《表6 2种神经网络算法反演结果对比》
计算时,首先根据本地区地质资料,获得符合实际地应力场分布的边界条件形式,以提高反演精度,本矿区模型的边界条件形式是沿深部方向的非线性边界载荷函数(式 (13)) 。随后,在数值模型上施加如图10所示的4组边界载荷(依次是Hx,Hy,Hxz,Hyz),得到各工况下数值模型测点处的应力值,将各组边界工况组合数据及对应的计算模型上测点处应力值分别作为训练样本的输出向量和输入向量,对GMDH神经网络算法进行优化。当计算精度达到90%以上,网络训练完毕。然后,将杏山铁矿实测地应力资料作为输入量代入已优化的GMDH神经网络中进行计算,得到拟合后的边界载荷表达式(式 (14),(15) ) 。最后,将上述边界条件施加在模型上进行地应力场重构计算,获得测点处应力反演值。另外,为了对比GMDH神经网络算法的反演精度,同样对杏山铁矿区采用BP神经网络算法进行地应力场的计算,得到测点处地应力的反演值,2种算法的反演精度对比见表6,地应力场分布如图11,12所示。
图表编号 | XD0070914800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.01 |
作者 | 李飞、周家兴、王金安 |
绘制单位 | 北京科技大学土木与资源工程学院、北京科技大学土木与资源工程学院、北京科技大学土木与资源工程学院、金属矿山高效开采与安全教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |