1.一种基于优化神经网络的煤体应力智能预测和异径卸压方法，其特征在于，所述方法包括如下步骤：S1：训练集数据采集

S1.1：在回采工作面推进方向上选取一个取样工作面，根据冲击地压危险程度设计卸压孔，每个卸压孔附近至少设计一个用于监测应力的伴随孔；

S1.2：钻孔施工及数据采集

S1.2.1：首先钻取伴随孔，伴随孔的钻取方法分以下两种情形施工：第一种情形，当煤的普氏系数≥3.0时，在每个卸压孔附近钻一个与其平行的伴随孔，伴随孔与卸压孔处于同一水平面且孔深相同，在伴随孔内沿着孔深等间隔设置多个钻孔应力计；

第二种情形，当煤的普氏系数＜3.0时，围绕卸压孔一周等间距钻取多个深度等量增加的伴随孔，且最深的那个伴随孔的深度和卸压孔深度相等，在每个伴随孔孔底安置一个钻孔应力计；

S1.2.2：等伴随孔钻取完毕后，开始钻取卸压孔，卸压孔每钻进到与伴随孔内钻孔应力计同等深度位置时采集钻机的随钻参数a，同时采集该应力计的应力值b；

S2：建立预测模型

S2.1：样本数据集整理

整理全部卸压孔钻进时采集的随钻参数a和伴随孔内应力计的应力值b组成训练集；

S2.2：神经网络预测模型建立

2

采用决定系数R 作为模型预测精度的评价指标，设置不同数量的训练样本、隐含层、隐含层节点以及不同随钻参数组合作为自变量，模型预测精度作为因变量，建立对应的人工神经网络模型的对比实验，建立神经网络预测模型；

S2.3:优化的神经网络模型建立

分别采用遗传算法和粒子群算法优化S2.2建立的神经网络预测模型；

S2.4：通过对比步骤S2.2和步骤S2.3共获得的三种神经网络预测模型的决定系数，优选出最佳神经网络预测模型；

S3：煤体应力智能预测和异径卸压

S3.1：煤体应力智能预测

选取取样工作面相邻工作面为预测工作面，在预测工作面进行卸压孔施工时同时采集随钻参数，采用步骤S2已构建的最佳神经网络预测模型对煤体应力进行实时预测；

S3.2：根据煤体应力分布规律确定异径卸压方案

依据煤体应力预测值，分析煤体应力分布规律，据此确定异径卸压方案；

S3.3：预测模型修正

在预测工作面进行卸压钻孔时，要每隔一段距离对最佳神经网络预测模型进行修正，利用修正后的神经网络预测模型对煤体时的应力值进行预测，预测模型修正的具体过程是：在预测工作面进行卸压钻孔时，每隔一段距离挑选出若干个卸压孔钻取应力监测伴随孔作为验证伴随孔，按照步骤S1.2的方法施工验证伴随孔并采集应力值和对应位置卸压孔的随钻参数，组成验证数据集，依据此验证数据集，对步骤S2.4的最佳神经网络预测模型进行误差验证；如误差超过设定范围，则将该验证数据集加入步骤S1的训练样本集，进而对模型进行修正，利用修正后的神经网络预测模型对采动时的煤体应力值进行预测，如误差在设定范围之内，则模型无需修正。

2.如权利要求1所述的基于优化神经网络的煤体应力智能预测和异径卸压方法，其特征在于，步骤S1.2.2中所述的随钻参数a包括钻进参数和振动参数，所述的钻进参数包括旋转速度、给进压力、马达扭矩、电流电压和电机实时功率，所述的振动参数包括平均值、标准差、均方差和重心频率。

3.如权利要求1所述的基于优化神经网络的煤体应力智能预测和异径卸压方法，其特征在于，步骤3.2的具体方法为：依据煤体应力预测值，分析煤体应力分布规律，区分出高应力区和低应力区，根据高应力区的分布情况确定卸压钻孔的扩孔位置和孔径段长度，根据高应力区应力大小确定扩孔的孔径，当卸压孔钻进施工到扩孔位置时，按照确定的扩孔段长度和孔径大小实施扩径施工。