神经网络在矿业工程中的若干应用进展

维普资讯 http://www.cqvip.com ＩＳＳＮ　ｌ６７ｌ一２９００　ＣＮ　４３一ｌ３４７／ＴＤ　采矿技术第８卷第４期　２００８年７月　Ｊｕ１．２００８　Ｍｉｎｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ，Ｖｏ１．８，Ｎｏ．４　神经网络在矿业工程中的若干应用进展　田　敏　，谢贤平　，侯　江　，邢　冀　（１．昆明理工大学国土资源工程学院，云南昆明６５００９３；２．云南省铁路总公司，云南昆明６５０１１８）　摘　要：人工神经网络具有自适应机制，通过训练和学习，达到对知识进行分类、模式判　别、联想记忆等能力。简单介绍了人工神经网络的基本原理、基本特征，对其在矿业工程　中的若干应用进展进行了深入分析与探讨，并指出了其未来发展方向。　关键词：神经网络；神经元；专家系统；矿业工程　自２０世纪８０年代中期以来，美、日等国掀起了　竞相研究和开发神经网络（Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ）的热　神经元是信息处理和存储的基本单位，它具有　兴奋和抑制两种状态。当所有外来刺激（即输入）　潮。近ｌ０多年来，神经网络在模式识别、智能计算、　信号处理、联想记忆、推理决策及机器人等许多领域　均获得了卓有成效的应用，成为各国科技界研究的　焦点　。＿　。　作用之和超过某一个阀值后，神经元由抑制变为兴　奋，同时输出电脉冲。神经元间通过电脉冲传递信　息。为了模拟人脑的信息处理机制，人们提出了许　多人工神经网络的数学模型。目前普遍应用的人工　神经元见图２。这是一个多输入／单输出的非线性　ｌ　神经网络的基本原理和基本特征¨～７　３　人工神经网络具有自适应机制，通过训练和学　习，达到对知识进行分类、模式判别、联想记忆等能　器件。其中：　。为输入信号，ｗ。为连接权值，　为阀　值。神经元输／ｋ／输出关系可表示为：　ｎ　力。图１ａ为生物神经元的基本结构，它包括进行信　息处理活动的细胞体、传递信息到远离细胞体的轴　索、将信息传至另一细胞体的突触及接受其它神经　元传递来的信息的树突。图１ｂ是与生物神经元等　效的系统模型。　输　人　Ｙ＝／【　ＷｌＸ１一　）　式中，厂为非线性函数，一般采用继电型、阀值　逻辑性、分段线性型和ｓ型（Ｓｉｇｍｏｉｄ函数）等形式。　除了这种离散型阀值模型外，人工神经元模型还有　连续型、概率型等。　输　出　细胞体　基本结构　（ａ）　等效模型　（ｂ）　图１　生物神经元的基本结构和等效系统模型　Ｙ　图２典型人工神经元　（ａ）　（ｂ）　按拓扑结构，神经网络可分为层次型、全互联　型、混合型和区组设计型等。层次型网络模型将神　经元分成若干层，各层顺序连接，第ｉ层的输入仅与　第ｉ一１层输出相关联（见图３ａ）。全互联网络模型　允许任意两个神经元间存在相互关联（见图３ｂ）。　图３神经元间的相互关联　按信息流向，神经网络可分为前馈型、反馈型和　混合型；按学习方法，可分为有教师指导型、无教师　指导型等。目前已提出的网络模型超过３０种，其中　维普资讯 http://www.cqvip.com ４８　采矿技术　Ｈｏｐｆｉｅｌｄ全互联网络模型与误差反向传播（Ｅｒｒｏｒ　Ｂａｃｋ　ＰｒｏＰａｇａｔｉｏｎ　Ｌｅａｒｎｉｎｇ，简称ＢＰ）模型是两种最　常见的网络模型。前者适合于解决规划、旅行商、　作中，其理化指标包括水分、密度、ＣＥＣ、ＣＳＴ和达到　平衡时的膨胀率。应用ＢＰ网络预测矿床普查勘探　初期矿体深部的含矿性，即预测矿体深部相对于浅　部（或地表）矿体的指标（长度、厚度、品位等）的变　化和矿体指标的具体值。