基于改进的SSA-BP神经网络的矿井突水水源识别模型研究
刘伟韬
李蓓蓓
杜衍辉
韩梦珂
赵吉园
山东科技大学矿山灾害预防控制省部共建国家重点实验室培育基地,山东青岛 266590;山东科技大学安全与环境工程学院,山东青岛 266590
摘要：机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究.针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识.以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na++K+浓度、Ca2+浓度、Mg2+浓度、HCO3-浓度、so42-浓度、CT浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果.研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6％,在测试集上的识别准确率达100％.②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高.③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分.
关键词：矿井突水水源识别水化学特征麻雀搜索算法BP神经网络混沌映射随机游走策略
分类号：TD745(矿山安全与劳动保护)
资助基金：山东省自然科学基金资助项目(ZR2023ME002)
论文发表日期：2024-02-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 98-105,115 )
英文信息