

LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1

(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)

(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)

Abstract

Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.

Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing

參考文獻

[1]王鎧，張彩明.重建自由曲面的神經網絡算法[J].計算機輔助設計與圖形學學報，1998，10（3）：193-199

神經網絡論文范文第2篇

1.1估價指標體系的構建及其量化標準本文以城市住宅為研究對象，構建住宅類的價格評估模型。影響城市住宅價格的因素較多，歸結起來可以分為3類，分別為：個別因素、區(qū)域因素和一般因素。在一定時期內，宏觀環(huán)境較為穩(wěn)定，一般因素對個體價格差異的影響較小，所以可以將一般因素剔除不計，重點分析個別因素和區(qū)域因素對房價的影響。通過查閱文獻，歸結出9個因素：地段等級、交通狀況、配套設施、環(huán)境質量、建筑結構、成新度、裝修情況、朝向、樓層。在因素評分中，可根據專家打分法，先將特征因素從好到壞分為5個等級：優(yōu)、較優(yōu)、一般、較差、差。再將其進行量化處理，可分別賦值為1、0.75、0.5、0.25、0，介于上述等級之間的，可根據具體情況賦值。文中所收集數據樣本來源于昆明市西山區(qū)已成交案例。在收集樣本過程中，為保證數據質量，盡量收集近期已成交案例，時間間隔不超過1個月，且已經排除非正常交易案例，故文中不考慮房屋價格受交易情況及交易時間的影響。網絡的輸出要求為0～1之間連續(xù)的數值，而收集到的價格為實際成交價格，為使之與網絡輸出相一致，應對成交價格進行數據標準化處理。本文所采用的數據標準化處理方式為歸一化處理方法。在本文征因素值已在0～1之間，所以只需將成交價格數據進行標準化處理即可。

1.2網絡結構的確定

1.2.1輸入層節(jié)點數的確定輸入層的節(jié)點個數由房屋價格影響因素的個數確定，文中將選取上述所列的9個影響因子作為網絡的輸入，即文中輸入層節(jié)點數確定為9個。

1.2.2隱含層節(jié)點數的確定增加隱含層神經元個數可以提高網絡的訓練精度，但也不是隱含層節(jié)點數越多越好，同一個網絡模型在隱含層節(jié)點數達到最優(yōu)后不再隨節(jié)點數的增加而出現訓練誤差越小的情況。一般在實際中往往依靠經驗和反復試驗進行確定節(jié)點數，即對同樣的網絡結構設置不同的隱含層節(jié)點數，分別進行訓練，當訓練結果誤差最小且訓練步數最少時網絡隱含層節(jié)點數達到最優(yōu)。

1.2.3輸出層節(jié)點數的確定模型要求輸出數據為房屋的預測價格，因此，輸出節(jié)點數確定為1。

2應用研究

2.1估價模型的訓練從所采集樣本中抽80%作為網絡的訓練樣本。用newff()函數建立網絡，此函數可以將網絡初始化，自動選擇權值和閾值[6]。文中采用反復訓練法來選取最優(yōu)的隱含層神經元數，分別設計隱含層的節(jié)點數為10、20、30、40、50。本文所創(chuàng)建的網絡代碼如下：net=newff(minmax(P),[a,1],{''''tansig'''',''''logsig''''},''''traingdx'''')其中a代表不同的隱含層節(jié)點數，tansig代表隱含層的激活函數，logsig代表輸出層的激活函數，算法選擇動量和自適應lr的梯度下降法traingdx。其他網絡訓練參數設為。經過網絡測試，當隱含層節(jié)點數設為30時，訓練次數及均方誤差達到最小值，所以，文中確定網絡隱含層節(jié)點數在30時達到最優(yōu)，即建立一個9—30—1的網絡模型。文中利用MATLAB中的神經網絡工具箱對模型進行模擬運算，以下為隱含層節(jié)點數為30時MATLAB進行逼近的界面圖。圖2表示網絡經過138個循環(huán)訓練后，計算輸出與目標輸出的誤差為8.87e-004，小于預先設定的目標誤差，即網絡訓練成功。圖3反映了訓練樣本實際值與計算值的線性回歸，R值達到0.99746，表明實際值與計算值之間實現了合理準確的線性擬合。

2.2網絡測試網絡模型訓練成功后需進一步測試，才能確定模型是否可用于其他類似房屋的價格評估。經過對剩余20%的測試樣本進行測試，相對誤差最大為0.33%，最小為0.076%，都在1％以內，可以判定，該模型通過測試，網絡可以滿足對類似大批量的房屋進行價格評估。

3結束語

神經網絡論文范文第3篇

企業(yè)綠色競爭力評價機制是通過一系列評價指標來完成的，評價指標選擇不同會產生不同的評價結果，所以評價指標的選擇是建立評價系統(tǒng)的關鍵。對應于綠色競爭力的基本特征，構建評價指標體系包含六個方面的指標。然后采用頻度統(tǒng)計法、理論分析法初步設置指標，通過主成分分析法、極大不相關法對指標進一步篩選、分類，然后采用專家咨詢法調整指標，并綜合前人的研究成果構建企業(yè)綠色競爭力評價指標體系如表1所示。

2基于BP神經網絡的企業(yè)綠色競爭力評價方法

2.1指標歸一化處理企業(yè)綠色競爭力評價指標體系中有些指標是正指標，有些指標是逆指標，需要對各指標進行歸一化去量綱處理。

2.2BP神經網絡評價的基本原理BP神經網絡是一種具有兩層或兩層以上的階層型神經網絡，層間神經元實現全連接，而層內各神經元間無連接。典型的BP網絡是三層前饋階層網絡，即：輸入層、隱含層和輸出層。BP網絡的學習由四個過程組成，輸入模式由輸入層經中間層向輸出層的“模式順傳播”過程；網絡的希望輸出與網絡實際輸出之差的誤差信號，由輸出層經中間層向輸入層逐層修正連接權的“誤差逆?zhèn)鞑ァ边^程；由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行的網絡“記憶訓練”過程；網絡趨向收斂即網絡的全局誤差趨向極小值的“學習收斂”過程。BP神經網絡分析具有許多優(yōu)秀的品質，并且善于從近似的、不確定的、甚至相互矛盾的知識環(huán)境中做出決策。其模型的結構如圖1所示。應用BP網絡對企業(yè)綠色競爭力做評價的方法是把用于描述評價對象的特征信息作為神經網絡的輸出向量，將代表相應綜合評價的量值作為神經網絡的輸出向量；使用網絡前，用一些經傳統(tǒng)綜合評價取得成功的樣本訓練這個網絡，使它所持有的權值系數值經過自適應學習后得到正確的內部表示，訓練后的神經網絡便可作為企業(yè)綠色競爭力評價的有效工具。

3企業(yè)綠色競爭力評價實例分析

本文的實證分析過程選取了我國造紙業(yè)上市公司作為研究案例，具體指標值來源于X紙業(yè)集團。首先對各輸入指標進行歸一化處理，然后利用BP神經網絡模型對企業(yè)綠色競爭力進行評價。在構造評價企業(yè)綠色競爭力的BP神經網絡時，考慮到二級指標體系包括36個指標，所以輸入層神經元設36個；設置1個輸出層神經元，為了增加評價結果的直觀性，將評價結果劃分為優(yōu)、良、中、差四個等級，分別對應于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隱含層神經元可根據經驗公式n1=sqr（tm+n）+d來確定，其中m為輸入層神經元個數，n為輸出層神經元個數，d為0到10之間的常數，本文取d=5，由此可確定隱含層神經元個數n1=11。使用Matlab編程軟件編寫B(tài)P神經網絡程序，取神經網絡學習效率η=0.05，給定收斂值ε=0.001，當企業(yè)的指標值經輸入層進入網絡時，網絡便用訓練好的權值進行運作，最后根據輸出層輸出的向量值的隸屬關系確定企業(yè)的綠色競爭力，得到輸出結果為（0.9863，-0.0048，-0.0169，-0.0124），此輸出結果與（1，0，0，0）等級最為契合，表明該企業(yè)具有較強的綠色競爭力。

