© С.С. Кубрин, Е.И. Журавлев, 2013
УЛК 622.268.13:622.281.5
С.С. Кубрин, Е.И. Журавлев
ПРОГРАММНЫЙ ИНСТРУМЕНТАРИЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПО ВЫБОРУ КРЕПИ ГОРНЫХ ВЫРАБОТОК НА ОСНОВЕ ГЕОМЕХАНИЧЕСКИХ СВОЙСТВ ГОРНОГО МАССИВА
Разрабатываемый программный инструмент осуществляет поддержку принятия решений по выбору крепи горных выработок, на основе геомеханических свойств горного массива, с использованием математической логики, а также математических моделей нейронных сетей. Ключевые слова: поддержка принятия решений, крепь, горная выработка, горный массив, нейронная сеть, нейрон.
В проблеме крепления и поддержания горных выработок своевременный учет геомеханики массива вмещающих пород является основой повышения их устойчивости и эффективной эксплуатации шахт. Реальный массив горных пород, вмещающий выработки, представляет собой сложную среду из множества включений как твердых тел с разными физико-механическими свойствами, так газообразных и жидких. Эти включения существенно влияют на состояние и свойства массива, вызывая в нем большое разнообразие неблагоприятных проявлений при добыче полезных ископаемых и сооружении выработок, как правило, осложняющих производство горных работ.
Радикальным решением настоящей задаче является полный учет всех влияющих на устойчивость выработок факторов, в конкретных условиях по реальной геомеханической ситуации, и на этой базе определение рациональных типов и параметров крепи горных выработок. Для этого необходимо выделить основные классы условий фактического состояния массива и под эти условия подобрать наиболее рациональные типы крепи горных выработок, которые бы обеспечивали их эксплуатационное состояние при соответствующих выбранных параметрах [1]. Для автоматизации процесса расчета и выбора оптимального типа крепи при заданных состояниях горного массива был создан данный программный инструментарий.
Программный инструмент имеет 2 режима работы: простой - когда предлагаются 2 критерия оценки состояния массива и сложный - с 21 критерием. В простом режиме работы помощи выбора типа крепи, решение о выборе типа крепи формируется на основе линейных операций простых логических функций ЕСЛИ-ТО. В сложном режиме работы используется нейронная сеть, и нелинейные методы помощи выбора типа крепи.
Ниже приведена математическая модель простого режима работы инструмента (1):
а1 и Ь1 п а2 и а1 = г1, если задействованы а1 и Ь1 или а2 и Ь1
а5 и Ь1 = г2, если задействованы а5 и Ь1
а1 и Ь2 п аз и Ь2 = гз, если задействованы а1 и Ь2 или а3 и Ь2
а. п Ь2 = г., „ ,
4 2 4' если задействованы а4 и Ь2
Ь3 и (а п а2 п а3 п а4 п а5) = г5, „ .
3 V 1 2 3 4 5/ 5> если задействован Ь3
(1)
где а1 ,Ь, - критерии оценки, а г - вариант решения.
На рис. 1 представлен экранный вид главного окна программы выбора типа крепи, на котором можно осуществить выбор режима работы программы.
Гэограммньы инструментарий поддержки приняп/га решений по выбору крепи горных выработок на гс-озе геомеяанических свойств гоо-о"о массива , Аспирант ИПКСЧ РАН
Режим работы:
Г зостой .1 Сложн ы й
ТК Главное окно программы
Рис. 1. Экранный вид главного окна программы выбора типа крепи
86
^ Простой режим: Условие
Критерии состояния массива:
Выбор параметров напряженности массива: Ф1 Массив ненапряжен
О Напряжения не превышают гравитационные О Напряжения близки к гравитационным
' Массив напряжен О Массив перенапряжен
Выбор параметров нарушенное™ массива: ® Массив слабо нарушен ■ Массив сильно нарушен 1 Массив раздроблен
Выполнить
Рис. 2. Экранный вид окна выбора простых параметров нейронной сети
На рис. 2 показан экранный вид окна программы выбора простых параметров нейронной сети, а на рис. 3 - соответствующая рекомендация по выбору крепи при данных входных пара метрах.
Рис. 3. Экранный вид окна результата работы простого режима программы
Простой режим: Результат
Для решения данной задали с выбранными условиями
недостаточно данных. Попробуйте решить в сложном
режиме данную задачу!
назад | Сложный |
Рис. 4. Экранный вид окна результата работы простого режима программы
При невозможности произвести расчет выбора оптимальной крепи при условиях недостаточности входных параметров выдается сообщение, показанное на рисунке 4 и рекомендация по переходу в сложный режим работы программы выбора горной крепи.
В сложном режиме работы используется нейронная сеть, визуальная иллюстрация которой показана на рисунке 5. Входные параметры делятся на 2 класса условий: 1 - характеризующие устойчивость выработок, 2 - характеризующие прочностными и деформационным свойствами вмещающего массива. Первый класс характеризуется 9-ю параметрами, а второй - 13-ю.
