一种基于AFSA-MLP神经网络模型的综放开采导水裂隙带高度预测方法

一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法
技术领域
1.本发明属于煤矿安全开采技术领域，具体涉及一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法+


背景技术：

2.煤层开采会导致上覆岩层破坏，形成由冒落带和裂隙带组成的导水裂隙带，一旦导水裂隙带连通上覆富水含水层，极易发生突水灾害。传统“三下”规范中的导水裂隙带计算公式已经无法满足我国当前煤炭安全开采的需求，需要开展具有针对性的研究，尽可能多地考虑影响导水裂隙带发育的因素，建立更可靠的预测公式，提高预测的准确性。
3.目前，已有许多科研工作者从事与之相关的研究，覆岩导水裂隙带高度预测的研究一直是矿山工作者研究的重点，相关成果对于覆岩导水裂隙带高度预测具有重要作用，但由于我国矿山地质环境的复杂性和开采条件的不确定性，现有研究仍处在理论探索阶段，至今尚未形成可靠的综采覆岩导水裂隙带高度预测方法。


技术实现要素：

4.本发明的目的就在于提供一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，以解决背景技术中提出的问题。
5.本发明通过以下技术方案来实现上述目的：
6.一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，包括如下步骤：
7.s1：采集煤层综采条件下影响导水裂隙带高度的若干组指标数据和若干组导水裂隙带高度的实测数据，并在对指标数据和实测数据进行标准化处理后对所述指标数据按设定比例进行数据分类，以得出训练集数据和测试集数据；
8.s2：根据所述训练集数据和所述实测数据初始化mlp神经网络模型的权重矩阵和偏置量矩阵，采用afsa算法优化所述mlp神经网络模型得到最优权重矩阵和最优偏置量矩阵以得出afsa-mlp神经网络模型；
9.s3：将所述测试集数据代入所述afsa-mlp神经网络模型中得到输出值，对所述输出值进行标准化处理得到预测值，依据所述实测数据对所述预测值进行误差分析，以得出所述afsa-mlp神经网络模型的预测精度。
10.作为本发明的进一步优化方案，所述指标数据至少包括如下导水裂隙带高度影响因素：开采厚度、开采深度、工作面斜长以及硬岩岩性比例系数。
11.作为本发明的进一步优化方案，步骤s1中标准化处理具体为：对若干组所述指标数据和若干组所述实测数据均进行z-score标准化处理，形成若干组所述指标数据和若干组所述实测数据的均值均为0，方差均为1。
12.作为本发明的进一步优化方案，步骤s2中初始化mlp神经网络模型的权重矩阵和
偏置量矩阵具体为：
13.将所述训练集数据作为输入、将标准化后的所述实测数据作为输出构建mlp神经网络模型，采用如下公式得到mlp神经网络模型的权重矩阵和偏置量矩阵；
14.采用公式如下：
[0015][0016]
式中，zj是第个隐层节点的输出，xi为输入的所述训练集数据，yk为所述实测数据，f为relu激活函数，bj为第j个隐层节点的偏置量，bk为第k个输出节点的偏置量，w
ij
为第i个输入数据到第j个隐层之间的连接权重；w
jk
为第j个隐层到第k个输出节点的连接权重，n为第n个隐层节点，m为第m个输出节点。
[0017]
作为本发明的进一步优化方案，步骤s2中，采用afsa算法优化所述mlp神经网络模型的权重矩阵和偏置量矩阵以得出afsa-mlp神经网络模型包括：
[0018]
s2.1：根据所述连接权重矩阵和所述偏置量矩阵构成权重向量和偏置向量并以此构建人工鱼总体，再预设人工鱼的食物浓度、人工鱼个体之间的距离、人工鱼的感知距离、人工鱼移动的最大步长以及拥挤度因子，预设完成后执行步骤s2.2；
[0019]
