0 引 言

在覆岩卸压带(包括垮落带和断裂带，以下简称“两带”)高度预测方面，海内外学者开展了诸多研究，成果颇丰[1-3]。国外在这方面的研究比较充分，其中尤以英国、德国、波兰、前苏联等国的方法较为有代表性，形成了德国沃尔兹法、德国弗利格法、德国文特尔法、荷兰斯图夫康法、法国根特法、波兰巴尔巴拉法、前苏联李金法等研究成果[4]。国内“两带”高度预测的研究很鲜见，20世纪60年代煤炭科学研究院抚顺分院哈明杰教授研究总结出工作面覆岩瓦斯卸压区形态以回工作面长度1/2为拱半径的半圆拱[5]。1983年煤炭科学研究院重庆分院也得出工作面卸压区是上覆岩层100 m、下伏岩层50 m圈定的矩形[6]。目前我国确定邻近层卸压高度主要方法是采用现场实测得到的一些经验公式，特别是“三下”采煤研究过程中得到的经验公式[7-8]。夏红春等[9]进行了远程覆岩卸压变形及其渗透性研究，得出下保护层开采将使覆岩产生不同程度的卸压，卸压煤(岩)体产生膨胀变形,生成大量的次生断裂。李树刚等[10]研究认为煤层开采后,引起覆岩的移动与破断以及应力的重新分布,形成采动断裂场和采动卸压区。以往的研究已经取得了大量的成果，但多采用现场实测或实验室相似模拟方法，耗费大量的人力和物力，周期性长，不能迅速满足设计和生产的要求，而且局限性很大或仅可作定性分析。且这些研究成果均是在不同条件下取得的，差距较大，而影响邻近层卸压范围的因素有很多，各因素之间的关系又很复杂，所以预测的效果并不理想。因此笔者利用BP神经网络预测方法对“两带”高度进行了预测，预测结果具有预测精度高、适用性强的特点。

1 “两带”高度BP神经网络预测模型构建

BP神经网络预测模型是基于控制“两带”高度的开采方法、工作面长度、工作面推进速度、煤层倾角、覆岩性质、回采高度等致裂因子构建的[11-13]，预测模型的设计与分析是借助于MATLAB6.x[14-15]神经网络工具箱图形用户界面GUI(Guaphical User Interfaces)进行的。借助MATLAB6.x神经网络工具箱，完成BP神经网络模型的构建[16]，流程如图1所示。

1.1 BP神经网络模型结构

1)网络层数量。BP神经网络核心优势在于非线性函数的逼近，而且只含有一个隐含层的网络即可完成此任务[17]。如构建多个隐含层即使训练速度较快，实际上计算耗时会更长。为此可优选训练算法和增加隐含层节点数量，以达到提升训练速度的目的。

依据柯尔莫哥洛夫定理，任意一个连续函数都能够由一个3层神经网络构建，由此构造出一个3层BP神经网络完成覆岩预测的任务。采用的误差反向传播神经网络由3层组成，即输入层，隐含层和输出层[18]，基本结构如图2所示。

2)输入/输出层。初始层为输入层，本次构建的输入层由6个节点组成，即开采方法、工作面长度、工作面推进速度、煤层倾角、覆岩性质、回采高度等致裂因子。其中，开采方法通过采场空间的大小及采空区顶板的处理方法影响“两带”高度；工作面长度控制覆岩的水平变形量及岩石破坏后的弹性能；工作面推进速度控制覆岩变形与移动[19]；煤层倾角通过覆岩破坏演变分布形态影响“两带”[20]；覆岩脆性、韧性控制断裂的形成与否；回采高度为控制“两带”高度的最基本因子，二者呈正相关性[21]。输出层在网络中是对输入层的响应，由垮落高度最大值和断裂高度最大值构成。

3)隐含层。隐含层是在输入层与输出层之间的中间层，主要用来提供概括化的相互连接。至于中间层节点数量的确定是唯一困难的问题，目前较多采用的是几何平均规则和基于经验的试错法，试算后隐含层节点取18。

