引言 对一个计划进行的开采，在开采进行以前，(2)
2013-08-20 01:03
导读：参数误差包括参数选取误差和参数反演误差。一方面,在缺乏预计区域内预计参数的情况下,采用临近矿区的概率积分法预计参数,由于各矿区本身地质采矿条
参数误差包括参数选取误差和参数反演误差。一方面,在缺乏预计区域内预计参数的情况下,采用临近矿区的概率积分法预计参数,由于各矿区本身地质采矿条件的差异,存在误差不可避免; 另一方面,在利用数据处理方法反演预计参数的同时,由于各参数之间的相关性和数据处理方法的局限性,反演出的参数与真实值总是存在一定的差异。
目前,对参数选取误差的修正方案主要有2 种。
（1）建立本矿区的岩移观测站,通过观测站反演本矿区的预计参数,这是修正参数选取误差的主要方法。
（2）采用非线性科学辅助进行参数选取。郭文兵、邓喀中、邹友峰等在分析沉陷预计参数与地质采矿因素关系的基础上,提出利用人工神经网络进行沉陷预计参数的选取[8-9],研究结果表明,神经网络方法选取的概率积分法参数误差在5%以内。栾元重采用神经网络对下沉系数和主要影响角进行了建模,实现了岩层移动参数的类比[10]。张庆松等采用粗集理论对岩移数据进行预处理,提高了神经网络方法选取参数的效率和准确度[11];研究结果表明,各地质采矿因素对下沉的支持度由大到小依次为采厚、采深、采宽、采长、岩性和煤层倾角。麻凤海等利用改进的BP 神经网络对沉陷预计参数进行建模[12],研究结果表明,神经网络选取概率积分法预计参数误差在6%范围内。柴华彬、邹友峰提出利用相似第二准则和模式识别理论进行沉陷预计参数的选取[13-14],给出了基于π准则的开采沉陷预计参数计算公式和确定方法。研究认为:地表下沉系数和主要影响角正切主要与岩体的综合变形模量有关,采深和采厚对其影响较小;拐点偏移距与采深的比值和水平移动系数也主要与岩体的综合变形模量有关,但采深和采厚也对其具有一定的影响。于宁峰、杨化超提出将粒子群优化（PSO）算法和BP 神经网络进行融合，采用改进的混合粒子群优化算法优化神经网络的权值和阈值，在分析概率积分法参数与地质采矿条件之间关系的基础上, 建立了基于PSO 优化BP 神经网络的概率积分法预计参数的优化选择模型[15]。研究表明：PSO-BP 神经网络方法用于概率积分法预计参数的选取收敛速度更快, 计算精度更高。
（科教范文网 Lw.nsEAc.com编辑整理） 神经网络具有自适应性、非线性和强容错性等特点,具有同时能处理确定性和不确定性动态非线性信息的能力,能建立复杂的非线性映射关系,特别适合于处理各种非线性问题。目前,神经网络方法并不是用于直接从观测站的数据中反演参数,而是通过建立基于已知参数的神经网络用于预测新情况下预计参数。
目前参数反演的方法较多,大致包括利用特征点求参、曲线拟合法求参、空间拟合法求参、正交试验设计法求参、模矢法求参[3] ;从数据利用度、求参稳定性、计算机实现难易程度、主要缺陷等几个方面详细比较了不同求参方法的差异。
通过分析的比较结果,可以看出:从求参准确性、稳定性来看,曲线拟合法、正交试验法和模矢法效果较好,但正交试验法计算机实现较难;因此,常用的求参方法主要是曲线拟合法和模矢法。由于曲线拟合法、模矢法求参等都属于迭代求参,求参过程对参数初值较敏感,不合适的初值可能使求参过程发散,或者陷入局部极小点,得不到正确的参数值。为避免求参误差函数陷入局部极小点,吴侃提出迭代初值应从不同点开始,至少引入2 个独立的搜索[3]。郭广礼将稳健估计理论应用于参数求取,认为采用稳健求参技术求得的概率积分法参数有较好的稳健性,与常规方法相比,具有明显的抗粗差或异值干扰的能力[16]。
另外，为了改善现有预计参数求取的不足，进一步提高预计精度，还有学者在以下方面做了研究，取得了较好的效果。如，路璐、刘胜富提出以多个个实测典型工作面的概率积分参数作为样本,借助MATLAB 的曲线拟合工具对概率积分法的预计参数进行回归分析,确定参数与矿山地质采矿因素之间的函数关系[17],研究结果表明：利用该方法得到的函数模型合理，用于概率积分法的地标变形移动预计是误差有所减小。胡青峰、崔希民等根据泰勒级数展开法迭代易失真、收敛速度慢以及计算量大等不足，提出借助Broyden 算法的基本思想建立迭代模型[18]，研究表明：改进后的新模型在计算精度、计算量和收敛性方面具有明显的优越性。范洪东等根据概率积分法的预计参数在不同采动程度下有所变化，提出利用三次指数平滑方法来进行动态参数预计[19]，结果表明：应用此方法预计参数的平均相对误差都小于4 %，对开采沉陷预计有一定应用价值。
