神经网络论文
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络论文范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络论文范文第1篇
在水利及土木工程中经常会遇到地形面，地形面是典型的空间自由曲面，地形面在给出时，往往只给出一些反映地形、地貌特征的离散点，而无法给出描述地形面的曲面方程。然而有时需要对地形面进行描述，或者当给出的地形面的点不完整时，需要插补出合理的点。以往大多用最小二乘法或其它曲面拟合方法如三次参数样条曲面、Bezier曲面或非均匀有理B样条曲面等，这些拟合方法的缺点是：型值点一旦给定，就不能更改，否则必须重新构造表达函数；在构造曲线曲率变化较大或型值点奇异时，容易产生畸变，有时需要人为干预；此外，这些方法对数据格式都有要求。
神经网络技术借用基于人类智能（如学习和自适应）的模型、模糊技术方法，利用人类的模糊思想来求解问题，在许多领域优于传统技术。用神经网络进行地形面构造，只要测量有限个点（可以是无序的），不需要其它更多的地形面信息和曲面知识，当地形面复杂或者是测量数据不完整时，用神经网络方法更具优势，而且还可以自动处理型值点奇异情况。
本文提出用BP神经网络结合模拟退火算法进行地形面的曲面构造。
2模型与算法的选择
为了对地形面进行曲面构造，首先要有一些用于神经网络训练的初始样本点，对所建立的神经网络进行学习训练，学习训练的本质就是通过改变网络神经元之间的连接权值，使网络能将样本集的内涵以联结权矩阵的方式存储起来，从而具有完成某些特殊任务的能力。权值的改变依据是样本点训练时产生的实际输出和期望输出间的误差，按一定方式来调整网络权值，使误差逐渐减少，当误差降到给定的范围内，就可认为学习结束，学习结束后，神经网络模型就可用于地形面的构造。
BP网是一种单向传播的多层前向网络。网络除输入输出节点外，还有一层或多层的隐层节点，同层节点中没有任何耦合。输入信号从输入层节点依次传过各隐层节点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。其节点单元传递函数通常为Sigmoid型。BP算法使神经网络学习中一种广泛采用的学习算法，具有简单、有效、易于实现等优点。但因为BP算法是一种非线性优化方法，因此有可能会陷入局部极小点，无法得到预期结果，为解决BP算法的这一缺点，本文将模拟退火算法结合到BP算法中。
模拟退火算法是神经网络学习中另一种被广泛采用的一种学习算法。它的基本出发点就是金属的退火过程和一般组合优化问题之间的相似性。在金属热加工过程中，要想使固体金属达到低能态的晶格，需要将金属升温熔化，使其达到高能态，然后逐步降温，使其凝固。若在凝固点附近，温度降速足够慢，则金属一定可以形成最低能态。对优化问题来说，它也有类似的过程，它的解空间中的每一个点都代表一个解，每个解都有自己的目标函数，优化实际上就是在解空间中寻找目标函数使其达到最小或最大解。
（如果将网络的训练看成是让网络寻找最低能量状态的过程，取网络的目标函数为它的能量函数，再定义一个初值较大的数为人工温度T。同时，在网络的这个训练过程中，依据网络的能量和温度来决定联结权的调整量（称为步长）。这种做法与金属的退火过程非常相似，所以被称为模拟退火算法。）
模拟退火算法用于神经网络训练的基本思想是，神经网络的连接权值W可看作物体体系内的微观状态，网络实际输出和期望输出的误差e可看作物体的内能，对网络训练的目的就是找到恰当的状态W使其内能e最小，因此设置一个参数T来类比退火温度，然后在温度T下计算当前神经网络的e与上次训练的e的差e，按概率exp(-e/T)来接受训练权值，减小温度T，这样重复多次，只要T下降足够慢，且T0，则网络一定会稳定在最小的状态。
模拟退火算法虽然可以达到全局最优，但需要较长时间，BP算法采用梯度下降方式使收敛速度相对较快。为取长补短，我们将两种算法结合起来，采用BP算法的梯度快速下降方式，同时利用模拟退火算法技术按概率随机接受一个不成功的训练结果，使梯度快速下降过程产生一些随机噪声扰动，从而既保证了网络训练的快速度下降，又保证了训练结果的最优性。
3网络结构与学习算法
3.1网络结构
如何选择网络的隐层数和节点数，还没有确切的方法和理论，通常凭经验和实验选取。本文采用的BP网络结构如图1所示，输入层两个节点，分别输入点的x坐标和y坐标；两层隐层，每层10个节点，输出层一个节点，输出点的z坐标。
3.2学习算法
学习算法的具体过程如下：
其中Out_node为输出神经元集合.