4)激活函数。S型激活函数用以增强BP神经网络非线性逼近能力，隐含层与输出层均可采用，一般为调整输出范围，而不必对输出向量进行归一化处理，通常输出层激活函数采用线性函数。在MATLAB环境下生成的神经网络对象的结构如图3所示。

1.2 BP神经网络模型初始化

BP神经网络训练前，通过模型初始化函数对权矩阵和阈值向量赋初始值。权值和阈值的初始化工作采用神经网络创建完成时的默认权值和阈值[22]。

1.3 BP神经网络模型训练及检验

1)训练样本选取。BP神经网络训练样本由输入层集和输出层集指标参数构成，形成样本集数据40组，见表1。检验集取自样本集数据5组(第3，14，25，31，38组数据)见表2。

2)输入数据归一化处理。采用MATLAB函数premnmx及tramnmx对输入样本数据集进行了归一化处理，使其落入[-1，1]区间，提高神经网络的训练效率。

3)预测模型训练及检验。“两带”高度BP神经网络模型采用Levenberg-Marquardt算法[23]，MATLAB环境下利用trainlm函数。Training Parameters参数设置如图4所示。

训练样集与检验集参数计算结果见表1、表2，经对比预测数值与实测数值，相对误差控制在10%以内，预测结果相对可靠。

2 多模型“两带”高度预测对比研究

2.1 BP神经网络预测模型适用性分析

依据统计学原理，任何回归公式的适用范围，一般只适用于原始数据的变动范围；需要外推时，外推范围最大不能超过原区域的10%，否则失效。原始数据与10%外推数据，得到本模型的适用范围见表3。

2.2 多模型“两带”高度预测分析

为了考查BP神经网络模型的预测效果，以检验集数据为基础，结合矿井“两带”高度的实测值(其

中南桐矿实测值75.10 m，通二矿实测值24.50 m，柴里矿实测值73.20 m，潘一矿实测值64.54 m，兴隆矿实测值86.10 m)，与国外经典“两带”高度预测模型对比，结果见表4。

由表4得出，BP神经网络预测模型的预测误差在10%以内，而国外的几种计算方法的误差都比较大，如前苏联的李金法计算误差最高可达1 713.63%，西德文特法的计算误差最高可达764%，国内“三下”采煤经验公式的计算误差最高可达40%。

3 五阳煤矿“两带”高度的BP神经网络预测

潞安矿业集团五阳煤矿开采煤层为二叠系下统山西组3号煤，煤厚6.0～6.9 m，倾角4°～10°。3号煤上覆岩层为砂质页岩、泥岩、砂岩和第四系黄土层等，覆岩硬度属中硬偏硬。

以五阳矿3号煤为研究对象，运用BP神经网络预测模型在多种开采环境下对“两带”高度进行了预测，预测结果与实测结果基本吻合。“两带”高度、卸采比(“两带”高度与采高之比)与采高、工作面长、推进速度耦合关系如图5—图7所示。

由图5可知开采方法的改变，影响着“两带”高度变化规律。特定的开采方法，“两带”高度与采高呈正相关，增长幅度趋缓；卸采比与采高呈负相关。

由图6可知工作面长与“两带”高度、卸采比均呈正相关，且相关性不受开采方法影响。采高2 m普通机械化回采时，工作面长增至120 m，“两带”高度增长趋于停滞；采高3 m综合机械化回采时，工作面长增至180 m，“两带”高度增长趋于停滞；采高6 m分层回采，工作面长增至140 m，“两带”高度增长趋于停滞；采高6 m综采放顶煤回采，工作面长增至200 m，“两带”高度增长趋于停滞。结果表明任何开采条件，在上覆岩层完全卸压后，“两带”高度趋于稳定。

由图7可知，开采方法不同，工作面推进速度与“两带”高度呈负相关，且推进速度与“两带”高度线性递减梯度-2.4～4.2 m/(m·d-1)，推进速度增至4 m/d时，“两带”高度几乎不变，表明推进速度是“两带”高度发展的抑制因素。

