[發明專利]礦井斷層構造預測方法

有效

• 申請號: 201410439960.8
• 申請日: 2014-09-01
• 公開（公告）號: CN104200284B
• 公開（公告）日: 2019-09-06
• 發明（設計）人: 邱梅;施龍青;牛超;翟培合
• 申請（專利權）人: 山東科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 濟南領升專利代理事務所(普通合伙) 37246
• 代理人: 王吉勇;崔苗苗

1.一種礦井斷層構造預測方法，其特征在于，包括：

步驟10，確定并統計已開拓區和未開拓區的沉積介質定量參數、以及已開拓區內各統計單元的煤層小斷層定量參數；

步驟20，利用灰色關聯分析法，對所述沉積介質定量參數進行篩選，從而得到對煤層小斷層發育起決定性作用的主控因素；

具體包括以下步驟：

步驟21：按下述方式構建原始數據矩陣：

其中，

為已開拓區內統計的所述煤層小斷層定量參數統計數據構成的母序列；

為所述沉積介質定量參數統計數據構成的子序列；

是對第i個因素在第t個統計單元內得到的觀測值，其中，i＝0,1,2,…,m，是主因素i＝0及m個子因素的標號，t＝1,2,…,n為統計單元號；

步驟22：對所述原始數據矩陣進行無量綱化處理，采用如下公式：

其中，

n為統計單元個數；

步驟23：計算所述子序列與所述母序列之間的關聯度為：

其中：

r_i,0為關聯度；

i＝1,2,…,m；

t＝1,2,…,n；

ξ為分辨系數，取0.1～0.5；

步驟24：將所述關聯度大于或等于0.4的沉積介質定量參數作為煤層小斷層預測的主控因素；

步驟30，利用主成分分析法對所述主控因素進行降維處理，以消除所述主控因素之間的相關性，得到多個主成分；

具體包括：

步驟31，取已開拓區內的主控因素數據作為樣本集；

步驟32，對樣本集數據歸一化處理，得到樣本集矩陣X；

步驟33，將樣本集矩陣X用下式變換為相關矩陣，即主成分矩陣R：

R＝(r_ij)_p×p

其中：x_ai為第i個主控因素第a個統計單元的數值；

為第i個主控因素所有統計單元數值的平均值；

x_aj為第j個主控因素第a個統計單元的數值；

為第j個主控因素所有統計單元數值的平均值；

n為統計單元個數；

p為主控因素個數；

r_ij為第i個主控因素與第j個主控因素的相關系數；

步驟34，確定主成分個數，建立主成分模型；

根據主成分矩陣R求出特征值、主成分貢獻率和累計貢獻率，確定主成分個數m，并按下式建立主成分模型：

F_i＝a_liX₁+a_2iX₂+…+a_piX_p(i＝1，2，…，m)

其中，F_i為第i主成分；每個方程中的系數向量a_1i,a_2i,…,a_pi分別是特征值λ₁，λ₂，…，λ_m所對應的單位特征向量；

步驟35，求取各單元主成分的取值，作為Elman網絡的輸入；

步驟40，將僅包含所述主成分的數據作為樣本數據，利用Elman神經網絡建立煤層小斷層定量化預測模型；

具體包括：

步驟41，將已開拓區內的觀測樣本劃分為訓練集和測試集，將確定的主成分作為Elman網絡的輸入值，將相應的煤層小斷層定量參數作為網絡的輸出值；

步驟42，用訓練集樣本進行訓練，給出訓練步長、最大訓練步數、均方差最小值、隱層節點數、輸入節點數、輸出節點數，激勵函數，在訓練過程中每一步隨機設定各層的連接權值和閾值，一旦在最大訓練步數范圍內均方差達到規定值時便結束訓練；

步驟43，用測試集樣本測試Elman網絡，判斷煤層小斷層預測值與實際值是否滿足規定的誤差要求，若滿足，則終止訓練，否則，在重新設定隱層節點，然后再重復以上各步，直到滿足規定的誤差要求為止；

步驟50，根據所述預測模型，預測未開拓區域的煤層小斷層。

2.根據權利要求1所述的方法，其特征在于，步驟10中，所述沉積介質定量參數包括：煤層厚度、直接頂板厚度、底板厚度、直接頂板與底板巖性組合類別、頂板強巖厚度、底板強巖厚度、頂底板強巖厚度之和、頂板強巖層效應值、底板強巖層效應值、頂底板強巖層效應總值；其中，將所述直接頂板與底板巖性組合類別按照弱巖層-煤層-弱巖層、弱巖層-煤層-強巖層、強巖層-煤層-強巖層、強巖層-煤層-弱巖層4種類別進行劃分，分別定量化賦值依次為1、2、3、4；

所述煤層小斷層定量參數是指煤層小斷層密度或煤層小斷層強度指數。