【摘要】：煤與瓦斯突出預(yù)測是一個多維的、復(fù)雜的非線性預(yù)測系統(tǒng),隨著數(shù)據(jù)挖掘技術(shù)和機(jī)器學(xué)習(xí)的快速發(fā)展,運(yùn)用一些智能化的機(jī)器學(xué)習(xí)方法可以有效地解決這種類型的問題,將它們引入煤與瓦斯突出的預(yù)測中,有較高的適應(yīng)性。通過總結(jié)分析煤與瓦斯突出的機(jī)理,分析提出了對突出影響較大的七個方面因素,在此基礎(chǔ)上,結(jié)合實際情況,建立了預(yù)測突出的參數(shù)體系,但是,如此之多的參數(shù)作為輸入進(jìn)入預(yù)測模型,模型會由于輸入?yún)?shù)的維度較大而變得復(fù)雜,影響計算效率,降低模型的泛化能力。引入灰色系統(tǒng)理論中的灰色關(guān)聯(lián)分析方法,分析每個參數(shù)與研究問題之間的關(guān)聯(lián)程度,通過對它們之間關(guān)聯(lián)度的計算,根據(jù)其結(jié)果篩選出能夠最大程度反映研究問題的主控因素,以此達(dá)到維度優(yōu)化的目的。選擇主控因素作為輸入進(jìn)行煤與瓦斯突出的預(yù)測,在煤礦收集的樣本數(shù)據(jù)分為訓(xùn)練樣本集和測試樣本集,樣本集用來訓(xùn)練模型,測試集用來驗證模型的預(yù)測精度。首先運(yùn)用支持向量機(jī)(SVM)預(yù)測模型進(jìn)行突出訓(xùn)練預(yù)測,預(yù)測結(jié)果的決定系數(shù)為0.90935,通過與BP神經(jīng)元網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果對比分析,結(jié)果顯示支持向量機(jī)預(yù)測精度較高,表明在對小樣本數(shù)據(jù)的預(yù)測中,SVM比BP神經(jīng)元網(wǎng)絡(luò)有更高的適應(yīng)性。由于SVM核函數(shù)中的懲罰因子C和核函數(shù)參數(shù)g的組合選取會影響模型的預(yù)測性能,傳統(tǒng)的方法在尋找C和g的組合時容易陷入局部最優(yōu)解的窘境,文章引入粒子群算法(PSO)來對SVM的這兩個參數(shù)進(jìn)行優(yōu)化,粒子群算法從全局的角度出發(fā)對參數(shù)進(jìn)行尋優(yōu),能夠極大程度的降低局部最優(yōu)解出現(xiàn)的情況。運(yùn)用PSO-SVM預(yù)測模型對突出進(jìn)行訓(xùn)練預(yù)測,并且通過與目前常用的優(yōu)化算法——遺傳算法(GA)優(yōu)化后的模型GA-SVM預(yù)測結(jié)果比較,結(jié)果顯示,兩種優(yōu)化算法都有較好的尋優(yōu)效果,PSO-SVM模型的預(yù)測結(jié)果決定系數(shù)為0.93654,高于GA-SVM預(yù)測結(jié)果,相較于遺傳算法,粒子群算法結(jié)構(gòu)簡單,收斂速度快,計算效率高,有較高的推廣能力。文章還對PSO-SVM模型的穩(wěn)定性作了測試,測試結(jié)果顯示其穩(wěn)定性高,并對預(yù)測結(jié)果作了驗證,驗證結(jié)果顯示PSO-SVM模型預(yù)測的結(jié)果與實際情況一致,加之其較高的預(yù)測精度,可以看出其在煤與瓦斯突出預(yù)測中有較高的應(yīng)用價值。
【圖文】：

圖 2-1 幾種常見的瓦斯含量增高區(qū)域1-不透氣巖層；2-煤層瓦斯含量增高區(qū)域；3-煤層（該圖來自顏愛華[82]文獻(xiàn)）Figure 2-1 Several common areas of elevated gas content1- Airtight formation; 2-Coal seam gas content increase area;3- Coal seam煤體結(jié)構(gòu)及物理學(xué)性質(zhì)質(zhì)活動會打破煤體的原始狀態(tài)，，破壞其原始的內(nèi)部結(jié)構(gòu)和特征，被自身強(qiáng)度較原始狀態(tài)會大打折扣，當(dāng)再次受到比較大的沖擊時，其的能力也會因受到影響而下降，更容易發(fā)生突出，地質(zhì)活動對其破就越容易發(fā)生突出。煤體的物理學(xué)性質(zhì)是表示其對瓦斯的吸附和解當(dāng)其對瓦斯的吸附能力強(qiáng)時，反映了有大量的瓦斯附著在了煤體中斯的能力弱時，也會有大量瓦斯保留在煤體中，如果這幾種情況同時臨近采掘空間時，就容易發(fā)生突出。瓦斯?fàn)顟B(tài)斯在煤體中以游離態(tài)和吸附態(tài)的形式存在的。在突出發(fā)生的時候，僅僅提供了一部分瓦斯量，有大部分瓦斯來自于吸附狀態(tài)，瓦斯能

習(xí)方法中普遍采用使 empR 最小化，以滿足訓(xùn)理論上通過增加訓(xùn)練樣本來不斷滿足 empR 最，甚至可以達(dá)到 empR 為 0。但是，樣本數(shù)據(jù)據(jù)的同時，相當(dāng)于擴(kuò)大了算法體量，導(dǎo)致 VC 一起增大�？傮w來看，這樣的結(jié)果不僅不會讓這樣，與我們最初的研究目的相悖，不能夠達(dá)到習(xí)產(chǎn)生過學(xué)習(xí)的原因，相反，如果以降低 體的訓(xùn)練樣本數(shù)量，使得訓(xùn)練過程中 empR 不這是機(jī)器學(xué)習(xí)欠學(xué)習(xí)的原因。個問題深入地了解，發(fā)現(xiàn)將一個大的函數(shù)集拆分按照 VC 維的大小順序進(jìn)行排列，尋找每個子同時考慮 和 ，進(jìn)而找到 的思想稱作作結(jié)構(gòu)風(fēng)險最小化 ( Structural Risk M[101])即 SRM 準(zhǔn)則。
【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TD713

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王超杰;蔣承林;楊丁丁;胡銀彭;;煤與瓦斯突出強(qiáng)度預(yù)測研究現(xiàn)狀分析[J];煤礦安全;2015年12期

2 王東;史曉霞;尹交英;;不同核函數(shù)的支持向量機(jī)用于空調(diào)負(fù)荷預(yù)測的對比研究[J];電工技術(shù)學(xué)報;2015年S1期

3 曹博;白剛;李輝;;基于PCA-GA-BP神經(jīng)網(wǎng)絡(luò)的瓦斯含量預(yù)測分析[J];中國安全生產(chǎn)科學(xué)技術(shù);2015年05期

4 王晶;張立強(qiáng);張嘉偉;王志盤;;煤與瓦斯突出預(yù)測地球物理方法研究綜述[J];科技展望;2015年10期

5 方可;盧忠英;方標(biāo);;煤與瓦斯突出危險性預(yù)測指標(biāo)的現(xiàn)狀及分析[J];中國科技信息;2015年05期

6 趙新;;煤與瓦斯突出危險性指標(biāo)敏感性分析[J];中州煤炭;2015年02期

7 賀佑國;葉旭東;王震;;關(guān)于煤炭工業(yè)“十三五”規(guī)劃的思考[J];煤炭經(jīng)濟(jì)研究;2015年01期

8 李永娜;;基于支持向量機(jī)的回歸預(yù)測綜述[J];信息通信;2014年11期

9 毛政利;;基于分形理論的工作面煤與瓦斯突出預(yù)測[J];煤炭技術(shù);2014年06期

10 薛生;謝軍;;澳大利亞煤礦瓦斯治理及利用[J];中國煤炭;2012年03期

本文編號：2599479