為提高工作面煤與瓦斯突出預(yù)警的準(zhǔn)確率與時(shí)效性,利用工作面瓦斯涌出特征與突出"三要素"之間的變化關(guān)系建立了以地應(yīng)力系數(shù)、瓦斯壓力系數(shù)、乘冪系數(shù)、變動(dòng)率及離散率為基礎(chǔ)的實(shí)時(shí)預(yù)警指標(biāo)體系;將K-means聚類、FOA及RF三種算法結(jié)合構(gòu)建基于數(shù)據(jù)挖掘的煤與瓦斯突出實(shí)時(shí)預(yù)警模型,探究實(shí)時(shí)預(yù)警指標(biāo)與煤和瓦斯突出的潛在發(fā)生規(guī)律,并通過模型的智能尋優(yōu)及訓(xùn)練輸出最優(yōu)預(yù)警等級(jí)�，F(xiàn)場(chǎng)應(yīng)用結(jié)果表明:所建預(yù)警指標(biāo)敏感性較好,預(yù)警模型的運(yùn)算時(shí)間為0.118s,在本次實(shí)例應(yīng)用中提前4h發(fā)出煤與瓦斯突出危險(xiǎn)級(jí)別預(yù)警,預(yù)警等級(jí)與現(xiàn)場(chǎng)突出實(shí)際情況較吻合,且與K1值、鉆屑量S值具有較好的一致性,實(shí)現(xiàn)工作面煤與瓦斯突出實(shí)時(shí)、準(zhǔn)確預(yù)警。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1數(shù)據(jù)挖掘模型流程圖

4）將有標(biāo)簽的實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)分成訓(xùn)練樣本和測(cè)試樣本，訓(xùn)練樣本輸入至RF算法進(jìn)行訓(xùn)練，通過不斷更新mtry和ntree兩個(gè)初始參數(shù)不斷降低RF算法的均方誤差，當(dāng)均方誤差達(dá)到預(yù)設(shè)精度則訓(xùn)練完成，保存訓(xùn)練好的RF模型；測(cè)試樣本輸入訓(xùn)練好的RF模型，該模型的分類器進(jìn)行投票后輸出最終的預(yù)....

圖2FOA迭代過程

由圖2可知，最優(yōu)值一直在降低，最終迭代次數(shù)達(dá)到100次左右趨向于收斂于0（函數(shù)最優(yōu)值），說明果蠅種群每一次迭代都在向最優(yōu)值前進(jìn)，此時(shí)FOA尋求到全局最優(yōu)K值為3，即將原始數(shù)據(jù)指標(biāo)數(shù)據(jù)分為3個(gè)類別時(shí)K-means算法的聚類效果最好；將K=3作為初始參數(shù)輸入至K-means算法中進(jìn)行....

圖3P41104掘進(jìn)工作面4月25日瓦斯?jié)舛葦?shù)據(jù)

值得注意的是，該數(shù)據(jù)挖掘模型僅在本次實(shí)例應(yīng)用中提前4h發(fā)出突出危險(xiǎn)等級(jí)預(yù)警，提前預(yù)警時(shí)間并不完全適用于其他實(shí)例的應(yīng)用。由于本文的實(shí)時(shí)預(yù)警指標(biāo)是利用突出綜合作用理論及工作面瓦斯?jié)舛瘸霈F(xiàn)異常波動(dòng)前兆特征的基礎(chǔ)上構(gòu)建的，所建預(yù)警模型也是對(duì)瓦斯?jié)舛绕椒�(wěn)時(shí)期及異常波動(dòng)時(shí)期所包含的突出“三要....

本文編號(hào)：3943899