在最大工作面长度253 m和最小工作面推进速度0.5 m/d，上覆岩性及开采方法多种条件下，利用该模型对五阳煤矿3号煤层“两带”高度进行预测，结果见表5。

4 结 论

1)综合考虑开采方法、工作面长度、工作面推进速度、煤层倾角、覆岩性质、回采高度等因子构建的“两带”高度BP神经网络模型，利用MATLAB6.x语言编写程序，对模型进行学习培训、效果检验，最后实现对“两带”高度的预测。结果表明，该模型能够较准确地预测覆岩的破坏高度，相对误差在10%内。与国内外“两带”高度预测方法相比，“两带”高度BP神经网络预测模型因其具备非线性函数逼近的特征，弥补了其他方法的缺陷，具有预测精度高、适用性强的优势，在“两带”高度预测研究上前景广泛。

2)研究得出开采方法的改变，影响着“两带”高度变化规律。特定的开采方法，“两带”高度与采高呈正相关，增长幅度趋缓；卸采比与采高呈负相关。工作面长与“两带”高度、卸采比均呈正相关，且相关性不受开采方法影响。

3)任何开采条件，在上覆岩层完全卸压后，对应某一临界的工作面长度，此后“两带”高度趋于稳定。无论何种开采方法，工作面推进速度与“两带”高度均呈负相关性，且推进速度与“两带”高度线性递减梯度-2.4～4.2 m/(m·d-1)，推进速度增至4 m/d时，“两带”高度几乎不变，表明推进速度是“两带”高度发展的抑制因素。

参考文献（References）:

[1] 李树刚,徐培耘,赵鹏翔,等.综采工作面覆岩压实区演化采高效应分析及应用[J].煤炭学报,2018,43(S1):112-120.

LI Shugang, XU Peiyun, ZHAO Pengxiang, et al. Analysis and application of evolution mining height effect in overburden compaction area of fully mechanized working face [J]. Journal of China Coal Society, 2018,43(S1)：112-120.

[2] 李树清,何学秋,李绍泉,等.煤层群双重卸压开采覆岩移动及断裂动态演化的实验研究[J].煤炭学报,2013,38(12):2146-2152.

LI Shuqing, HE xueqiu, LI Shaoquan, et al. Experimental study on overlying strata movement and fracture dynamic evolution of double pressure relief mining of coal seam group [J].Journal of China Coal Society, 2013,38(12)：2146-2152.

[3] 高明忠,金文城,郑长江,等.采动断裂网络实时演化及连通性特征[J].煤炭学报,2012,37(9):1535-1540.

GAO Mingzhong, JIN Wencheng, ZHENG Changjiang, et al. Real time evolution and connectivity characteristics of mining fracture network [J]. Journal of China Coal Society, 2012,37(9)：1535-1540.

[4] 俞启香.矿井瓦斯防治[M].徐州：中国矿业大学出版社，1992.

[5] 煤炭科学研究总院抚顺分院.邻近层瓦斯涌出量预测方法的研究[R].抚顺：煤炭科学研究总院抚顺分院，1990.

[6] 王兆丰.邻近层瓦斯涌出量预测[D].抚顺：煤炭科学研究总院抚顺分院,1988.

[7] 杜献杰,冯国瑞,戚庭野,等.结构充填“保水-储水”采煤顶板稳定性分析[J].煤炭学报,2019,44(3):821-830.

DU Xianjie, FENG Guorui, QI Tingye, et al. Roof stability analysis of "water conservation water storage" mining with structural filling [J]. Journal of China Coal Society, 2019,44(3)：821-830.

[8] 郭文兵,马志宝,白二虎. 我国煤矿“三下一上”采煤技术现状与展望[J].煤炭科学技术, 2020, 48(9): 16-26.

GUO Wenbing, MA Zhibao, BAI Erhu. Current status and prospect of coal mining technology under buildings, water bodies and linear structure, and above confined water in China[J].Coal Science and Technology, 2020, 48(9): 16-26.