Для построения нейронной сети для предсказания выбора горной крепи при конкретных геологических параметрах необходимо разработать ее топологию, определить механизм обучения и процедуру тестирования. Кроме того, для обучения нужны входные данные - выборка иерархической модели комплексной методики прогноза, объединяющая базовые методы оценки состояния массива, позволяет сформировать интегральную оценку и обеспечивает гибкую адаптацию методики к
различным объектам и условиям функционирования и рассчитать на ее основе коэффициенты [2]. Надстройку технологии представляет комплексная методика диагностики состояния горного массива, использующая для синтеза прогноза разнородные геофизические, геомеханические, геологические и другие данные.
Наиболее привлекательным в данном случае представляется выбор многослойного персептрона, с соответствующими функциями активацией слоёв ({1, {2 и {3} и алгоритма обратного распространения в качестве обучающего.
Нейроны слоя {1 реализуют следующую функцию (2):
20 . 4 -к
Ю(1+15п)Хп+1
(2}
где /1 - функция активации слоя {1, Ю(.)- вес / -го входа на соответствующий нейрон, Х(.)- порядковый номер нейрона, п -
количество элементов в скрытом слое. Так первый нейрон {1 слоя будет реализовать функцию(З):
Входной
слой
Слои И
Слой 12
Рис. 5. Иллюстрация нейронной сети сложного режима работы программы
' (©1
X! + © 16 х2 +Ю3! X +ю46 х4 +ю61 х5 +ю76 х6 + ©91 Х7 + Ю106 Х8 + Ют Х9 + +©136 Х10 + © 151Х11 + ©166 Х12 + ©181Х13 + ©196 Х14 + ©211Х15 + ©226 Х16 +
©241Х17 + ©256 Х18 + ©271Х19 + ©286 Х20 + ©301 Х21
). (3)
Для нейронов слоя {2 выполняется функция (4):
14 , .
' ' X (©(21-15+1+т+Ю-т) ) , (4)
т=0
где ' - функция активации слоя {1, /2 - функция активации слоя {2, Ю(.)- вес 1 -го входа на соответствующий нейрон, х^)-
порядковый номер нейрона, т - количество элементов в скрытом слое. Рассмотрим функцию, которую будет реализо-вывать первый нейрон {2 слоя (5):
£ ( ¿*01 ¿*02 ¿*03 ¿*04 г05 г0б ¿01 ¿*08
'2 (©316'1 + © 327 '1 + ©338'1 + ©349'1 + ©360 '1 + ©371*1 + ©382'1 + ©393'1 +
09 10 11 12 13 14 15
+©404'1 +©415'1 +© 426'1 +©437+©448+©459+©470) . (5)
Для выходного нейрона сети слоя {3 выполняется функция
(6):
10 +
^3 ' X (©(21-15+11+к+1+11-14))+ ) (6)
к=0
Функции активации соответствующих слоев представлены в табл. 1.
Таблица 1
Функции активации скрытых слоев
Название слоя Тип функции активации Функция активации слоя
Слой {1 Линейная X
Слой {2 Гиперболическая ех - е~х ех + е -х
Слой {3 Софтмакс ех X е^
В основе нейронной сети была выбрана модель многослойного персептрона, так как только она по сравнению с линейной и радиальной-базисной функцией имеет меньшую ошибку обучения. Так ошибка обучения у многослойного персептрона составляет 0,3 % , у линейной модели 9,8 %, а у радиальной-базисной функции - 2,4 % [3]. Сравнительные характеристики топологий сетей представлены в табл. 2.
Таблица 2
Сравнительные характеристики различных архитектур нейронных сетей
Архитектура сети Эффективность обучения Эффективность выборки Эффективность теста
Линейная 21:2111:1 0,153846 0,055638 0,153842
Линейная 21:2111:1 0,076923 0,255198 0,175008
МП 21:21-1511:1 0,923077 0,434224 0,009958
РБФ 21:21-311:1 0,461538 0,166667 0,108258
РБФ 21:21-111:1 0,307692 0,339074 0,107254
В результате проделанной работы был разработан программный инструмент поддержки принятия решений по выбору крепи горных выработок на основе геомеханических свойств горного массива с использованием математической логики и нелинейной оптимизации.
- СПИСОК ЛИТЕРАТУРЫ
1. Горное давление и горные удары: Сборник научных трудов. Спб.: ВНИМИ, 1993. - 175с. (с.10-16).
2. Линдин Г.Л. Горные удары на рудниках: моногр./ НФИ ГОУ ВПО «КемГУ». - Новокузнецк, 2011. - 137 с.
3. Боровиков, В. 5ТАТ15Т1СЛ. Искусство анализа данных на компьютере: Для профессионалов/ В.Боровиков - СПб.: Питер, 2003. - 688 с. н'.ц=1
КОРОТКО ОБ АВТОРАХ -
Кубрин Сергей Сергеевич - профессор, доктор технических наук, зав. лабораторией, s_kubrin@mail.ru
Журавлев Евгений Игоревич - аспирант, engene@mail.ru
Институт проблем комплексного освоения недр Российской академии наук