4计算实例
为了检验本文算法的有效性,我们用本文算法对黄河下游河滩地形面进行曲面构造,地形面数据按截面给出,我们用奇数截面上的点为学习样本,偶数截面上的点用于检验本算法的精度.表1给出了测量值z1与本文算法计算结果z2,z2为本算法经过大约3500次迭代的结果.由这些数据可以看出，本文算法计算出的值与测量值的误差大约在0.02左右.完全可以满足实际工程要求的精度.
5结语
用神经网络进行地形面的曲面构造,不必求出曲面的方程,只需知道有限个点即可,而且这些点可以是散乱点.与传统方法相比,神经网络方法具有很强的灵活性.
本文将BP算法和模拟退火算法结合起来,解决了BP算法容易陷入局部极小的致命缺点.但仍然没有解决BP算法收敛速度慢的缺点.
NEURALNETWORKMETHODTOCONSTRUCTTERRAINSURFACE
LiuXue-mei1,2,DondWen-sheng1,2,ZhangShu-sheng1
(1NorthweasternPolytechnicalUniversity，ShanxiXiAn710072)
(2NorthChinaInstituteofWaterConservancyandHydroelectricPower,HenanZhengzhou450045)
Abstract
Thispaperpresentsanartificialneuralnetworkapproachtosolvetheproblemofterrainsurfaceconstruction.ThismethodtakesadvantageoftheglobalminimumpropertyofSimulatedProcedureonthebasisofBPalgorithm,thuscanjumpoutofthelocalminimumandconvergetotheglobalminimum..ThismethodwerevalidatedbysimulatingbottomlandterrainofYellowRiver.
Keywords:terrainsurface;freeformsurface;neuralnetwork;BPalgorithm;simulatedannealing
参考文献
[1]王铠，张彩明.重建自由曲面的神经网络算法[J].计算机辅助设计与图形学学报，1998，10（3）：193-199
神经网络论文范文第2篇
1.1估价指标体系的构建及其量化标准本文以城市住宅为研究对象，构建住宅类的价格评估模型。影响城市住宅价格的因素较多，归结起来可以分为3类，分别为：个别因素、区域因素和一般因素。在一定时期内，宏观环境较为稳定，一般因素对个体价格差异的影响较小，所以可以将一般因素剔除不计，重点分析个别因素和区域因素对房价的影响。通过查阅文献，归结出9个因素：地段等级、交通状况、配套设施、环境质量、建筑结构、成新度、装修情况、朝向、楼层。在因素评分中，可根据专家打分法，先将特征因素从好到坏分为5个等级：优、较优、一般、较差、差。再将其进行量化处理，可分别赋值为1、0.75、0.5、0.25、0，介于上述等级之间的，可根据具体情况赋值。文中所收集数据样本来源于昆明市西山区已成交案例。在收集样本过程中，为保证数据质量，尽量收集近期已成交案例，时间间隔不超过1个月，且已经排除非正常交易案例，故文中不考虑房屋价格受交易情况及交易时间的影响。网络的输出要求为0～1之间连续的数值，而收集到的价格为实际成交价格，为使之与网络输出相一致，应对成交价格进行数据标准化处理。本文所采用的数据标准化处理方式为归一化处理方法。在本文征因素值已在0～1之间，所以只需将成交价格数据进行标准化处理即可。
1.2网络结构的确定
1.2.1输入层节点数的确定输入层的节点个数由房屋价格影响因素的个数确定，文中将选取上述所列的9个影响因子作为网络的输入，即文中输入层节点数确定为9个。