神经网络方法可望成为矿　产预测的有效辅助手段。　２．２品位估值　ｎ　作为矿床整个开采过程中的核心问题，矿石品　Ａ／Ｄ转换等问题，后者多用于模式识别、系统辨识、　信号检测、图像处理及专家系统等领域。　人工神经网络在处理信息时，具有与人脑相似　的特征。　（１）巨量并行分布处理特性。神经网络在处理　信息时，它与现行的计算机不一样，由ＣＰＵ按一条　接一条指令串行工作，而是大量的神经元网络有高　速处理信息的能力。　（２）信息处理与存储单元的合一性。每个神经　元都被视为一个独立完整的信息处理机，它既可以　接受处理信息，也可以存储信息。　（３）自学习自适应能力。神经网络可以通过范　例进行学习，积累经验并根据这些经验解决新问题。　（４）描述大规模非线性复杂系统的能力。此　外，神经网络还具有其它许多优良特性，如：高度的　容错能力和鲁棒性、联想与全息记忆能力、自组织和　协同能力等。　２　神经网络在矿业工程中的若干应用　由于神经网络具有许多优良的系统特性，近年　来在电力系统、军事工业、管理、生物医学工程等领　域均取得了令人瞩目的成就＿１。ｊ。下面简要阐述神　经网络在矿业工程中的若干应用。　２．１分析确定地质数据　美国矿务局开发了一种智能顶板分类器，该系　统应用专家系统和人工神经网络辅助采矿工程师评　价煤矿顶板的岩体参数。研究人员在美国两座煤矿　进行了一系列实验，取得６００多个钻孔数据向量，将　其随机分成３组，用于训练、测试和评价神经网络模　型。经过训练后的ＢＰ网络模型就是智能系统中用　于确定地质参数的神经网络模型。输入新钻孔数据　向量，ＢＰ网络模型就能输出相应的岩体参数，如岩　石类型、抗压强度和节理特征等。　数学地质中母函数选取和系数求解是函数逼近　的两个关键问题，目前在地质数据的多元统计分析　中广泛应用的回归分析或其它方法均有局限性。人　们应用ＢＰ网络，较好地解决了这个问题，该算法把　１组样本的输入输出问题变为一个非线性问题，并　采用最优化方法中的沿梯度下降法求解。将ＢＰ网　络算法应用于泥页岩矿物成分与理化指标的分析工　位估值方法多年来一直是实际应用和理论研究的焦　点。矿石品位估值方法，目前主要有距离加权等传　统的估算方法和地质统计学方法。传统的估算方法　缺乏理论根据，估算精度差。地质统计学方法在理　论上较为完整，但需要做出某些假设，限制了估算的　有效性，对复杂矿床估值的准确性尚待研究改进。　英国皇家矿业学院和诺丁汉姆大学在第２４届　ＡＰＣＯＭ会议上，首次报道了神经网络适用于品位估　值及其所开发的ＧＥＭ　Ｎｅｔ系统，它应用神经网络建　立矿床的品位分布模型，将矿床中样本品位之间的　关系视为复杂函数，而其中仅有少量经过考虑的输　入输出对为已知（取自钻孔或其它样本数据）。　ＧＥＭ　Ｎｅｔ系统中的神经网络部分完成矿床中的样品　位置与品位的关系函数的合成。通过ＧＥＭ　Ｎｅｔ的　神经网络学习得到的函数或映射，可用来估算矿床　中其它未知点的品位，应用于一个小规模铁矿床的　结果表明，这是一种有效的方法，并已显示其潜力。　２．３岩土工程　神经网络在岩土工程中的应用越来越广泛，已　经渗透到各个方面，显示出神经网络在解决岩土工　程问题的有效性，并且越来越受到岩土工程界的青　睐。目前，神经网络在岩石力学工程中主要用于岩　石非线性系统识别、时序预测、工程岩体分类、岩体　可爆性分级及爆破效应预测等＿１　。　我国学者提出了岩石力学理论发展的新途径　——智能岩石力学（Ｉｎｔｅｌｌｉｇｅｎｔ　Ｒｏｃｋ　Ｍｅｃｈａｎｉｃｓ）　引。　其中神经网络是岩石力学智能化的一个有效研究方　法。