s2.2：根据人工鱼所在位置的目标函数计算人工鱼总体中初始鱼群各人工鱼的目标值，再依次对人工鱼执行聚群、觅食、追尾行为后，更新人工鱼的状态并在目标值中取最优值,并在统计迭代次数后执行步骤s2.3；
[0020]
s2.3：判断迭代次数是否到达人工鱼总数和迭代总数，若均达到，则依据所述最优值输出mlp神经网络模型的最优向量矩阵和最优偏置向量矩阵，并执行步骤s2.4,否则继续执行步骤s2.2。
[0021]
s2.4：根据所述最优向量矩阵和所述最优偏置向量矩阵构建mlp神经网络模型。
[0022]
作为本发明的进一步优化方案，步骤s2.3中，所述迭代总数为随机预设值，且迭代总数须大于所述人工鱼总数。
[0023]
作为本发明的进一步优化方案，步骤s3中误差分析包括：
[0024]
(1)构建若干组导水裂隙带高度的实测数据与若干组所述预测值的绝对值误差数组；
[0025]
(2)依据所述绝对值误差数组计算实测数据与预测值的最大绝对值误差、平均绝对值误差以及平均相对误差；
[0026]
(3)将最大绝对值误差、平均绝对值误差以及平均相对误差作为所述afsa-mlp模型预测精度的判断标准。
[0027]
本发明的有益效果在于：
[0028]
本发明在综合分析综放开采覆岩导水裂隙带高度影响因素的基础上，从数据的可收集性以及影响的重要性出发，选取开采厚度、开采深度、工作面斜长、以及硬岩岩性比例系数4种因素作为导水裂隙带计算的重要影响因素，采用afsa智能算法优化mlp的权重和偏置量弥补mlp神经网络在误差反传过程中的缺陷，构建基于afsa-mlp的导水裂隙带高度预
测模型，通过测试集以及工程实例验证模型的实用性，为综放开采导水裂隙带预测提供一定的借鉴意义。
附图说明
[0029]
图1是本发明的整体流程示意图；
[0030]
图2是本发明中mlp神经网络模型预测导水裂隙带高度与实测值拟合图；
[0031]
图3是本发明中afsa-mlp神经网络模型预测导水裂隙带高度与实测值拟合图。
具体实施方式
[0032]
下面结合附图对本发明作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的技术人员可以根据上述发明内容对本发明作出一些非本质的改进和调整。
[0033]
实施例1
[0034]
如图1所示，本发明提供了一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，包括如下步骤：
[0035]
s1：采集煤层综采条件下影响导水裂隙带高度的若干组指标数据和若干组导水裂隙带高度的实测数据，并在对指标数据和实测数据进行标准化处理后对指标数据按设定比例进行数据分类，以得出训练集数据和测试集数据；
[0036]
s2：根据训练集数据和实测数据初始化mlp神经网络模型的权重矩阵和偏置量矩阵，采用afsa算法优化mlp神经网络模型得到最优权重矩阵和最优偏置量矩阵以得出afsa-mlp神经网络模型；
[0037]
s3：将测试集数据代入afsa-mlp神经网络模型中得到输出值，对输出值进行反标准化处理得到预测值，依据实测数据对预测值进行误差分析，以得出afsa-mlp神经网络模型的预测精度。
[0038]
本发明中，指标数据至少包括如下导水裂隙带高度影响因素：
[0039]
开采厚度：开采厚度对导水裂隙带的发育起着重要作用，其作用将直接影响到顶板岩层的应力再分布及破裂范围，而采厚越大，则顶板塑性范围区及供落岩层的空间也就越大，从而导致了冒落带的高度增加；
[0040]
开采深度：煤层开采时，围岩内原岩应力随采掘深度增大而增大，按煤矿地质原理，在采掘空间附近，其初始地应力状况与开挖后围岩的破坏范围和破坏强度有很大关系，一般情况下，矿井采掘越深，矿井压力越大，上覆岩层的破坏越严重，导水裂隙带高度越发育；
[0041]
工作面斜长：导水裂隙带与工作面尺寸中倾向尺度和走向长度中较小者关系较大。对于综放开采工作面来说，工作面的倾向长度小于走向长度。导水裂隙带受工作面斜长影响较大，根据材料力学原理，在采掘工作面上，顶板岩梁的弯曲程度随岩梁的跨度而增大，岩梁断裂的可能性也随之增大。岩梁断裂机率愈高，则导水裂隙带发育高度愈大。因此，在导水裂隙带的发展过程中，工作面斜长是必不可少重要因素；