1.2.2隐含层节点数的确定增加隐含层神经元个数可以提高网络的训练精度，但也不是隐含层节点数越多越好，同一个网络模型在隐含层节点数达到最优后不再随节点数的增加而出现训练误差越小的情况。一般在实际中往往依靠经验和反复试验进行确定节点数，即对同样的网络结构设置不同的隐含层节点数，分别进行训练，当训练结果误差最小且训练步数最少时网络隐含层节点数达到最优。
1.2.3输出层节点数的确定模型要求输出数据为房屋的预测价格，因此，输出节点数确定为1。
2应用研究
2.1估价模型的训练从所采集样本中抽80%作为网络的训练样本。用newff()函数建立网络，此函数可以将网络初始化，自动选择权值和阈值[6]。文中采用反复训练法来选取最优的隐含层神经元数，分别设计隐含层的节点数为10、20、30、40、50。本文所创建的网络代码如下：net=newff(minmax(P),[a,1],{''''tansig'''',''''logsig''''},''''traingdx'''')其中a代表不同的隐含层节点数，tansig代表隐含层的激活函数，logsig代表输出层的激活函数，算法选择动量和自适应lr的梯度下降法traingdx。其他网络训练参数设为。经过网络测试，当隐含层节点数设为30时，训练次数及均方误差达到最小值，所以，文中确定网络隐含层节点数在30时达到最优，即建立一个9—30—1的网络模型。文中利用MATLAB中的神经网络工具箱对模型进行模拟运算，以下为隐含层节点数为30时MATLAB进行逼近的界面图。图2表示网络经过138个循环训练后，计算输出与目标输出的误差为8.87e-004，小于预先设定的目标误差，即网络训练成功。图3反映了训练样本实际值与计算值的线性回归，R值达到0.99746，表明实际值与计算值之间实现了合理准确的线性拟合。
2.2网络测试网络模型训练成功后需进一步测试，才能确定模型是否可用于其他类似房屋的价格评估。经过对剩余20%的测试样本进行测试，相对误差最大为0.33%，最小为0.076%，都在1％以内，可以判定，该模型通过测试，网络可以满足对类似大批量的房屋进行价格评估。
3结束语
神经网络论文范文第3篇
企业绿色竞争力评价机制是通过一系列评价指标来完成的，评价指标选择不同会产生不同的评价结果，所以评价指标的选择是建立评价系统的关键。对应于绿色竞争力的基本特征，构建评价指标体系包含六个方面的指标。然后采用频度统计法、理论分析法初步设置指标，通过主成分分析法、极大不相关法对指标进一步筛选、分类，然后采用专家咨询法调整指标，并综合前人的研究成果构建企业绿色竞争力评价指标体系如表1所示。
2基于BP神经网络的企业绿色竞争力评价方法
2.1指标归一化处理企业绿色竞争力评价指标体系中有些指标是正指标，有些指标是逆指标，需要对各指标进行归一化去量纲处理。
2.2BP神经网络评价的基本原理BP神经网络是一种具有两层或两层以上的阶层型神经网络，层间神经元实现全连接，而层内各神经元间无连接。典型的BP网络是三层前馈阶层网络，即：输入层、隐含层和输出层。BP网络的学习由四个过程组成，输入模式由输入层经中间层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之差的误差信号，由输出层经中间层向输入层逐层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。BP神经网络分析具有许多优秀的品质，并且善于从近似的、不确定的、甚至相互矛盾的知识环境中做出决策。其模型的结构如图1所示。应用BP网络对企业绿色竞争力做评价的方法是把用于描述评价对象的特征信息作为神经网络的输出向量，将代表相应综合评价的量值作为神经网络的输出向量；使用网络前，用一些经传统综合评价取得成功的样本训练这个网络，使它所持有的权值系数值经过自适应学习后得到正确的内部表示，训练后的神经网络便可作为企业绿色竞争力评价的有效工具。
3企业绿色竞争力评价实例分析
本文的实证分析过程选取了我国造纸业上市公司作为研究案例，具体指标值来源于X纸业集团。首先对各输入指标进行归一化处理，然后利用BP神经网络模型对企业绿色竞争力进行评价。在构造评价企业绿色竞争力的BP神经网络时，考虑到二级指标体系包括36个指标，所以输入层神经元设36个；设置1个输出层神经元，为了增加评价结果的直观性，将评价结果划分为优、良、中、差四个等级，分别对应于（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）；隐含层神经元可根据经验公式n1=sqr（tm+n）+d来确定，其中m为输入层神经元个数，n为输出层神经元个数，d为0到10之间的常数，本文取d=5，由此可确定隐含层神经元个数n1=11。使用Matlab编程软件编写BP神经网络程序，取神经网络学习效率η=0.05，给定收敛值ε=0.001，当企业的指标值经输入层进入网络时，网络便用训练好的权值进行运作，最后根据输出层输出的向量值的隶属关系确定企业的绿色竞争力，得到输出结果为（0.9863，-0.0048，-0.0169，-0.0124），此输出结果与（1，0，0，0）等级最为契合，表明该企业具有较强的绿色竞争力。
4结论
神经网络论文范文第4篇
只有清楚地了解电梯控制系统的运行原理才能够及时准确的诊断出电梯故障原因，因此清楚的了解电梯运行原理,每一个电梯维修人员必须要做到。电梯运行过程总体上可分为以下几个阶段：第一、登记层外召唤信号和登记内选指令阶段；第二、电梯门关闭或者电梯按照系统指令停运阶段；第三、启动阶段；第四、在到达信号记录的楼层前进行减速制动；第五、平层开门阶段。在整个过程中电梯需要从外界接收信号并处理，然后完成相应的指令或者输出信号，由此可以将电梯看作是一个完整的独立的系统，只需要外界给予相应的信号就可以自动的做出动作。电梯系统内部复杂的构件紧密的结合在一起，正是如此才使得电梯系统故障具有了复杂性、层次性、相关性以及不确定性的特点。
二、神经网络技术基本原理
生物学上的神经是由一个个简单的神经元相互连接进而形成了复杂的庞大的神经系统，同理，神经网络就是由大量简单的处理单元相互连接形成的复杂的智能系统。单独的处理单元类似于一个神经元，是一个可以接受不同信息但是只输出一种信息的结构单位。神经网络系统与生物学神经系统相似的是具有自我修改能力，它可以同时接收大量的数据并进行统一的分析处理，进而输出相应的处理结果。这就使得神经网络系统具有了高度容错性、高度并行性、自我修改性、学习性以及高度复杂性，也正是由于这些特性才使的利用神经网络技术能够及时准确的查明电梯故障原因并得出故障解决方案。电梯故障诊断中应用的神经网络模型分为三个层次：输入层、接收外部信号或者是电梯自我检测信息（如载重信息）；隐含层、对接收到了大量数据进行相应的分析处理；输出层、将记录着动作命令的数据传送出来。在电梯出现故障时，首先可以通过神经网络模型快速确定故障发生在哪一层达到节约时间的目的。但是神经网络也会因为收敛速度过于慢、训练强度太大或者是选择的网络模型不好等问题导致诊断结果受到影响。
三、神经网络模型在电梯故障诊断中的应用分类
神经网络模型已经成为了如今电梯故障诊断中应用最广泛的技术模型，相比于传统方式它具有诊断速度快、故障原因命中率高的优点，因此引起了各方面专业人士的强烈关注，并在他们的不懈努力下得到了发展与创新。它跨越多个专业领域、通过对各种复杂的高难度工作的不断的发展与改进出现了越来越多的应用模型，下面主要介绍了当前应用最普遍的BP网络模型，并且简单的引入并介绍了近年来新兴的模糊神经网络模型和遗传小波神经网络模型。
（一）BP网络模型
BP神经网络作为神经网络应用最广泛的一种，它多应用的误差反向传播算法使其在模式识别、诊断故障、图像识别以及管理系统方面具有相对先进性。基于BP网络的电梯故障诊断技术就是通过学习故障信息、诊断经验并不断训练，并将所学到的知识利用各层次之间节点上的权值从而表达出来。BP网络系统的主要诊断步骤主要可以分为三步。第一步：对输入输出的数据进行归一化处理，将数据映射到特定的区间。第二步：建立BP网络模型，训练BP网络模型。第三：通过已经训练好的网络模型对原来的样本进行全面的检测。算法步骤：a、在一定的取值范围内对数据进行初始化；b、确定输入值数值大小，计算出预期输出量；c、用实际输出的值减去上一步得到的数值；d、将上一步得到的误差分配到隐含层，从而计算出隐含层的误差；e、修正输出层的权值和阈值，修正隐含层的权值；f、修正隐含层的阈值，修正隐含层和输入层的权值。