近年来，人们对神经网络在岩石力学中的应用　研究工作主要集中在以下几个方面。　（Ｉ）基于神经网络的地下巷道破坏形态的模式　识别系统　。该系统是由美国的Ｃ．Ｌｅｅ和Ｒ．　Ｓｔｅｒｌｉｎｇ开发的，该系统的知识库是通过神经网络的　学习得来的，它既不是规则库也不是实例库。系统　给神经网络提供了９５个实例记录，作为神经网络学　习的样本。通过对过去记录的分析及其与当前实例　维普资讯 http://www.cqvip.com 田敏，等：　神经网络在矿业工程中的若干应用进展　的对比，人们可以得出地下巷道可能出现的一般地　压显现图。　（２）岩体质量评价与岩体分级　。我国学　者开发研制了用于岩体质量评价的神经网络专家系　统ＲＱＥＮＮＥＳ（Ｒｏｃｋ　ｍａｓｓ　Ｑｕａｌｉｔｙ　Ｅｖａｌｕａｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ｅｘｐｅｒｔ　Ｓｙｓｔｅｍ），ＲＱＥＮＮＥＳ的知识库主要包　括岩体质量评价知识库、岩体完整性评价知识库、岩　体坚硬程度评价知识库、岩石风化程度评价知识库　和结构面结合程度评价知识库（见图４）；各知识库　神经网络结构（见图５～图９）。应用结果表明，用　ＲＱＥＮＮＥＳ进行岩体的基本质量评价是可靠的。　结构面结合程　岩石风化程度　度评价知识库　评价知识库　．．．．．．．　．．．．．．．．Ｉ【．．．．．．．．一　．．．．．．．．．　．．．．．．．．．．．！１．．．．．．．．．一．　岩体完整性　岩石坚硬性　评价知识库　评价知识库　岩体质量　评价知识库　图４　ＲＱＥＮＮＥＳ的各知识库之间的关系　Ｙ　第二隐含层　第一隐含层　Ｘｌ　Ｘ２　图５岩体基本质量评价的神经网络知识库结构　图６岩体完整程度评价的神经网络知识库结构　（３）矿岩设计参数和冲击地压的神经网络预　报　。提出的矿岩设计参数多层前馈神经网络　的结构（见图１０）。用３０个实例样本训练设计好的　网络。让训练后的网络进行识别，并应用于粘土类　泥化夹层残余强度的预测，与经验公式作对比。结　４９　果表明，神经网络的预报精度比经验公式高。　Ｙｆ　Ｘ。　）（２　Ｘ。　）【４　图７岩石坚硬程度评价的神经网络知识库结构　图８岩石风化程度评价知识的神经网络表示　Ｘｌ　Ｘ３　图９结构面结合程度评价知识获取的网络结构　（４）矿山压力与顶板管理　ｎ　、巷道支护决　策心　、岩爆预测自适应模式识别　。。　等方面应　用神经网络。研究人员将１个３层前馈网络模型分　别用于岩石力学试验试件的３个正交方向上压缩系　数的测定和某煤矿老顶来压步距预测。确定压缩系　数的ＢＰ网络模型输入层输入的是影响试件力学性　维普资讯 http://www.cqvip.com

５０　采矿技术　态的各种因素：矿石矿物含量、平均结晶颗粒、空隙　分比，平均空隙比和密度；输出层输出的是３个正交　方向上的压缩系数。训练数据由３０个试验数据的　向量组成，随后用７个数据向量进行验证，结果比较　满意。　乏，使采矿工程师很难获得优化的结果。因此，近年　来，不少人从不同角度探讨了应用神经网络优化选　择采矿方法　。主要成就如下。　（１）文献［３３］作者首先提出基于神经网络方　法的采矿方法选择专家系统。利用基于产生式规则　的专家系统进行方案初选，借助于ＢＰ网络模型，为　预测老顶初次来压步距的ＢＰ网络模型输入层　输入岩石种类、煤层厚度、工作面长度、关键层的支　撑条件和老顶厚度，输出来压步距。应用结果表明，　初选的采矿方法获取基本技术经济指标，由此推测　计算出所需的综合技经指标的数据，再终选采矿方　利用神经网络预测顶板来压步距是可行的。　