基于数值模拟与GA-BP神经网络的工作面液压支架压力超前预测及风险分级控制

《Frontiers in Earth Science》：Research on pressure predictive control algorithm of hydraulic support in working face based on numerical simulation and GA-BP neural network

　　

针对工作面液压支架（hydraulic support）压力难以感知的问题，本文以10401综采工作面（fully mechanized mining face）为工程背景，采用FLAC3D建立工作面—液压支架三维数值模型，获得100个液压支架在17个推进进度下的连续压力样本。以支架位置、推进进度和连续历史压力为输入，构建遗传算法（genetic algorithm, GA）优化的反向传播神经网络（back-propagation neural network, BP）三步骤超前压力预测模型（GA-BP）。结合预测压力利用率（pressure utilization rate）、压力增长率（pressure growth rate）和预测不确定性（prediction uncertainty），建立四级矿压风险判定与分级控制方法。结果表明，GA-BP模型测试集的平均绝对误差（mean absolute error, MAE）、均方根误差（root mean square error, RMSE）和平均绝对百分比误差（mean absolute percentage error, MAPE）分别为1.78 MPa、1.94 MPa和7.089%，较普通BP模型分别降低36.29%、37.93%和48.66%，决定系数（coefficient of determination, R²）由0.795提高至0.921。基于时间滞后（time hysteresis）和空间联动（spatial linkage）修正，300个测试样本的四级风险识别准确率达到87.33%，宏平均F1值（macro average F1）为85.68%。将III级和IV级定义为高风险状态时，高风险召回率（recall）达到100%，当前测试数据中未出现高风险漏报样本。所构建算法可为综采工作面液压支架初撑力（initial support force）调整、推进速度（advance speed）控制和相邻支架协同控制提供参考。

论文解读：煤炭资源开采正由机械化、自动化向数字化、智能化发展，综采工作面（fully mechanized mining face）逐步形成环境感知、状态预测、智能决策和装备控制的生产模式。工作面推进会引起顶板垮落、周期断裂和覆岩应力重分布，使矿压（mine pressure）呈非线性、时变和突发特征。液压支架（hydraulic support）是控制顶板、维护工作空间的核心装备，其立柱压力和工作阻力可直接反映顶板载荷与周期来压强度，是判断顶板稳定状态和制定支护策略的重要依据。仅依靠实时监测值进行被动调整，难以在矿压快速变化前完成支架预调整，因此支架工作阻力预测成为主动支护控制的重要前提。已有研究在支架姿态控制、工作阻力预测和时空特征提取方面取得进展，但仍存在预测模型未充分考虑支架空间位置与推进阶段协同作用、传统BP（back-propagation）神经网络对初始权重和偏置敏感且易收敛不稳定或陷入局部最优、预测结果与液压支架控制参数之间缺乏完整映射等问题。为此，研究人员以10401综采工作面为工程背景，构建GA-BP（遗传算法优化BP神经网络）三步骤超前压力预测模型，并结合压力利用率、压力增长率和预测不确定性建立四级矿压风险判定与分级控制方法，以实现矿压监测、趋势预测、风险判定到支护控制决策的衔接。其意义在于为液压支架初撑力调整、推进速度控制和邻架协同提供参考。

关键技术方法与样本来源：以10401综采工作面为样本来源，采用FLAC3D（三维有限差分数值模拟软件）建立工作面—液压支架三维数值模型，模拟推进移架并采集100个支架17个推进步的1700个有效压力样本；以支架位置、推进进度和连续历史压力为输入，构建GA-BP三步骤超前预测模型，用遗传算法在BP参数邻域优化权重和偏置；以MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）和R²（决定系数）评价预测性能；基于开发集分位数确定风险参考压力和阈值，结合预测标准差、时间滞后（time hysteresis）和空间联动（spatial linkage）修正进行四级风险判定；按风险等级输出初撑力系数、推进速度系数、邻架联动范围和监测间隔。现场第8、12推进步监测数据用于模型可靠性验证。

4.1 顶板压力监测数据分析：基于FLAC3D数值模拟获得100个液压支架17个推进步1700个有效压力样本。各推进步平均压力为25.24～29.44 MPa，第6步最高29.44 MPa，第17步降至25.24 MPa，较峰值低14.26%；支架间离散性随推进增大，第17步变异系数达27.43%。沿工作面支架载荷总体呈中部高、两端低，No.31～70支架平均压力31.245 MPa，显著高于两端；No.62支架第17步平均压力最高34.472 MPa，No.1支架最低3.269 MPa。由此得出矿压具有强时间连续性和明显空间非均匀性，预测模型同时引入支架位置、当前推进步和连续历史压力可反映支架载荷状态和矿压演化特征。

4.2 GA-BP矿压预测结果：通过比较不同隐含层节点平均RMSE确定最优结构为5-6-1。测试集普通BP模型RMSE为3.13、R²为0.79；GA-BP模型MAE由2.80降至1.78，降低36.29%，RMSE由3.13降至1.94，降低37.93%，MAPE由13.80%降至7.089%，降低48.66%，R²由0.795升至0.921。第15～17推进步RMSE分别为1.59、1.67和2.45，R²分别为0.94、0.94和0.87；随目标推进步增加误差增大，但R²仍高于0.87。10次重复实验显示验证集平均RMSE由1.406降至1.31，平均R²由0.94升至0.95；测试集平均RMSE由2.21降至2.18。测试集300样本中294个预测值高于实际、6个低于实际，平均有符号误差为+1.77 MPa，模型对下降趋势幅度有一定低估，但系统偏差较普通BP的+2.8 MPa显著降低。结论是GA优化可改善代表模型的预测精度、稳定性和绝对压力拟合能力。

4.3 分级控制算法应用结果：基于GA-BP三步骤超前预测压力进行顶板矿压风险分级。风险参考压力取开发集压力95%分位数38.08 MPa；按验证集RMSE 1.125设置风险决策裕度0.0355；真实风险等级采用压力利用率0.60/0.75/0.90，预测风险等级I/II和III/IV截止值调整为0.63和0.93，II/III保持0.75。测试集300个样本中，真实I～IV级分别为76、72、124、28个，预测I～IV级分别为74、53、138、35个。四级风险识别准确率87.33%，平均等级绝对误差0.127，宏平均F1值85.68%；III和IV合并为高风险后，召回率100%，漏报率为0，高风险准确率87.86%，误报率14.19%。I级准确率100%、召回率97.37%，II级准确率96.23%、召回率70.83%，III级准确率81.88%、召回率91.13%，IV级准确率68.57%、召回率85.71%；所有误判均发生在相邻等级。300样本中38个误判，34个高估一级、4个低估一级，整体具安全保守倾向。基础风险判定阶段四级准确率80.00%，经时间滞后修正后升至85.00%，空间联动修正后升至87.33%；第15～17步识别准确率分别为85%、91%、86%。最终生成74个I级常规支护、53个II级关注控制、138个III级预警控制、35个IV级风险控制指令；I级保持原参数，II级初撑力系数1.05、推进速度0.90倍，III级初撑力系数1.10、推进速度0.75倍并启动报警和邻架联动，IV级初撑力系数1.15并暂停推进。结论是算法可提前3步识别矿压风险并生成差异化支护与推进控制指令。

讨论部分指出，数值模拟误差可能经训练样本传递至压力预测和风险判定，模拟压力整体偏高可能增加风险等级高估和误报，偏低可能增加低估和漏报；本文通过预测不确定性修正、验证集决策裕度、时间滞后和空间联动机制降低误差传播影响。模型训练与验证来自10401工作面，结果目前主要适用于本研究地质条件和开采参数；预测框架和GA-BP优化方法具一定通用性，但网络权重、压力参考值和风险分级参数不宜直接迁移，类似条件需数据归一化和局部参数校准。

研究结论（翻译）：基于FLAC3D建立工作面与液压支架三维数值模型，获得100个液压支架17个推进步1700组有效压力样本。结果表明工作面矿压具有显著时间连续性和空间非均匀性：各推进步平均压力25.24～29.44 MPa，第6推进步最大29.44 MPa，第17推进步降至25.24 MPa，较峰值低14.26%；支架间离散性随推进增大，第17推进步变异系数达27.43%；沿工作面方向支架载荷总体呈“中部高、两端低”，No.31～70支架平均压力31.245 MPa，显著高于两端，说明中部是顶板载荷集中、矿压异常识别和液压支架重点控制区域。以支架位置、当前推进步和连续三步压力为输入、未来第三步压力增量为输出构建GA-BP模型，并采用遗传算法优化BP网络权重和偏置。结果表明GA-BP模型能准确跟踪支架压力空间分布和演化趋势；测试集MAE、RMSE和MAPE分别为1.78 MPa、1.94 MPa和7.089%，较普通BP模型分别降低36.29%、37.93%和48.66%，R²由0.795提高至0.921；第15～17推进步R²分别为0.94、0.94和0.87，说明推进后期压力离散性增强条件下模型仍具良好超前预测能力。基于GA-BP超前预测结果，结合压力利用率、压力增长率和预测标准差构建四级矿压风险判定方法，并引入时间滞后和空间联动机制，实现风险等级向初撑力、推进速度、邻架范围和监测频率的映射。300个测试样本四级风险识别准确率87.33%，平均绝对误差0.127，宏平均F1值85.68%；将III级和IV级合并为高风险后，准确率、召回率和F1值分别达87.86%、100%和93.54%，无高风险漏报样本。算法可提前3步生成控制指令，III级初撑力增至1.10倍、推进速度降至0.75倍，IV级初撑力增至1.15倍并暂停推进。本研究模型训练与验证源于10401工作面，结果目前主要适用于本研究地质条件和开采参数；预测框架和GA-BP参数优化方法具一定通用性，但不同工作面地质条件和液压支架类型会改变支架压力演化规律，所得网络权重、压力参考值和风险分级参数不宜直接迁移，类似条件需数据归一化和局部参数校准后应用。后续将通过不同埋深、顶板条件、支架类型和推进参数的多工作面数据开展跨面验证。