（二）遗传小波神经网络模型
遗传算法运用了生物界的优胜劣汰、适者生存的思想对复杂问题进行优化，适用于复杂的故障，起到了优化简化问题的作用。对局部数据进行详细的分析是小波法最大的特点，所以它被誉为“数字显微镜”。遗传算法小波神经网络就是运用小波进行分解的方法分解模拟故障信号，将得到的数据进行归一化，将归一化后的数值输入到神经网络模型中。它融合了神经网络、小波分析和遗传算法三者所有的优点。基于遗传小波神经网络的电梯故障诊断的一般步骤为：测试节点信号采样、小波分解、故障特征量提取、归一化得到训练样本集、遗传算法优化、得到故障类型。遗传小波神经网络模型在故障原因复杂、数据信息量巨大的电梯系统的应用中能够发挥更大的作用。
（三）模糊神经网络模型
模糊神经网络模型就是创新性的将神经网络与模糊理论结合到一起。它采用了广义的方向推理和广义的前向推理两种推理方式。与其它两种模型不同的是，它的语言逻辑、判断依据和结论都是模糊的。但是它的数据处理能力还有自我学习能力并没有因此而变差，反而更加丰富了它的定性知识的内容。在处理实际问题的过程中，首先要建立所有可能发生的故障的完整集合，其次将所有的故障发生原因归入到同一个集合中去，最后就是建立故障和原因的关系矩阵。分别叫做模糊故障集、模糊原因集、模糊关系矩阵。相较于BP网络模型，这种模型更加的简单易行，充分发挥了神经网络和模糊逻辑的优点，不会因为故障原因过于复杂而失去诊断的准确性，在原本丰富定性知识和强大数据处理能力的基础上具有了很大的自我训练能力。
四、结语
神经网络论文范文第5篇
关键词：立井井筒非采动破裂反向传播网络神经网络预测数值模拟
一、煤矿立井发生破坏问题的提出
徐淮地区是中国东部主要的煤炭开采基地，其煤炭的生产直接影响着我国煤炭的总产量，在国民经济建设中占有重要的地位。然而自20世纪80年代以来，在我国徐淮地区（徐州、淮北、淮南）地区，出现了一种新的矿井破裂灾害——井筒的非采动破裂，即煤矿立井在不受地下采动影响的条件下（井筒及其附近的工业广场都留有足够的保护煤柱），井壁发生严重变形和破裂，致使提升运输困难。90年代以来，在我国特大型煤炭企业'''');">企业兖州矿业集团的9对井筒也先后发生了破坏(有关兖州矿区井筒破裂的基本情况如表1所示)。煤矿竖井是矿山生产运输的咽喉要道，因此竖井的破坏严重影响了矿山生产，给各煤矿造成了巨大的经济损失。
为了尽量减少立井的非采动破裂所造成的经济损失，现在各大矿山都对井筒的变形进行了预报和治理，到目前对井筒破裂的预报方法主要有两种：
1）第一种方法是通过加强对井筒变形的监测，以监测数据为依据，对井筒的变形进行分析，对其破裂进行预报。
2）第二种方法是新近发展起来的预报方法［1，2，3］，即系统科学、智能技术方法，特别是研究非线性复杂系统的一些方法。其主要内容使用系统科学原理或智能技术来建立模型的框架，用观测的实测资料填充以实现建模。
本文采用实际与智能技术相结合的预报方法，建立井筒破裂的人工神经网络模型，模仿人脑的运行机制，通过对井筒破坏规律的学习，使网络具有根据特征值对井筒破坏进行预报的能力，并据此来推测相关煤矿的井筒破坏规律。
表1兖州矿区井筒破裂的基本情况
Table1BasicsituationofshaftliningfractureinYanzhouCoalMine
矿区
序号
井筒名称
竣工时间
破裂时间
净径/m
外径/m
施工方法
井壁类型
表土厚度/m
破裂深度/m
破裂情况
兖州
1
鲍店副井
1979.11.26
1995.6.5
8.0
10.2
冻结法
双层井壁
148.6
126.9
罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露
2