近几十年来，支护设计理论和方法虽有了长足　的发展，但目前仍然主要依赖于设计者的经验。我　国学者将神经网络、专家系统综合地应用于巷道支　护设计，一方面，利用神经网络的自学习特性从积累　的大量工程实例中学习支护设计的知识，并添加到　专家系统的知识库中；另一方面，利用神经网络的非　线性动态处理与自适应模式特性进行巷道支护方案　的自适应类比，作为一条新的支护决策途径，服务于　巷道辅助设计系统。　总之，将神经网络应用于岩石力学与岩石工程　是一项崭新的工作，作为一种更成熟的工程实用方　法，它尚处于探索与发展阶段　。在决策方法上，　研究多途径的集成系统，用人工神经网络对岩石力　学的思维模拟，建立神经网络专家系统可能是今后　一段时间内的主攻方向。　岩；６－性炸药凿岩　综合分级单耗速度　岩石声菌碎岩石点荷　波速度比功载强度　图ｌ０矿岩设计参数预测的神经网络结构　２．４采矿方法　地下采矿方法的合理选择，历来是矿山设计和　生产中的一个重要课题。由于地质特征和矿床赋存　条件复杂多变，很难建立完全等效的数学方程来描　述各种地质因素与采矿方法之间的关系。所以，至　今采矿方法选择仍主要依赖于设计人员的经验和大　脑思维。不完善的知识和矿床地质特征信息的缺　法。该文作者已陆续发表了这方面的研究成　果　。　（２）文献［３４］作者提出的基于神经网络的采　矿方法自适应模式识别系统，模式识别工作分３步　进行：第１步，从积累的大量工程实例中选择样本，　通过网络自学习建立各种矿床地质特征——采矿方　法模式对；第２步，待识别矿山的矿床地质特征数据　经预处理，作为训练网络的输入数据，利用学的知识　和训练网络结构进行模式匹配，识别出合理的采矿　方法及其主要技术经济指标；第３步，模式求精，即　随着不断实践，将新的工程实例加入到网络学习样　本库中，让网络连续学习，使模式得到求精和增广。　这些成果已在文献［３１］中得到更进一步的发展。　（３）目前，将神经网络与专家系统结合起来，建　立采矿方法选择系统是一个发展方向。文献ｌ加　报道了这方面的研究进展。将神经网络应用于采矿　方法专家系统设计主要有２种方法：一是把神经网　络模型构造成专家系统，利用其自学习能力确定网　络中的加权量，以这些权作为不确定性因子，将这种　结构理解为一个类语义网络，并在这个网络上进行　非精确推理；二是将神经网络理解为某一类知识表　达方式，将这种知识表达方式和其它的知识表达方　式（如语义网络、框架等）结合在一起，共同表达领　域专家的知识并进行推理，从而解决了建立采矿方　法专家系统时的知识获取“瓶颈”问题。　２．５其它方面　除上述几个方面以外，人们还将神经网络技术　应用于矿业的其他工程领域。如：矿床技术经济评　价　、矿井通风系统优化与评价　］、矿井安全生产　的神经网络评价　引、基于人工神经网络的矿井水排　水量预测　、矿业可持续发展的神经网络评　价　。‘　、膏体充填质量评价　、边坡安全系数估算　和边坡稳定性评价＿５　川、综放工作面生产能力预　测　、燃煤着火温度预测　］、原地爆破浸出筑堆块　度预测　等等。　维普资讯 http://www.cqvip.com 田敏，等：　神经网络在矿业工程中的若干应用进展　３　神经网络的发展　目前，对神经网络的研究主要有神经网络理论，　混沌与时间序列预测，新学习体系结构，新算法，回　归神经网络，联想记忆，神经控制与系统建模，神经　模糊系统，神经网络优化方法，神经网络专家系统，　神经网络硬件实现方法等。　神经网络技术在矿业工程中的应用发展方向是　网络实现。目前，神经网络的实现主要以软件仿真　为主。即在现有的计算机系统上，以编程手段“虚　拟”地建立神经网络，实现某种算法。通过仿真，一　方面可以对各种网络模型、学习算法进行研究和比　较，另一方面可向应用人员提供实用的软件产品。　将神经网络应用于解决常规方法难以解决的实　际问题，是神经网络应用研究的主要课题。此外，将　神经网络与专家系统、模糊系统、遗传算法、小波分　析、混沌等相结合，组成实际的应用系统，也是神经　网络应用研究的一个重要的发展方向。　参考文献：　［１］　焦李成　神经网络系统理论［Ｍ］　西安：西安电子科技大学　出版社，１９９２：１７～ｌ９．　［２］　胡上序，等．人工神经元计算导论［Ｍ］．北京：科学出版社，　１９９４：１８７～１９０．　［３］　包约翰．自适应模式识别与神经网络［Ｍ］．北京：科学出版　社．１９９２：１０９～１３６．　［４］　Ｚｕｒａｄａ　Ｊ　Ｍ．Ｉｎｔｒｏｄｕｃｔｉｏｎ　ｏｎ　Ａｒｔｉｉｆｃｉａｌ　Ｎｅｕｒｌａ　Ｓｙｓｔｅｍｓ［Ｍ］．Ｎｅｗ　Ｙｏｒｋ：Ｗｅｓｔ　Ｐｕｂｌｉｓｈｉｎｇ　Ｃｏｍｐ．，１９９２：２５３—２８３．　［５］Ｌｉｐｐｍａｎｎ　Ｒ　Ｐ．Ａｎ　ｉｎｔｒｏｄｕｃｔｉｏｎ　ｔｏ　ｃｏｍｐｕｔｉｎｇ　ｗｉｔｈ　ｎｅｕｒｌａ　ｎｅｔ—　ｗｏｒｋｓ［Ａ］．ＩＥＥＥ　ＡＳＳＰ　Ｍａｇａｚｉｎｅ［Ｃ］．１９８７，（３）：４—２２．　［６］　靳蕃，等．神经网络与神经计算机［Ｍ］．成都：西南交通　大学出版社，１９９３：８～１０．　［７］　韩力群．人工神经网络理论、设计及应用［Ｍ］．北京：化学　工业出版社．，２００５：１２６～１３０．　［８］　Ｓｔｅｐｈｅｎ　Ｐ　Ｓ，ＲｏｇｅｒＬＫ．Ｅｖａｌｕａｔｉｏｎ　ｏｆＣｏａｌＭｉｎｅ　ＲｏｏｆＳｕｐｐｏｒｔｓ　Ｕｓｉｎｇ　Ａｒｔｉｉｆｃｉｌａ　Ｉｎｔｅｌｌｉｇｅｎｃｅ［Ａ］．２３ｒｄ　ＡＰＣＯＭ　Ｐｒｏｃｅｅｄｉｎｇｓ　［Ｃ］．１９９２：４３６—４４２．　［９］　谢贤平，等．地质数据的ＢＰ网络分析方法［Ｊ］．地质与勘探．　１９９５，３２（２）：３８～４２．　［１０］蔡煜东，等．含矿预测的人工神经网络方法［Ｊ］．矿产与地　质，１９９３，７（３）：２１４～２１８．　［１　１］Ｅ　Ｃｌａｒｉｃｉ　ｅｔ　ａ１．Ｒｅｃｏｖｅｒａｂｌｅ　Ｒｅｓｅｒｖｅ　Ｅｓｔｉｍａｔｉｏｎ　Ｕｓｉｎｇ　ａ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ［Ａ］．２４ｔｈ　ＡＰＣＯＭ　Ｐｒｏｃ［Ｃ］．１９９３：１４５～１５２．　［１２］Ｂ　Ｄｅｎｂｙ　ｅｔ　ａ１．Ａ　Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋ　Ｂａｓｅｄ　Ｔｏｏｌ　ｆｏｒ　Ｇｒａｄｅ　Ｅｓｔｉｍａ—　ｔｉｏｎ［Ａ］．２４ｔｈ　ＡＰＣＯＭ　Ｐｒｏｅ［Ｃ］．１９９３：１５３—１６０．　［１３］姜谙男，等．进化神经网络在矿山人选品位优化中的应用　［Ｊ］．矿业研究与开发，２００４，，２４（４）：４４～４６．　［１４］黄浩，等．人工神经网络在岩土工程中的应用状况及前景　［Ｊ］．工业建筑，２００７，３７（Ｓ）：８４４～８４７．　［１５］冯夏庭，等．岩石力学智能化的研究思路［Ｊ］．岩石力学与工　程学报，１９９４，１３（３）：２０５～２０８．　［１　６］Ｃ　Ｌｅｅ，Ｒ　Ｓｔｅｒｌｉｎｇ．Ｉｄｅｎｔｉｆｙｉｎｇ　Ｐｒｏｂａｂｌｅ　ｆａｉｌｕｒｅ　Ｍｏｄｅｓ　ｆｏｒ　Ｕｎｄｅｒ－　ｇｒｏｕｎｄ　Ｏｐｅｎｉｎｇｓ　Ｕｓｉｎｇ　ａ　Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋ［Ｊ］．Ｉｎｔ．Ｊ．Ｒｏｃｋ　Ｍｅｃｈ．Ｍｉｎ．Ｓｃｉ．ａｎｄ　Ｇｅｏｍｅｃｈ．Ａｂｓｔｒ，１９９２，２９（１）：４９～６７．　［１７］魏一呜，等．基于神经网络的岩体质量模式识别［Ｊ］．武汉化　工学院学报，１９９４，ｌ６（３）：６２～６５．　［１８］冯夏庭，等．利用神经网络学习的岩体分级［Ｊ］．东北工学院　学报，１９９３，１４（３）：７５～８１．　［１９］冯夏庭，等．基于神经网络ＰＤＰ模型学习的岩体分级［Ｒ］．　包头：全国第五届矿山岩体力学会议，１９９２：２７６～２８１．　［２０］冯夏庭，等．人工神经网络在矿岩设计参数预报中的适应性　［Ｊ］．东北工学院学报，１９９３，（ｓ）：９２～９７．　［２１］冯夏庭，等．矿岩设计参数神经网络预报［Ｒ］．北京：全国　第三次岩石力学大会论文文集，１９９４：５７ｌ～５７６．　［２２］李继良，任天贵，高谦．深部围岩区域拉压理论及其基于　神经网络的工程应用研究［ｊ］．矿业研究与开发，１９９９，（６）．　［２３］Ｚｈａｎｇ　Ｑ，ｅｔ　ａ１．Ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋ　Ｍｏｄｅｌｓ　ｔｏ　Ｒｏｃｋ　Ｍｅｃｈａｎｉｃａｌ　ａｎｄ　Ｒｏｃｋ　Ｅｎｇｉｎｅｅｒｉｎｇ［Ｊ］．Ｉｎｔ．Ｊ．Ｒｏｃｋ　Ｍｅｅｋ．　Ｍｉｎ．Ｓｃｉ．ａｎｄ　Ｇｅｏｍｅｃｈ．Ａｂｓｔｒ，１９９１，２８（６）：５３５～５４０．　［２４］张清，等．利用人工神经元网络预测老顶来压步距［Ｊ］．煤　炭学报，１９９５，２０（１）：２５～２８．　［２５］常春，等．人工神经元网络评估综放开采顶煤可放性研究　［Ｊ］．矿山压力与顶板管理，１９９２，（４）：３６—４１．　［２６］冯夏庭，等．基于神经网络的巷道支护决策［Ｊ］．煤炭学报，　１９９５，２０（１）：３４～３８．　［２７］周科平，古德生．地下工程稳定性的模糊自组织神经网络聚　类分析模型［Ｊ］．矿业研究与开发，２００１，（５）．　［２８］杨志强，高谦，．神经网络在矿山巷道安全预测中的应用　（Ｊ］．矿业研究与开发，２００７，（３）．　［２９］杨宝根，王运森，孙豁然．面向对象的井巷、硐室支护设计的　智能专家系统［Ｊ］．矿业研究与开发，２０００，（５）．　［３０］Ｆｅｎｇ　Ｘｉａｔｉｎｇ，ｅｔ　ａ１．Ｒｏｃｋｂｕｒｓｔ　Ｐｒｅｄｉｃｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｎｅｕｒｌａ　Ｎｅｔ—　ｗｏｒｋ［Ｍ］．Ｐｒｃｏ．ｏｆ　３ｒｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｒｏｃｋｂｕｒｓｔｓ　ａｎｄ　Ｓｅｉｓｍｉｃｉｔｙ　ｉｎ　Ｍｉｎｅｓ．Ｃａｎａｄａ，１９９３：４６７～４７１．　［３１］冯夏庭，等．采矿工程智能系统——人工智能与神经网络在　矿业中的应用［Ｍ］．北京：冶金工业出版社，１９９４：１７６～　ｌ８２．　［３２］冯夏庭，等．岩石力学与工程专家系统研究新进展［Ｊ］．岩石　力学与工程学报，１９９５，１４（１）：８５～９１．　［３３］李英龙，等．新的采矿方法选择系统［Ｊ］．黄金，１９９３，１４（４）：　ｌ４一ｌ８．　［３４］冯夏庭．地下采矿方法合理识别得人工神经网络模型［Ｊ］．　金属矿山，１９９４，２１３（３）：７～ｌ１．　［３５］李英龙，等．应用神经网络方法选取采矿技术经济指标［Ｊ］．　化工矿山技术．１９９４，２３（１）：５４～５７．　［３６］苏家红．采矿方法结构参数神经网络优化识别的应用［Ｊ］．　矿业研究与开发，２００２，（４）．　［３７］李英龙，等．正交设计——神经网络方法［Ｊ］．金属矿山，　１９９３，２０４（６）：３５～３８．　［３８］李英龙，等．崩落矿岩流动性分类的人工神经网络模型［Ｊ］．　有色金属，１９９３，４５（３）：２０～２３．　维普资讯 http://www.cqvip.com ５２　采矿技术　２００８，８（４）　［３９］魏一鸣，等，采矿方法数值决策中权重分配神经网络模型　［Ｊ］．有色矿山，１９９４，１６９（４）：５５～５７，　［４９］邵立南，等．基于人工神经网络的矿井水排水量预测．煤炭　工程，２００７（１Ｏ）：９２—９４．　［４Ｏ］黄德镛，等．基于模糊推理和神经网络的采矿方法智能决策　系统［Ｊ］，有色金属，２００２，５４（２）：１０４～１０７，　［５０］李新春，等，应用神经网络评价矿区可持续发展［Ｊ］，中国矿　业大学学报，２００１，３０（４）：３９２～３９５，　［４１］魏一鸣，等，基于神经网络的采矿方法选择专家系统的研制　［Ｊ］，计算机应用与软件，１９９５，１２（５）：５１～５７．　［４２］李英龙，等，应用神经网络建立采矿经验知识库［Ｊ］，北京科　技大学学报，１９９４，１６（６）：５１２～５１６．　ｆ４３］Ｍａ　Ｙ，ｅｔ　ａ１．Ｍｉｎｅ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｄｅｓｉｇｎ　Ｅｘｐｅｒｔ　Ｓｙｓｔｅｍ　Ｂａｓｅｄ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ『Ｍ］．２４ｔｈ　ＡＰＣＯＭ　Ｐｒｏｃ．１９９３：１６９～１７３，　［４４］Ｈａｄｊｉｇｅｏｒｉｏｕ　Ｊ，ｅｔ　ａｌ，Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｍｉｎｉｎｇ　『Ｍ］，２４ｔｈ　ＡＰＣＯＭ　Ｐｒｏｃ．１９９３：１６１～１６８．　［５１］古德生，等．矿业可持续发展的神经网络评价［Ｊ］，有色金　属，２０００，５２（１）：８～ｌ　２．　［５２］常庆粮，周华强，赵才智．神经网络在膏体充填质量模型中的　应用［Ｊ］．矿业研究与开发，２００７，（５），　［５３］杨运林，盛建龙，谢晟，，基于人工神经网络的边坡安全系　数估算［Ｊ］，矿业研究与开发，２００６，（１），　［５４］李爱兵．利用可视化快速神经网络评价边坡的稳定性［Ｊ］，　矿业研究与开发，２００１，（５），　［４５］Ｆｅｎｇ　Ｘｉａｔｉｎｇ．Ａ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　Ａｐｐｒｏａｃｈ　ｆｏｒ　ｔｈｅ　Ｓｅｌｅｃｔｉｏｎ　ｏｆ　Ｕｎｄｅｒｇｒｏｕｎｄ　Ｍｉｎｉｎｇ　Ｓｙｓｔｅｍ［Ｍ］．Ｐｒｏｃ，ｏｆＩｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏ－　ｓｉｕｍ　ｏｎＭｉｎｅ　Ｐｌａｎｎｉｎｇａｎｄ　ＥｑｕｉｐｍｅｎｔＳｅｌｅｃｔｉｏｎ．Ｔｕｒｋｅｙ，１９９４：　４５６～４６１．　［５５］胡敬朋，谢广祥，基于神经网络的综放工作面生产能力预测　模型［Ｊ］．矿业研究与开发，２００５，（２），　［５６］王大尉，基于ＢＰ神经网络的燃煤着火温度的预测［Ｊ］，矿业　研究与开发，２００５，（４），　［４６］魏一鸣，等．矿床技术经济评价智能决策支持系统设计［Ｊ］，　湖南有色金属，１９９５，ｌｌ（５）：ｌ～４，　［４７］谢贤平，等，矿山通风系统评价的人工神经网络模型［Ｊ］，化　工矿山技术，１９９５，２４（４）：ｌ３～ｌ７，　［５７］李广悦，谭臻，李长山，等，原地爆破浸出筑堆块度预测的　神经网络方法研究［Ｊ］，矿业研究与开发，２００３，（６），　［５８］王学武，等，神经网络的应用与发展趋势［Ｊ］，计算机工程与　应用，２００３（３）：９８～１００，ｌｌ３，　［４８］徐君，矿井安全生产的神经网络评价［Ｊ］，辽宁工程技术　大学学报，２００５，２４（ｓ）：２８～３０，　（收稿日期：２００８～０５～１２）　（上接第４４页）　参考文献：　［１］　李　晓．“深部多中段回采地压规律及灾变失稳预测与控　［１３］　马崇武，慕青松，宜晨虹，等，金川二矿区地表开裂过程的数　值模拟［Ｊ］，矿业研究与开发，２００７，（４），　［１４］　马凤山．“金川矿区地表岩移的ＧＰＳ监测及变形规律研究”　制”阶段成果报告［Ｒ］．北京：中科院地质与地球物理研究　所，２００６，　阶段成果报告［Ｒ］．北京：中科院地质与地球物理研究所，　２００５．　［２］　陈仲杰，杨金维．金川矿区深部高应力碎胀蠕变岩体支护对　策［Ｊ］．金属矿山，２００５，（１）：ｌ８～２２．　［３］　刘高，韩文峰，聂德新．金川矿区地应力场特征［Ｊ］．天津　城市建设学院学报，２００２，８（２）：８ｌ一８５．　［４］　常忠义，张鸿恩．不留矿柱下向大面积胶结充填体的地压控　制效果［Ｊ］，岩石力学与工程学报，１９９６，１５（２）：１２８—１３４．　［５］　高建科，张海军，贾永军，等．金川二矿区ｌ６行垂直矿柱的开　［１５］　凌成，王德佳，顾元平，等．ＧＰＳ技术在露天矿边坡位移监　测中的应用［Ｊ］．煤炭工程，２００７，（１Ｏ）：９５～９７．　［１６］　刘华，苗胜军，钱洪涛，等．ＧＰＳ在水厂铁矿边坡稳定性监　测中的应用［Ｊ］．露天采矿技术，２００７，（１）：３２～３４，３７．　［１７］　韩文心．基于形变监测成果探讨万州枇杷坪古滑坡稳定性　［Ｊ］．中国地质灾害与防治学报，２００７，１８（３）：９７～１０１．　［１８］　贾宏林，冉广庆，何宝林．煤矿地裂缝的发育与成因研究　采风险分析与预测［Ｊ］．矿业研究与开发，２００８，（１）．　［６］　马崇武，慕青松，陈晓辉，等．金川二矿区上盘巷道变形破坏　与水平矿柱的关系［Ｊ］．矿业研究与开发，２００７，（５）．　［７］　王小卫，高谦．金ｉｌｌ－矿区深部开采的关键技术问胚与研　［Ｊ］．陕西煤炭，２００７，（４）：ｌＯ～ｌｌ，ｌ６．　［１９］　王永才，杨春丽．金川矿区深部矿岩地应力特征研究［Ｊ］．金　川科技，２００６，（４）：ｌＯ～ｌ５．’　［２Ｏ］　李新平，王艳丽，张成良，等．煤矿开采引起的环境地质问胚　及其对策［Ｊ］．土工基础，２００７，２１（２）：７Ｏ～７２．　［２１］　徐江，崔栋梁，陈　琪．金属矿山采空区处理方法综述　究思路［Ｊ］．采矿技术，２００２，（２）．　［８］　王正辉．充填体的质量与控制［Ｊ］．采矿技术，２００１，（３）．　［９］　吴爱祥，李宏业，王永前，等．金川二矿区深部开采面临的问　胚及对策［Ｊ］．矿业研究与开发，２００２，（６）．　［１Ｏ］王永前，杨志强，高谦．金川高应力区深部开采技术的地压　控制［Ｊ］．采矿技术，２００２，（３）．　［１１］马建青．金川二矿区ｌ　１３８ｍ分段道变形特征及稳定性研究　［Ｊ］．矿业研究与开发，２００３，（ｓ１）．　［Ｊ］．黑龙江冶金，２００７，（４）：３５～３７．　［２２］　杜国栋，李晓，丁恩保．矿体倾角对地表沉降的影响研究　［Ｊ］．金属矿山，２００６，（２）：９～ｌｌ，３Ｏ．　（收稿日期：２００８—０５—３１）　高直（１９５２一），男，陕西临潼人，地质高级工程师，主要从事　［１２］陈怀利，张海军，陈仲杰．金川二矿区受采动影响巷道的变形　特征及支护探讨［Ｊ］．采矿技术，２００７，（４）．　矿山’高效开采与岩石力学研究工作，Ｅｍａｉｌ：ｎａｖｙ２１１１＠１６３．　ｃｏｒｎ０