梁燕华，毛诗允，李金峰

(黑龙江科技大学电气与控制工程学院，黑龙江哈尔滨，150022)

0 引言

冲击地压也被称为岩爆，是一种泛指煤矿井巷与采煤工作面附近的煤岩体遭受到骤然性的毁坏，造成强烈轰动并同时伴有较多的煤岩块抛出的一种煤矿动力灾害的形式。近年来，我国煤层开采深度逐渐加深，冲击地压的危险更加凸显，由于其受到的影响机制和因素繁多，形成的机理复杂以及给人们造成的后果严重，很长一段时间以来，国内外专家给予了广泛的重视。目前国内学者在研究冲击地压发生机理的同时也致力于研究其防治技术，张磊[1]通过对煤样进行声发射及损伤特性实验，分析了煤样变形并预测了其破坏规律。王恩元、李德行[2]等人先后开展了单轴路径下煤岩破裂声发射特征试验，分析了声发射特征参数和岩石破裂过程之间的关系。王思洋[3]等人开展了不同围压下大理岩损伤试验，分析了不同围压下岩石从破裂到断层直至破碎的原因并且研究了整个过程中的声发射信号变化规律。李静等人对待挖掘井巷区域采用CT震动波技术进行逆行推演并实时监测其变化特征，从而对该区域进行预警。冯泽杰等人先后采用煤粉法、微震法以及电磁辐射法进行冲击地压预测。但冲击地压具有不确定性的特点，其影响因素繁多且互为诱导因素，在实际现场中采集冲击地压数据往往会受到人为或机器因素等影响，使得预测误差也相对较大，新的减小数据误差的方法亟待发现。近年来由于智能算法技术发展壮大速度较快，各种基于智能算法优化机器学习模型的方法层出不穷，BP神经网络模型是最基础，应用最广泛的学习模型之一，具有较好的学习型和泛化性。由于其中初始值的赋值通常是随机的，易陷入局部极小值、收敛性不好以及速度慢这一系列复杂问题，因此许多科学研究者都对其模型进行了组合优化研究，胡丹萍等人提出利用改进遗传算法的工程造价预算模型，提高了算法的收敛性和运算效率，对地震后灾区重建中的工程造价进行了准确的预算：李俊达等人利用OWA算子结合专家打分法首先确定了个体特征的属性权重，然后通过灰色关联分析获取相似案例，再利用BP神经网络对相似案例进行训练，从而进行了有效估算。

本研究利用麻雀搜索算法(sparrow search algorithm,SSA)寻优能力强、收敛速度快的特点，对BP神经网络进行优化，构建了基于SSA优化BP神经网络的数据预测模型，并根据试验得出的数据选择相关参数指标进行MATLAB仿真综合分析。

1 实验方案

试验从曾发生过冲击地压灾害煤矿井中采取材料，按GB/T 50266-2013《工程岩体试验方法标准》将本次试验中的样品岩体加工制做成∅ 50mm×100mm的标准圆柱体试件。采用液压岩石三轴流变仪，可以施加轴向应力最大值375MPa，围压60MPa，静水压力为5MPa，加载速度为1.5MPa/min，数据每1us采集一次。试验装置如下图1所示。

图1 实验装置图

选取三轴声发射试验中采集的应力信号作为预测信号。

2 SSA与BP神经网络理论

2.1 BP神经网络模型的构建

BP神经网络是可以反向传播的前馈网络，包括输入的正常传播以及误差反向回传。通过对样本的训练，完善输入输出的映射关系。BP神经网络作为当前热门的机器学习模型，具有分布式存、并行处理、自学习和自适应等四大特点，适用于非线性过程预测。BP神经网络结构图如下图2所示。

图2 BP神经网络结构

BP神经网络输入输出节点通常是自己给出。因此，网络模型的设计主要针对隐含层的层数，层数增加虽然可以提高拟合精度，但如果隐含层过多，会导致机器模型不能完全收敛，通常采用经验公式确定：

其中：P为隐含层层数：M为输入节点数：N为输出节点数。

2.2 SSA的基本原理

SSA算法核心是一种用于模拟麻雀群体觅食互动行为以及模拟麻雀反捕食互动行为的新型群体智能优化算法，其基本原理如下：

在SSA中，每只麻雀的寻找食物中的位置作为一个解。每只麻雀在觅食过程中通常扮演三种角色：作为发现者，作为加入者，作为警戒者。发现者和加入者始终保持恒定的比例，发现者也是种群觅食的引导着，拥有更高的适应度值，可以获得更加广阔的搜索区域。而加入者会跟随发现者一同进行觅食。同时一些新的麻雀加入者会不断追踪监控这些新发现者并不断试图通过夺取实时食物系统中的大量资源或者数据数量来从而大幅提高自身的主动实时追踪捕食率。种群监控系统通常会随机自动选取一部分麻雀来作为新的实时觅食警戒者并对其进行实时觅食监视和主动追踪,这些新的麻雀大约占整个麻雀种群的10%～20%,当整个种群中最边缘的一些麻雀在进行追踪觅食者的行动过程中被察觉遇到危险时,会迅速提醒整个种群做反捕食行为。

发现者位置更新描述如下：

加入者位置更新描述如下：

XP为发现者的最佳位置，为最差位置。A用1×d的矩阵表示，并且满足A+=AT(AAT)-1。当i >n/2时，这表明第i只麻雀未找到事物需到别处觅食，

警界者位置更新描述如下：

是警戒者最佳位置。β服从正态分布的随机作为步长参数。K∈[- 1 ,1]。fw是最佳适应度值。fg是最差的适应度值。ε是选取一个靠近0的数避免无意义。当fi＞fg表示此时处在危机边缘。fi=fg表明麻雀需要更换位置减小危机风险。K表示麻雀移动的方向。SSA优化BP网络流程图如下图3所示。

图3 SSA优化BP神经网络流程图

2.3 基于SSA优化BP神经网络的预测模型

(1)初始化参数。

(2)计算所有麻雀的适应度值根据当前位置找出最佳和最差的适应度。

(3)根据发现者、加入者、警戒者的位置公式进行更新。

(4)输出最优麻雀位置，即BP神经网络的最优参数。

(5)使用最优参数对冲击地压应力数据进行仿真预测，经过反归一化处理后，输出冲击地压应力预测值。

3 应力预测及分析

3.1 样本选择

为了充分验证本文设计的SSA优化BP神经网络的有效性，从上述的三轴声发射试验中选取13组数据进行预测，前6组做训练集，后6组做测试集，将预测得到的值与期望值相对比，获取相对误差。

3.2 参数设置

对预测模型进行参数设置，麻雀进化种群数量为40，麻雀进化次数为20，发现者比例为0.2，警戒者比例为0.1，警戒值为0.8，BP神经网络学习率为0.1，迭代次数为1000次，训练目标为10e-5。

图4 迭代次数图

由上图可知，经过SSA优化后的BP神经网络在进化20次之后达到收敛效果，利用 BP神经网络进行预测得到的结果与真实值的相对误差较大，而通过麻雀算法(SSA)优化BP神经网络后的相对误差较小，使用SSA优化BP后的预测精度比未优化的更高，可以较为准确地反映应力曲线的变化，很好的满足了精度上的需求，这说明本文模型的预测精度良好，可以为冲击地压预测做前期数据处理工作提供帮助。

综上所述，SSA优化BP神经网络用于冲击地压数据预测是可行的，且预测精度和稳定性以及运行时间都优于BP神经网络算法，有较好的实用性。

图5 预测结果对比