鲍店主井
1979.5.14
1995.7.12
6.5
8.5
冻结法
双层井壁
148.69
136—144
3
鲍店北风井
1979.10.21
1996.8.2
5.0
6.6
冻结法
双层井壁
202.56
168.4,180,204
4
鲍店南风井
1979.8.1
1996.8.9
冻结法
双层井壁
157.92
158.1—159.3
5
兴隆庄西风井
1976.8
1995.10
5.5
7.4
冻结法
双层井壁
183.9
165.5—171.6
6
兴隆庄东风井
1977.5.31
1997.6.7
5.0
6.4
冻结法
双层井壁
176.45
157—180
7
兴隆庄主井
1977.8.13
1997.6.23
冻结法
双层井壁
189.31
150,184
在未出现严重破裂时进行了治理
8
兴隆庄副井
1978.9
1997.6.26
冻结法
双层井壁
190.41
154,200
罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露
9
杨村主井
1984.12
1997.2.29
5.0
6.6
冻结法
双层井壁
185.42
176.5,196
10
杨村副井
1985.1.23
1997.12.2
冻结法
双层井壁
184.45
160,176,212
在未出现严重破裂时进行了治理
11
杨村北风井
1984.10.31
1997.2.4
4.5
5.9
冻结法
双层井壁
173.40
179.6,150,156.6
罐道缝压实,罐道,管路压缩弯曲,混凝土表层剥落出现水平裂缝,竖筋弯曲外露
二、人工神经网络的预报原理
人工神经网络实现井筒破裂的智能预报，是通过机器学习的方法［4］对破裂井筒的特征值进行抽取，并对已知的井筒破裂规律进行学习掌握规律性，然后运用训练好的神经网络对其他井筒进行推理预测，并据此对其他井筒的破裂进行预报（其流程见图1）。
三、立井井筒破裂影响因素的选取
经调查表明立井井壁破裂的主要原因为：在煤矿开采过程中新生界底部第四系含水层（底含）的水头的大幅疏降，使该含水层及上覆土层产生压缩和变形，且引起地表沉降，在地层发生变形的过程中对井壁产生垂直向下的附加力，使得立井井壁发生破裂。
立井井筒破裂矿区的水文地质与工程地质条件都具有如下的特点：井筒都穿过第四系深厚表土，其厚度大都在200m左右。土层结构复杂，但大体上都可分为四个含水层和三个隔水层共七个工程岩组，即由上至下常简称为一含、一隔、二含、二隔、三含、三隔和底含（四含）。
通过对立井井筒非采动破裂机理及破裂矿区的水文地质与工程地质特点分析选取以下几个因素作为影响立井井筒破裂的特征因素：
1、表土层厚度
由于立井井筒非采动破裂只发生在厚冲积层中建成的立井井筒，因此表土层厚度是立井井筒非采动破裂现象发生的必要因素。表土层厚度越大，土层对立井井筒的侧压力越大，且土层与井筒的相互作用的面积增大，底含沉降时产生的立井井筒附加力加大，立井井筒发生破裂的可能性越大。
2、底含厚度
底含厚度决定了立井井筒周围土层的变形量，且土层变形量直接关系到立井井筒附加应力的大小，因此底含厚度越大，井筒破裂的可能性增大，所以确定底含厚度为立井井筒破裂的主要影响因素。
3、底含水位降速
底含水位降速决定了立井井筒周围土层变形的速率，从而决定了立井井壁破裂的时间。底含水头降速直接决定了立井井筒破裂时间的大小。
4、井筒外径
由于在确定的工程地质条件下立井井筒外表面积与立井井筒附加力的大小成正比，则确定立井井筒外径大小为立井井筒破裂的主要因素。
5、井壁厚度
井壁厚度越大，立井井筒的净截面积越大，立井井壁内壁应力降低，有利于立井井筒的稳定。
四、神经网络的设计与实现
根据以上对影响井筒变形的特征因素的选取，选择反向传播（backpropagation,BP）神经网络算法对井筒的破裂规律进行训练，其网络为包含两层隐含层的神经网络，输入层、隐含层、输出层的神经元的个数分别为5、20、10、1，
表2神经网络的输入矢量p及目标矢量t
Table2Inputvectorpandtargetvectortoftheneuralnetwork
输入矢量p
输出矢量t
表土层厚度(m)
井筒外径(m)
井壁厚度(m)
底含水位降速（米/年）
底含厚度(m)
井壁破裂时间（月）
189.31
8.92
1.21
3.764
34.1
192
190.41
10.1
1.3
3.212
30
225
190.41
6.4
0.7
2.988
32.85
241
189.5
7.4
0.95
3.652
29.9
230
148.69
8.5
1
5.196
56.29
194
148.6
10
1
5.262
55.0
187
202.56
6.6
0.8
5.053
59.0
190
185.5
6.4
0.7
7.192
57.72
146
其训练函数分别采用双曲正切函数tansig及线性激活函数purelin［5］，网络学习采用的输入矢量及目标矢量如表2所示。
网络训练后，其输出值与期望值之及目标误差如表3所示。
表3BP网络对井筒破坏规律的学习
Table3BPnetworklearningofshaftliningfractureregularity
输入矢量p
目标矢量t
目标误差
输出矢量
a
189.31
8.92
1.21
3.764
34.1
192
0.0001
199.5
190.41
10.1
1.3
3.212
30
225
0.0001
222.3
190.41
6.4
0.7
2.988
32.85
241
0.0001
243.8
189.5
7.4
0.95
3.652
29.9
230
0.0001
221.3
148.69
8.5
1
5.196
56.29
194
0.0001
193.06
148.6
10
1
5.262
55.0
187
0.0001
185.6
202.56
6.6
0.8
5.053
59.0
190
0.0001
188.9
185.5
6.4
0.7
7.192
57.72
146
0.0001
147.23
五、实例应用及与数值模拟结果的比较
兖州矿区杨村煤矿北风井井筒表土段厚173.4m，采用冻结法施工，于1984年竣工，在1997年的检查中发现井壁已发生了破裂，现在用学习后的神经网络对杨村北风井的井筒破裂时间进行预测，预测结果如所表4示。
据上表可以得出有神经网络预报得出的预测值与实际的目标矢量之间的误差仅为0.015，该误差在现场的实际工作中是可以接受的，这说明由BP网来预测竖井的非采动破坏在实际工作中是可行的，且行之有效。
表4神经网络对杨村北风井破裂的预测
Table4NeuralnetworkforecasttothefracturetimeofYangcunnorthshaft
输入矢量p
目标矢量t
输出矢量
a
误差
表土层厚度(m)
井筒直径(m)
井壁厚度(m)
底含水位降速（米/年）
底含厚度(m)
井壁破裂时间（月）
173.4
5.9
0.7
7.5
65.3
136
138
0.015
根据兖州矿区的工程地质资料和及杨村立井井筒施工资料建立了立井井筒破裂的几何计算模型，采用Flac3D进行数值模拟计算，模型共19008个六面体、21600个结点。数值模拟计算后立井井壁最大z方向应力随底含水头降变化如图2所示，底含失水沉降情况下立井井壁发生破裂时的底含水头降为0.8MPa左右，换算为水头高度等于80m，此时井壁内部的最大应力为30MPa，达到了立井井筒的破裂强度。则立井井筒的破裂时间T为：
T＝底含水头高度损失量/底含水位降速
＝(80÷7.5)×12
＝128月
根据底含水头降速可得立井井筒破裂的时间为128月，与神经网络预测值相比，相差10月左右，因此可以认为神经网络预测基本可以用于立井井筒破裂时间的预测。
图2立井井壁最大z方向应力随底含水头降变化
Fig.2Waterheadvariationinbottomaquifervs.maximumz-directionalstressinshaftlining