4結論

神經網絡論文范文第4篇

只有清楚地了解電梯控制系統(tǒng)的運行原理才能夠及時準確的診斷出電梯故障原因，因此清楚的了解電梯運行原理,每一個電梯維修人員必須要做到。電梯運行過程總體上可分為以下幾個階段：第一、登記層外召喚信號和登記內選指令階段；第二、電梯門關閉或者電梯按照系統(tǒng)指令停運階段；第三、啟動階段；第四、在到達信號記錄的樓層前進行減速制動；第五、平層開門階段。在整個過程中電梯需要從外界接收信號并處理，然后完成相應的指令或者輸出信號，由此可以將電梯看作是一個完整的獨立的系統(tǒng)，只需要外界給予相應的信號就可以自動的做出動作。電梯系統(tǒng)內部復雜的構件緊密的結合在一起，正是如此才使得電梯系統(tǒng)故障具有了復雜性、層次性、相關性以及不確定性的特點。

二、神經網絡技術基本原理

生物學上的神經是由一個個簡單的神經元相互連接進而形成了復雜的龐大的神經系統(tǒng)，同理，神經網絡就是由大量簡單的處理單元相互連接形成的復雜的智能系統(tǒng)。單獨的處理單元類似于一個神經元，是一個可以接受不同信息但是只輸出一種信息的結構單位。神經網絡系統(tǒng)與生物學神經系統(tǒng)相似的是具有自我修改能力，它可以同時接收大量的數據并進行統(tǒng)一的分析處理，進而輸出相應的處理結果。這就使得神經網絡系統(tǒng)具有了高度容錯性、高度并行性、自我修改性、學習性以及高度復雜性，也正是由于這些特性才使的利用神經網絡技術能夠及時準確的查明電梯故障原因并得出故障解決方案。電梯故障診斷中應用的神經網絡模型分為三個層次：輸入層、接收外部信號或者是電梯自我檢測信息（如載重信息）；隱含層、對接收到了大量數據進行相應的分析處理；輸出層、將記錄著動作命令的數據傳送出來。在電梯出現故障時，首先可以通過神經網絡模型快速確定故障發(fā)生在哪一層達到節(jié)約時間的目的。但是神經網絡也會因為收斂速度過于慢、訓練強度太大或者是選擇的網絡模型不好等問題導致診斷結果受到影響。

三、神經網絡模型在電梯故障診斷中的應用分類

神經網絡模型已經成為了如今電梯故障診斷中應用最廣泛的技術模型，相比于傳統(tǒng)方式它具有診斷速度快、故障原因命中率高的優(yōu)點，因此引起了各方面專業(yè)人士的強烈關注，并在他們的不懈努力下得到了發(fā)展與創(chuàng)新。它跨越多個專業(yè)領域、通過對各種復雜的高難度工作的不斷的發(fā)展與改進出現了越來越多的應用模型，下面主要介紹了當前應用最普遍的BP網絡模型，并且簡單的引入并介紹了近年來新興的模糊神經網絡模型和遺傳小波神經網絡模型。

（一）BP網絡模型

BP神經網絡作為神經網絡應用最廣泛的一種，它多應用的誤差反向傳播算法使其在模式識別、診斷故障、圖像識別以及管理系統(tǒng)方面具有相對先進性。基于BP網絡的電梯故障診斷技術就是通過學習故障信息、診斷經驗并不斷訓練，并將所學到的知識利用各層次之間節(jié)點上的權值從而表達出來。BP網絡系統(tǒng)的主要診斷步驟主要可以分為三步。第一步：對輸入輸出的數據進行歸一化處理，將數據映射到特定的區(qū)間。第二步：建立BP網絡模型，訓練BP網絡模型。第三：通過已經訓練好的網絡模型對原來的樣本進行全面的檢測。算法步驟：a、在一定的取值范圍內對數據進行初始化；b、確定輸入值數值大小，計算出預期輸出量；c、用實際輸出的值減去上一步得到的數值；d、將上一步得到的誤差分配到隱含層，從而計算出隱含層的誤差；e、修正輸出層的權值和閾值，修正隱含層的權值；f、修正隱含層的閾值，修正隱含層和輸入層的權值。