[0042]
硬岩岩性比例系数：当上覆岩层是坚硬岩层时，在采动过程中，导水裂隙带高度发育越大，相反，当上覆岩层是软弱岩层时，导水裂隙带高度发育越小；为防止多层岩的抗压
强度取值不清楚，岩体构造类型不易定量，用硬岩岩性比例系数代替组合岩层抗压强度和岩层结构类型这两个指标，硬岩岩性比例系数是指煤层顶板以上统计高度内，硬岩与统计高度的比值按以下公式确定：
[0043][0044]
式中：m为采厚；∑h为估算的导水裂隙带高度范围内硬岩岩层累计厚度(一般为顶板倍采高)；0≤b≤0.1时为极软弱顶板类型，0.1＜b≤0.3为软弱顶板类型，0.3＜b≤0.7时为中硬顶板类型，0.7＜b≤1时为坚硬顶板类型。
[0045]
本发明中，由于中国不同矿区的地质条件具有复杂性和多样性，搜集到的各矿区导水裂隙带实测值及影响因素数据差值较大，若直接用搜集到的数据进行模型训练，会产生较大的训练误差，步骤s1中标准化处理具体为：对若干组指标数据和若干组实测数据均进行z-score标准化处理，形成若干组指标数据和若干组实测数据的均值均为0，方差均为1，数据标准化的意义是消除由于量纲不同、自身变异或者数值相差较大所引起的误差。本实施例选择的是z-score标准化，将每列数据处理成均值为0，方差为1的数据，优点是受异常值影响较小。其公式如下：
[0046][0047]
式中：x是样本值，mean是每列影响因素数据的平均值，σ是每列影响因素数据的标准差。
[0048]
本发明中，步骤s2中初始化mlp神经网络模型的权重矩阵和偏置量矩阵具体为：
[0049]
将训练集数据作为输入、将标准化后的实测数据作为输出构建mlp神经网络模型，采用如下公式得到mlp神经网络模型的权重矩阵和偏置量矩阵；
[0050]
采用公式如下：
[0051][0052]
式中，zj是第个隐层节点的输出，xi为输入的训练集数据，yk为实测数据，f为relu激活函数，bj为第j个隐层节点的偏置量，bk为第k个输出节点的偏置量，w
ij
为第i个输入数据到第j个隐层之间的连接权重；w
jk
为第j个隐层到第k个输出节点的连接权重，n为第n个隐层节点，m为第m个输出节点。
[0053]
本发明中relu激活函数公式为f＝max(0,x)。
[0054]
本发明中mlp神经网络模型在训练过程中确定权重向量与偏置向量，其在训练过程中进行学习与反馈调节，从而对各个神经元的权重与偏置进行修正。本文采用人工鱼群算法(artificial fish school algorithm，afsa)优化mlp的权重和偏置量弥补mlp神经网络模型在误差反传过程中的缺陷，构建基于afsa-mlp的导水裂隙带高度预测模型；步骤s2中采用afsa算法优化mlp神经网络模型的权重矩阵和偏置量矩阵以得出afsa-mlp神经网络
模型包括：
[0055]
s2.1：根据连接权重矩阵和偏置量矩阵构成权重向量和偏置向量并以此构建人工鱼总体，再预设人工鱼的食物浓度、人工鱼个体之间的距离、人工鱼的感知距离、人工鱼移动的最大步长以及拥挤度因子，预设完成后执行步骤s2.2；
[0056]
s2.2：根据人工鱼所在位置的目标函数计算人工鱼总体中初始鱼群各人工鱼的目标值，再依次对人工鱼执行聚群、觅食、追尾行为后，更新人工鱼的状态并在目标值中取最优值,并在统计迭代次数后执行步骤s2.3；
[0057]
其中，人工鱼总体可描述为z＝{x1,x2,x3…
,xi,
…
,xm}(连接权重w与偏置量b)，m表示af的总数，xi＝(x1,x2,
…
,xn)表示af的个体状态(连接权重w与偏置量b)，xi为将要寻优的变量(最优的权重向量和最优的偏置向量)，人工鱼当前所在位置的食物浓度为y＝f(x)(目标函数)，其中y即为目标函数值，人工鱼个体之间的距离表示为d＝|x
i-xj|，visual表示人工鱼的感知距离，step表示人工鱼移动的最大步长，δ为拥挤度因子，0＜δ＜1。