[9] 夏红春,程远平,柳继平.远程覆岩卸压变形及其渗透性研究[J].西安科技大学学报,2006(1):10-14.

XIA Hongchun, CHENG Yuanping, LIU Jiping. Study on pressure relief deformation and permeability of remote overburden [J]. Journal of Xi′an University of Science and Technology, 2006(1)：10-14.

[10] 李树刚. 采动覆岩卸压范围及断裂场的特征研究[C]//中国煤炭学会开采专业委员会、山西省煤炭学会.煤炭开采新理论与新技术——中国煤炭学会开采专业委员会2007年学术年会论文集.中国煤炭学会开采专业委员会、山西省煤炭学会:中国煤炭学会,2007:4.

[11] 焉德斌,秦玉金,姜文忠.采场上覆岩层破坏高度主控因素[J].煤矿安全,2008(4):84-86.

YAN Debin, QIN Yujin, JIANG Wenzhong. Main controlling factors of failure height of overlying strata in stope [J].Safety in Coal Mines, 2008(4)：84-86.

[12] 赵志强,马念杰,刘洪涛,等.煤层巷道冒顶机理与预警方法[J].煤炭学报,2018,43(S2):369-376.

ZHAO Zhiqiang, MA Nianjie, LIU Hongtao, et al. Roof fall mechanism and early warning method of coal seam roadway [J]. Journal of China Coal Society, 2018,43(S2)：369-376.

[13] 孙 强,张吉雄,殷 伟,等.长壁机械化掘巷充填采煤围岩结构稳定性及运移规律[J].煤炭学报,2017,42(2):404-412.

SUN Qiang, ZHANG Jixiong, YIN Wei, et al. Structural stability and migration law of surrounding rock in longwall mechanized roadway filling mining [J].Journal of China Coal Society, 2017,42(2)：404-412.

[14] 许 东,吴铮编.基于MATLAB6.x的系统分析与设计—神经网络[M].2版.西安：西安电子科技大学出版社，2002.

[15] 马兴义等.MATLAB6应用与开发指南[M].北京：机械工业出版社，2002.

[16] 刘朝华,王慧娟,吴春笃,等.基于BP神经网络的脉冲放电等离子体氧化酸性橙Ⅱ影响因素分析[J].化工学报,2012,63(10):3190-3195.

LIU Chaohua, WANG Huijuan, WU Chundu, et al. Analysis of influencing factors of Acid Orange II oxidation by pulsed discharge plasma based on BP neural network [J]. Acta Chemica Sinica, 2012,63(10)：3190-3195.

[17] 祝培生. 用人工神经网络预计轻板隔墙的隔声性能[C]//中国建筑学会建筑物理分会.绿色建筑与建筑物理——第九届全国建筑物理学术会议论文集(一).中国建筑学会建筑物理分会:中国建筑学会建筑物理分会,2004:4.

[18] 黄仿元.基于神经网络的模糊史密斯控制系统[J].微计算机信息,2008(20):257-258,309.

HUANG Fangyuan. Fuzzy Smith control system based on neural network [J]. Microcomputer Information, 2008(20)：257-258,309.

[19] 刘洪永,程远平,周红星,等.综采长壁工作面推进速度对优势瓦斯通道的诱导与控制作用[J].煤炭学报,2015,40(4):809-815.

LIU Hongyong, CHENG Yuanping, ZHOU Hongxing,et al. Induction and control effect of advancing speed of fully mechanized longwall working face on dominant gas channel [J].Journal of China Coal Society, 2015,40(4)：809-815.

[20] 张基伟,王金安.大倾角特厚煤层悬顶结构能量分布特征与防冲方法[J].煤炭学报,2014,39(S2):316-324.

ZHANG Jiwei, WANG Jin’an. Energy distribution characteristics and anti scour method of suspended roof structure in large dip angle and extra thick coal seam [J]. Journal of China Coal Society, 2014,39(S2)：316-324.

[21] 尹希文.综采工作面支架与围岩双周期动态作用机理研究[J].煤炭学报,2017,42(12):3072-3080.

YIN Xiwen. Research on double period dynamic mechanism of support and surrounding rock in fully mechanized working face [J]. Journal of China Coal Society, 2017,42(12)：3072-3080.

[22] 闻 新，周 露，王丹李，等.MATLAB神经网络应用设计[M].北京：科技出版社，2001.

[23] 吕 俊,张兴华.几种快速BP算法的比较研究[J].现代电子技术,2003(24):96-99.

LYU Jun, ZHANG Xinghua. Comparison of several fast BP algorithms [J]. Modern Electronic Technology, 2003(24)：96-99.

Research on height prediction of “two zones” of overburden based on BP neural network

LI Qi1,2,QIN Yujin3,GAO Zhongning3

(1.Wenzhou University of Technology，Wenzhou 325006，China；2.College of Environment and Civil Engineering,Chengdu University of Technology，Chengdu 610059，China;3.CCTEG of Shenyang Research Institute，Shenyang 110016，China)

Abstract:In order to study the variation law of the height of the pressure relief zone of the overlying strata after mining in Wuyang Mine, the BP neural network prediction analysis method was used to control the mining method of the “two zones” height. The mining method, working face length, working face advancing speed, coal seam dip angle, overburden property, mining height and other fracturing factors were used as the input layer, and the caving height and fault height were used as the output layer. With the help of MATLAB6.x neural network toolbox, the BP neural network structure of “two zones” height was constructed. After the initialization of BP neural network model, the training and testing of BP neural network model, a reliable BP neural network prediction model of “two iones” height was established. By comparing this model with the classical prediction model abroad,it is concluded that several foreign calculation methods have relatively large errors. The BP neural network prediction model of “two zones” height has the advantages of high prediction accuracy and strong applicability because of its nonlinear function approximation characteristics, which makes up for the defects of other methods. Taking No.3 Coal in Wuyang Coal Mine as the research object, the BP neural network prediction model was used to predict the height of “two zones” under various mining environments. The predicted results are basically consistent with the actual measured results. It is concluded that the change of mining method affects the change law of “two zones” height. Under specific mining method conditions, the height of “two zones” is positively correlated with mining height, and the growth rate tends to slow down; the unloading ratio is negatively correlated with mining height; the length of working face is positively correlated with the height of “two zones” and the unloading ratio, and the correlation is not affected by the mining method. Regardless of the mining method, the advancing speed of the working face is negatively correlated with the height of “two zones”, and the advancing speed and the height of “two zones” decrease linearly with a gradient of -2.4～4.2 m/(m·d-1). When the advancing speed increases to 4 m/d, the height of “two zones” is almost unchanged, indicating that the propulsion speed is the restraining factor of the hight development of “two zones”. The research results provide important technical guidance for comprehensive control of gas in Wuyang Coal Mine.

Key words:BP neural network; coal mine; overburden failure; height of “two zones”

中图分类号：TD325

文献标志码：A

文章编号：0253-2336(2021)08-0053-07

李 奇,秦玉金，高中宁.基于BP神经网络的覆岩“两带”高度预测研究[J].煤炭科学技术,2021,49(8)：53-59.doi:10.13199/j.cnki.cst.2021.08.006

LI Qi,QIN Yujin,GAO Zhongning.Research on height prediction of “two zones” of overburden based on BP neural network[J].Coal Science and Technology，2021，49(8)：53-59.doi:10.13199/j.cnki.cst.2021.08.006

收稿日期：2021-01-25；

责任编辑：朱恩光

基金项目：国家自然科学基金资助项目(51704154)；辽宁省中央引导地方计划资助项目(2019JH6/1020 0003)；四川省教育厅科研资助项目(17ZB0062)

作者简介：李 奇(1985—)，男，满族，辽宁彰武人，副教授。E-mail:907108513@qq.com