（二）遺傳小波神經網絡模型

遺傳算法運用了生物界的優(yōu)勝劣汰、適者生存的思想對復雜問題進行優(yōu)化，適用于復雜的故障，起到了優(yōu)化簡化問題的作用。對局部數據進行詳細的分析是小波法最大的特點，所以它被譽為“數字顯微鏡”。遺傳算法小波神經網絡就是運用小波進行分解的方法分解模擬故障信號，將得到的數據進行歸一化，將歸一化后的數值輸入到神經網絡模型中。它融合了神經網絡、小波分析和遺傳算法三者所有的優(yōu)點。基于遺傳小波神經網絡的電梯故障診斷的一般步驟為：測試節(jié)點信號采樣、小波分解、故障特征量提取、歸一化得到訓練樣本集、遺傳算法優(yōu)化、得到故障類型。遺傳小波神經網絡模型在故障原因復雜、數據信息量巨大的電梯系統(tǒng)的應用中能夠發(fā)揮更大的作用。

（三）模糊神經網絡模型

模糊神經網絡模型就是創(chuàng)新性的將神經網絡與模糊理論結合到一起。它采用了廣義的方向推理和廣義的前向推理兩種推理方式。與其它兩種模型不同的是，它的語言邏輯、判斷依據和結論都是模糊的。但是它的數據處理能力還有自我學習能力并沒有因此而變差，反而更加豐富了它的定性知識的內容。在處理實際問題的過程中，首先要建立所有可能發(fā)生的故障的完整集合，其次將所有的故障發(fā)生原因歸入到同一個集合中去，最后就是建立故障和原因的關系矩陣。分別叫做模糊故障集、模糊原因集、模糊關系矩陣。相較于BP網絡模型，這種模型更加的簡單易行，充分發(fā)揮了神經網絡和模糊邏輯的優(yōu)點，不會因為故障原因過于復雜而失去診斷的準確性，在原本豐富定性知識和強大數據處理能力的基礎上具有了很大的自我訓練能力。

四、結語

神經網絡論文范文第5篇

關鍵詞：立井井筒非采動破裂反向傳播網絡神經網絡預測數值模擬

一、煤礦立井發(fā)生破壞問題的提出

徐淮地區(qū)是中國東部主要的煤炭開采基地，其煤炭的生產直接影響著我國煤炭的總產量，在國民經濟建設中占有重要的地位。然而自20世紀80年代以來，在我國徐淮地區(qū)（徐州、淮北、淮南）地區(qū)，出現了一種新的礦井破裂災害——井筒的非采動破裂，即煤礦立井在不受地下采動影響的條件下（井筒及其附近的工業(yè)廣場都留有足夠的保護煤柱），井壁發(fā)生嚴重變形和破裂，致使提升運輸困難。90年代以來，在我國特大型煤炭企業(yè)'''');">企業(yè)兗州礦業(yè)集團的9對井筒也先后發(fā)生了破壞(有關兗州礦區(qū)井筒破裂的基本情況如表1所示)。煤礦豎井是礦山生產運輸的咽喉要道，因此豎井的破壞嚴重影響了礦山生產，給各煤礦造成了巨大的經濟損失。

為了盡量減少立井的非采動破裂所造成的經濟損失，現在各大礦山都對井筒的變形進行了預報和治理，到目前對井筒破裂的預報方法主要有兩種：

1）第一種方法是通過加強對井筒變形的監(jiān)測，以監(jiān)測數據為依據，對井筒的變形進行分析，對其破裂進行預報。

2）第二種方法是新近發(fā)展起來的預報方法［1，2，3］，即系統(tǒng)科學、智能技術方法，特別是研究非線性復雜系統(tǒng)的一些方法。其主要內容使用系統(tǒng)科學原理或智能技術來建立模型的框架，用觀測的實測資料填充以實現建模。

本文采用實際與智能技術相結合的預報方法，建立井筒破裂的人工神經網絡模型，模仿人腦的運行機制，通過對井筒破壞規(guī)律的學習，使網絡具有根據特征值對井筒破壞進行預報的能力，并據此來推測相關煤礦的井筒破壞規(guī)律。