[0058]
s2.3：判断迭代次数是否到达人工鱼总数和迭代总数，若均达到，则依据最优值输出mlp神经网络模型的最优向量矩阵和最优偏置向量矩阵，并执行步骤s2.4,否则继续执行步骤s2.2。
[0059]
s2.4：根据最优向量矩阵和最优偏置向量矩阵构建mlp神经网络模型。
[0060]
其中，对人工鱼执行的聚群、觅食、追尾行为依次为：
[0061]
(1)觅食行为。人工鱼当前的状态为xi，在其感知范围中随机选择一个状态为xj，xj＝xi+rand(
·
)
×
visual，rand(
·
)表示0～1之间的任意一个随机数。比较两次的食物浓度函数y，当yi＜yj，则向该方向前进一步；反之，再选择一种状态xj进行比较。反复尝试最大试探次数次后，如果仍不满足人工鱼的前进条件，则随机前进一步。公式为
[0062][0063]
(2)聚群行为。当前视野范围内人工鱼数目n0及聚群中心人工鱼位置xc，中心人工鱼食物浓度yc。当则向该方向前进一步,否则进行觅食行为，
[0064][0065]
(3)追尾行为。当前视野范围内yj最小的人工鱼为xj，当时，向该方向前进一步，否则，进行觅食行为，
[0066][0067]
具体结合图1，首先在参数区间内随机生成人工鱼并计算食物浓度函数(目标函数)，记录目标值，其次将每个人工鱼进行上述3种行为后的状态与目标值进行比较后选择最优值，试验进行(迭代总数)次迭代后，人工鱼的状态即为最优状态，则依据最优值确定mlp神经网络模型的最优向量矩阵和最优偏置向量矩阵。
[0068]
本发明中，步骤s2.3中，迭代总数为随机预设值，且迭代总数须大于人工鱼总数。
[0069]
进一步的，步骤s3中误差分析包括：
[0070]
首先构建若干组导水裂隙带高度的实测数据与若干组预测值的绝对值误差数组；其次依据绝对值误差数组计算实测数据与预测值的最大绝对值误差、平均绝对值误差以及平均相对误差；最后将最大绝对值误差、平均绝对值误差以及平均相对误差作为afsa-mlp模型预测精度的判断标准。
[0071]
下面结合实际案例对上述预测方法进一步进行说明：
[0072]
案例1：基于mlp的综放开采导水裂隙带高度预测模型
[0073]
选取缓倾斜煤层(倾角《25
°
)、综采条件下的83组符合导高预测模型研究要求的高质量样本。部分实验数据如表1所示：
[0074]
表1.导水裂隙带实测值及影响因素数据(部分)；
[0075][0076]
表1中m是开采厚度，b是硬岩岩性比例系数，l是工作面斜长，h是开采深度，hf是导水裂隙带高度。
[0077]
采用z-score标准化对导水裂隙带实测值和影响因素数据进行标准化处理，使得将每列数据处理成均值为0，方差为1的数据，优点是受异常值影响较小，具体如表2。
[0078]
表2.标准化后的导水裂隙带实测值及影响因素数据(部分)
[0079][0080]
本案例中将标准化后的数据按8：2的比例分为训练集和测试集，再将训练集数据和实测数据输入mlp模型训练和测试，因为前文将每列数据处理成均值为0，方差为1的数据，需将预测出的导水裂隙带高度的预测值进行反标准化处理恢复成原来大小的数据，公式如下，结果如图2所示：
[0081]
x＝x1σ+mean
[0082]
经计算，未经过afsa算法优化的mlp模型预测导水裂隙带高度与实测值的最大绝对值误差为6.6m，最小绝对值误差为0.1m，平均绝对误差为2.5m；最大相对误差为16.3％，最小相对误差为0.3％，平均相对误差6.1％。由案例1可知，mlp模型预测导水裂隙带高度存在部分样本精度不高、模型精度不稳定等问题，基于mlp的导水裂隙带高度预测模型精度需要进一步的完善和提高。
[0083]
案例2：基于afsa-mlp的综放开采导水裂隙带高度预测模型
[0084]
同样采用案例1中缓倾斜煤层(倾角《25
°
)、综采条件下的83组符合导高预测模型研究要求的高质量样本，并依次执行以下预测流程：
[0085]
