2.4矸石与粉煤灰压实特性

　　压实度k的定义为充填材料在压实过程中受外力作用而被压实的程度。它用压实后的体积Vys与原松散状态下的总体积Vs之比来表示。

　　由图2-3可知，充填材料的压实度k随着压实力σ的增大而减小，特别在初始阶段，由于材料的松散程度较大，因此产生的压缩量较大，表现为压实度k变化较快。在试验曲线中取的当压力为7MPa时，不同配比的压实度。由以上试验数据，可知不同配比情况下有不同的压实度，但是无法判断最优的配合比是否在试验配比当中，因此有必要采用神经网络和遗传算法进行寻优。

　　3BP神经网络和遗传算法寻优

　　3.1BP神经网络和遗传算法简介

　　人工神经网络（ArtificialNeuralNetwork，简称ANN）是模拟人脑学习、处理和记忆方式，在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人工神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它是一个由大量简单元件互相连接而成的复杂网络，具有高度的非线性，能够进行复杂的逻辑操作和非线性关系实现的系统。BP神经网络又称为误差反向传播（BackPropagation）神经网络，是一种多层前馈神经网络，具有广泛的适应性和有效性，主要应用于模式识别和分类等方面。[3]

　　遗传算法（GeneticAlgorithm，简称GA）是一种模仿自然界生物进化思想而得出的一种自适应启发式全局搜索算法，其实质是由复制-交换-变异算子组成的周而复始的循环过程。这种方法由于仿效生物的进化与遗传，根据"生存竞争"和"优胜劣汰"的原则，借助复制、交换、变异等操作，使要解决的问题一步步逼近最优解或近优解。[4]

　　在充填配比试验中，由于条件的限制，我们只能进行有限次的试验，而且试验配比是建立在经验的基础上，所以得到的试验结果往往不是最优的配比，但是我们可以认为在一定的配比情况下获得对应的压实度值，两者之间存在一定的非线性映射关系，通过建立神经网络结构，把配比作为输入数据，把压实度值作为输出数据训练神经网络，训练后的网络可以预测不同配比情况下的压实度值。然后把配比值作为遗传算法中种群个体，把网络预测的压实度值作为个体适应度值，通过遗传算法推导最优试验结果及其对应的配比。

　　3.2模型建立

　　神经网络遗传算法极值寻优主要分为BP神经网络训练拟合和遗传算法极值寻优两步。神经网络训练拟合根据试验条件和试验结果的特点构建合适的BP神经网络，用部分试验结果的输入输出训练BP神经网络，训练后的BP神经网络就可以预测函数输出。遗传算法极值寻优把训练后的BP神经网络预测结果作为个体适应度值，通过选择、交叉和变异操作寻找压实度的全局最优值及对应输入配比值。

　　3.3BP神经网络训练和遗传算法计算

　　利用MATLAB神经网络工具箱进行网络创建、训练、仿真和输出，网络有2个输入参数、1个输出参数，通过试凑隐藏层神经元个数比较输出结果与期望结果的误差，如图2-2所示，发现当隐藏层为2层，第一个隐藏层有8个神经元，第二个隐藏层有2个神经元时，网络的输出误差最低，因此确定BP神经网络结构为2-8-2-1。取试验的12组数据训练网络，并测试网络性能，网络训练好后用于预测输出。通过预测输出图可以看出预测输出与期望输出基本上吻合，但是每次验证的结果都会不同，因此BP神经网络的预测精度对于最优位置的寻找具有非常重要的意义，在进行拟合的时候要寻找最优BP网络结果，然后进行遗传算法寻优计算。

　　遗传算法中个体采用实数编码，由于试验配比只有两个输入参数，所以个体长度为2，迭代次数是100次，种群规模是20，个体适应度值为BP神经网络预测值，适应度值越大，个体最优，交叉概率为0.2，变异概率为0.1。经过遗传算法得到的最优个体适应度值为0.8490，最优个体为[0.9972，0.6521]，此时的配比为1：0.654，这个比值只是某次试验情况下的结果，不一定是所有试验最优结果，但是基本接近最优结果，我们可以根据得到的结果优化实际中的矸石和粉煤灰配比，达到最优的状态。[5]，[6]，[7]

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。