表1兗州礦區(qū)井筒破裂的基本情況

Table1BasicsituationofshaftliningfractureinYanzhouCoalMine

礦區(qū)

序號

井筒名稱

竣工時間

破裂時間

凈徑/m

外徑/m

施工方法

井壁類型

表土厚度/m

破裂深度/m

破裂情況

兗州

1

鮑店副井

1979.11.26

1995.6.5

8.0

10.2

凍結法

雙層井壁

148.6

126.9

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

2

鮑店主井

1979.5.14

1995.7.12

6.5

8.5

凍結法

雙層井壁

148.69

136—144

3

鮑店北風井

1979.10.21

1996.8.2

5.0

6.6

凍結法

雙層井壁

202.56

168.4,180,204

4

鮑店南風井

1979.8.1

1996.8.9

凍結法

雙層井壁

157.92

158.1—159.3

5

興隆莊西風井

1976.8

1995.10

5.5

7.4

凍結法

雙層井壁

183.9

165.5—171.6

6

興隆莊東風井

1977.5.31

1997.6.7

5.0

6.4

凍結法

雙層井壁

176.45

157—180

7

興隆莊主井

1977.8.13

1997.6.23

凍結法

雙層井壁

189.31

150,184

在未出現嚴重破裂時進行了治理

8

興隆莊副井

1978.9

1997.6.26

凍結法

雙層井壁

190.41

154,200

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

9

楊村主井

1984.12

1997.2.29

5.0

6.6

凍結法

雙層井壁

185.42

176.5,196

10

楊村副井

1985.1.23

1997.12.2

凍結法

雙層井壁

184.45

160,176,212

在未出現嚴重破裂時進行了治理

11

楊村北風井

1984.10.31

1997.2.4

4.5

5.9

凍結法

雙層井壁

173.40

179.6,150,156.6

罐道縫壓實,罐道,管路壓縮彎曲,混凝土表層剝落出現水平裂縫,豎筋彎曲外露

二、人工神經網絡的預報原理

人工神經網絡實現井筒破裂的智能預報，是通過機器學習的方法［4］對破裂井筒的特征值進行抽取，并對已知的井筒破裂規(guī)律進行學習掌握規(guī)律性，然后運用訓練好的神經網絡對其他井筒進行推理預測，并據此對其他井筒的破裂進行預報（其流程見圖1）。

三、立井井筒破裂影響因素的選取

經調查表明立井井壁破裂的主要原因為：在煤礦開采過程中新生界底部第四系含水層（底含）的水頭的大幅疏降，使該含水層及上覆土層產生壓縮和變形，且引起地表沉降，在地層發(fā)生變形的過程中對井壁產生垂直向下的附加力，使得立井井壁發(fā)生破裂。

立井井筒破裂礦區(qū)的水文地質與工程地質條件都具有如下的特點：井筒都穿過第四系深厚表土，其厚度大都在200m左右。土層結構復雜，但大體上都可分為四個含水層和三個隔水層共七個工程巖組，即由上至下常簡稱為一含、一隔、二含、二隔、三含、三隔和底含（四含）。

通過對立井井筒非采動破裂機理及破裂礦區(qū)的水文地質與工程地質特點分析選取以下幾個因素作為影響立井井筒破裂的特征因素：

1、表土層厚度

由于立井井筒非采動破裂只發(fā)生在厚沖積層中建成的立井井筒，因此表土層厚度是立井井筒非采動破裂現象發(fā)生的必要因素。表土層厚度越大，土層對立井井筒的側壓力越大，且土層與井筒的相互作用的面積增大，底含沉降時產生的立井井筒附加力加大，立井井筒發(fā)生破裂的可能性越大。

2、底含厚度

底含厚度決定了立井井筒周圍土層的變形量，且土層變形量直接關系到立井井筒附加應力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以確定底含厚度為立井井筒破裂的主要影響因素。