(1)对导水裂隙带高度实测值与影响因素数据z-score标准化，将标准化后的数据进行数据分类，按照8:2的比例分成训练数据与测试数据。
[0086]
(2)确定mlp神经网络结构以及初始化mlp神经网络参数，具体为将训练集数据作为输入、将标准化后的实测值作为输出构建mlp神经网络模型，并依据mlp神经网络的公式得到mlp神经网络模型的权重矩阵和偏置量矩阵。
[0087]
(3)使用afsa算法优化mlp神经网络的权重矩阵和偏置量矩阵；利用测试数据验证
训练好的mlp模型，计算输出值。
[0088]
(4)对输出值进行反标准化处理，输出预测结果，与导水裂隙带实测值进行误差分析，计算模型精度。
[0089]
需要说明的是，误差分析过程中采用的实测数据是未经过标准化处理的实测数据。
[0090]
本发明中，案例1和案例2的实验中用afsa算法优化所述mlp神经网络模型的权重矩阵和偏置量矩阵以得出afsa-mlp神经网络模型，迭代总数优选为为100次。
[0091]
其中，将输出值进行反标准化处理后与实测值进行拟合，参考图3，可以得到，afsa-mlp模型预测导水裂隙带高度与实测值的最大绝对值误差为2.9m，平均绝对值误差为1.1m；平均相对误差为2.6％。
[0092]
综合案例1和案例2的误差分析结果，afsa-mlp神经网络模型相比于mlp神经网络模型预测综放开采导水裂隙带高度精度较高、稳定性较强，这是由于采用afsa智能算法优化mlp的权重和偏置量弥补了mlp神经网络在误差反传过程中的缺陷。
[0093]
为了进一步验证afsa-mlp模型的工程实用价值，本发明通过将该预测方法应用于榆林神树畔煤矿工作面的采动覆岩导水裂隙带高度进行预测如下：
[0094]
实际测得神树畔某一煤层工作面平均斜长200m，平均采厚11.18m，平均采深673m，硬岩岩性比例系数为0.95，该工作面的实测采动覆岩导水裂隙带高度为93.58m。
[0095]
将以上参数输入afsa-mlp预测模型，预测神树畔工作面采动覆岩导水裂隙带高度为91.8m，预测值与实测值的绝对误差为1.78m，相对误差为1.9％。
[0096]
综上，工程实例结果表明，基于afsa-mlp的综放开采导水裂隙带预测模型精度较高且具有一定的工程实用价值。
[0097]
本发明在综合分析综放开采覆岩导水裂隙带高度影响因素的基础上，从数据的可收集性以及影响的重要性出发，选取开采厚度、开采深度、工作面斜长、以及硬岩岩性比例系数4种因素作为导水裂隙带计算的重要影响因素，采用afsa智能算法优化mlp的权重和偏置量弥补mlp神经网络在误差反传过程中的缺陷，构建基于afsa-mlp的导水裂隙带高度预测模型，通过测试集以及工程实例验证模型的实用性，为综放开采导水裂隙带预测提供一定的借鉴意义。
[0098]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

技术特征：
1.一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于，包括如下步骤：s1：采集煤层综采条件下影响导水裂隙带高度的若干组指标数据和若干组导水裂隙带高度的实测数据，并在对指标数据和实测数据进行标准化处理后对所述指标数据按设定比例进行数据分类，以得出训练集数据和测试集数据；s2：根据所述训练集数据和所述实测数据初始化mlp神经网络模型的权重矩阵和偏置量矩阵，采用afsa算法优化所述mlp神经网络模型得到最优权重矩阵和最优偏置量矩阵以得出afsa-mlp神经网络模型；s3：将所述测试集数据代入所述afsa-mlp神经网络模型中得到输出值，对所述输出值进行反标准化处理得到预测值，依据所述实测数据对所述预测值进行误差分析，以得出所述afsa-mlp神经网络模型的预测精度。2.根据权利要求1所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：所述指标数据至少包括如下导水裂隙带高度影响因素：开采厚度、开采深度、工作面斜长以及硬岩岩性比例系数。3.根据权利要求1所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：步骤s1中标准化处理具体为：对若干组所述指标数据和若干组所述实测数据均进行z-score标准化处理，形成若干组所述指标数据和若干组所述实测数据的均值均为0，方差均为1。4.根据权利要求1所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：步骤s2中初始化mlp神经网络模型的权重矩阵和偏置量矩阵具体为：将所述训练集数据作为输入、将标准化后的所述实测数据作为输出构建mlp神经网络模型，采用如下公式得到mlp神经网络模型的权重矩阵和偏置量矩阵；采用公式如下：式中，z
j
是第个隐层节点的输出，x
i
为输入的所述训练集数据，y
k
为所述实测数据，f为relu激活函数，b
j
为第j个隐层节点的偏置量，b
k
为第k个输出节点的偏置量，w
ij
为第i个输入数据到第j个隐层之间的连接权重；w
jk
为第j个隐层到第k个输出节点的连接权重，n为第n个隐层节点，m为第m个输出节点。5.根据权利要求4所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：步骤s2中，采用afsa算法优化所述mlp神经网络模型的权重矩阵和偏置量矩阵以得出afsa-mlp神经网络模型包括：s2.1：根据所述连接权重矩阵和所述偏置量矩阵构成权重向量和偏置向量并以此构建人工鱼总体，再预设人工鱼的食物浓度、人工鱼个体之间的距离、人工鱼的感知距离、人工
鱼移动的最大步长以及拥挤度因子，预设完成后执行步骤s2.2；s2.2：根据人工鱼所在位置的目标函数计算人工鱼总体中初始鱼群各人工鱼的目标值，再依次对人工鱼执行聚群、觅食、追尾行为后，更新人工鱼的状态并在目标值中取最优值,并在统计迭代次数后执行步骤s2.3；s2.3：判断迭代次数是否到达人工鱼总数和迭代总数，若均达到，则依据所述最优值输出mlp神经网络模型的最优向量矩阵和最优偏置向量矩阵，并执行步骤s2.4,否则继续执行步骤s2.2。s2.4：根据所述最优向量矩阵和所述最优偏置向量矩阵构建mlp神经网络模型。6.根据权利要求5所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：步骤s2.3中，所述迭代总数为随机预设值，且迭代总数须大于所述人工鱼总数。7.根据权利要求1所述的一种基于afsa-mlp神经网络模型的综放开采导水裂隙带高度预测方法，其特征在于：步骤s3中误差分析包括：(1)构建若干组导水裂隙带高度的实测数据与若干组所述预测值的绝对值误差数组；(2)依据所述绝对值误差数组计算实测数据与预测值的最大绝对值误差、平均绝对值误差以及平均相对误差；(3)将最大绝对值误差、平均绝对值误差以及平均相对误差作为所述afsa-mlp模型预测精度的判断标准。

技术总结
本发明属于煤矿安全开采技术领域内的一种基于AFSA-MLP神经网络模型的综放开采导水裂隙带高度预测方法，包括采集导水裂隙带高度影响因素数据和实测数据，标准化处理后分类得到训练集数据和测试集数据，根据分类后数据初始化MLP神经网络模型的权重矩阵和偏置量矩阵，采用AFSA算法优化MLP神经网络模型得到最优权重矩阵和最优偏置量矩阵以得出AFSA-MLP神经网络模型，将测试集数据代入AFSA-MLP神经网络模型中得到输出值，再进行反标准化处理得到预测值并进行精度判断；本发明在综合分析综放开采覆岩导水裂隙带高度影响因素，并采用AFSA智能算法优化MLP的权重和偏置量弥补MLP神经网络在误差反传过程中的缺陷，构建基于AFSA-MLP的导水裂隙带高度预测模型进一步提高了预测精度。高了预测精度。高了预测精度。


技术研发人员：王磊 李世保
受保护的技术使用者：安徽理工大学
技术研发日：2023.04.26
技术公布日：2023/8/4