3、底含水位降速

底含水位降速決定了立井井筒周圍土層變形的速率，從而決定了立井井壁破裂的時間。底含水頭降速直接決定了立井井筒破裂時間的大小。

4、井筒外徑

由于在確定的工程地質條件下立井井筒外表面積與立井井筒附加力的大小成正比，則確定立井井筒外徑大小為立井井筒破裂的主要因素。

5、井壁厚度

井壁厚度越大，立井井筒的凈截面積越大，立井井壁內壁應力降低，有利于立井井筒的穩(wěn)定。

四、神經網絡的設計與實現

根據以上對影響井筒變形的特征因素的選取，選擇反向傳播（backpropagation,BP）神經網絡算法對井筒的破裂規(guī)律進行訓練，其網絡為包含兩層隱含層的神經網絡，輸入層、隱含層、輸出層的神經元的個數分別為5、20、10、1，

表2神經網絡的輸入矢量p及目標矢量t

Table2Inputvectorpandtargetvectortoftheneuralnetwork

輸入矢量p

輸出矢量t

表土層厚度(m)

井筒外徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

189.31

8.92

1.21

3.764

34.1

192

190.41

10.1

1.3

3.212

30

225

190.41

6.4

0.7

2.988

32.85

241

189.5

7.4

0.95

3.652

29.9

230

148.69

8.5

1

5.196

56.29

194

148.6

10

1

5.262

55.0

187

202.56

6.6

0.8

5.053

59.0

190

185.5

6.4

0.7

7.192

57.72

146

其訓練函數分別采用雙曲正切函數tansig及線性激活函數purelin［5］，網絡學習采用的輸入矢量及目標矢量如表2所示。

網絡訓練后，其輸出值與期望值之及目標誤差如表3所示。

表3BP網絡對井筒破壞規(guī)律的學習

Table3BPnetworklearningofshaftliningfractureregularity

輸入矢量p

目標矢量t

目標誤差

輸出矢量

a

189.31

8.92

1.21

3.764

34.1

192

0.0001

199.5

190.41

10.1

1.3

3.212

30

225

0.0001

222.3

190.41

6.4

0.7

2.988

32.85

241

0.0001

243.8

189.5

7.4

0.95

3.652

29.9

230

0.0001

221.3

148.69

8.5

1

5.196

56.29

194

0.0001

193.06

148.6

10

1

5.262

55.0

187

0.0001

185.6

202.56

6.6

0.8

5.053

59.0

190

0.0001

188.9

185.5

6.4

0.7

7.192

57.72

146

0.0001

147.23

五、實例應用及與數值模擬結果的比較

兗州礦區(qū)楊村煤礦北風井井筒表土段厚173.4m，采用凍結法施工，于1984年竣工，在1997年的檢查中發(fā)現井壁已發(fā)生了破裂，現在用學習后的神經網絡對楊村北風井的井筒破裂時間進行預測，預測結果如所表4示。

據上表可以得出有神經網絡預報得出的預測值與實際的目標矢量之間的誤差僅為0.015，該誤差在現場的實際工作中是可以接受的，這說明由BP網來預測豎井的非采動破壞在實際工作中是可行的，且行之有效。

表4神經網絡對楊村北風井破裂的預測

Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft

輸入矢量p

目標矢量t

輸出矢量

a

誤差

表土層厚度(m)

井筒直徑(m)

井壁厚度(m)

底含水位降速（米/年）

底含厚度(m)

井壁破裂時間（月）

173.4

5.9

0.7

7.5

65.3

136

138

0.015

根據兗州礦區(qū)的工程地質資料和及楊村立井井筒施工資料建立了立井井筒破裂的幾何計算模型，采用Flac3D進行數值模擬計算，模型共19008個六面體、21600個結點。數值模擬計算后立井井壁最大z方向應力隨底含水頭降變化如圖2所示，底含失水沉降情況下立井井壁發(fā)生破裂時的底含水頭降為0.8MPa左右，換算為水頭高度等于80m，此時井壁內部的最大應力為30MPa，達到了立井井筒的破裂強度。則立井井筒的破裂時間T為：

T＝底含水頭高度損失量/底含水位降速

＝(80÷7.5)×12

＝128月

根據底含水頭降速可得立井井筒破裂的時間為128月，與神經網絡預測值相比，相差10月左右，因此可以認為神經網絡預測基本可以用于立井井筒破裂時間的預測。

圖2立井井壁最大z方向應力隨底含水頭降變化

Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining