基于灰色关联分析和PSO-SVM的煤与瓦斯突出预测应用研究

发布时间：2020-03-25 05:37

【摘要】：煤与瓦斯突出预测是一个多维的、复杂的非线性预测系统,随着数据挖掘技术和机器学习的快速发展,运用一些智能化的机器学习方法可以有效地解决这种类型的问题,将它们引入煤与瓦斯突出的预测中,有较高的适应性。通过总结分析煤与瓦斯突出的机理,分析提出了对突出影响较大的七个方面因素,在此基础上,结合实际情况,建立了预测突出的参数体系,但是,如此之多的参数作为输入进入预测模型,模型会由于输入参数的维度较大而变得复杂,影响计算效率,降低模型的泛化能力。引入灰色系统理论中的灰色关联分析方法,分析每个参数与研究问题之间的关联程度,通过对它们之间关联度的计算,根据其结果筛选出能够最大程度反映研究问题的主控因素,以此达到维度优化的目的。选择主控因素作为输入进行煤与瓦斯突出的预测,在煤矿收集的样本数据分为训练样本集和测试样本集,样本集用来训练模型,测试集用来验证模型的预测精度。首先运用支持向量机(SVM)预测模型进行突出训练预测,预测结果的决定系数为0.90935,通过与BP神经元网络预测模型的预测结果对比分析,结果显示支持向量机预测精度较高,表明在对小样本数据的预测中,SVM比BP神经元网络有更高的适应性。由于SVM核函数中的惩罚因子C和核函数参数g的组合选取会影响模型的预测性能,传统的方法在寻找C和g的组合时容易陷入局部最优解的窘境,文章引入粒子群算法(PSO)来对SVM的这两个参数进行优化,粒子群算法从全局的角度出发对参数进行寻优,能够极大程度的降低局部最优解出现的情况。运用PSO-SVM预测模型对突出进行训练预测,并且通过与目前常用的优化算法——遗传算法(GA)优化后的模型GA-SVM预测结果比较,结果显示,两种优化算法都有较好的寻优效果,PSO-SVM模型的预测结果决定系数为0.93654,高于GA-SVM预测结果,相较于遗传算法,粒子群算法结构简单,收敛速度快,计算效率高,有较高的推广能力。文章还对PSO-SVM模型的稳定性作了测试,测试结果显示其稳定性高,并对预测结果作了验证,验证结果显示PSO-SVM模型预测的结果与实际情况一致,加之其较高的预测精度,可以看出其在煤与瓦斯突出预测中有较高的应用价值。
【图文】：

煤层瓦斯含量,瓦斯含量,瓦斯,区域

图 2-1 几种常见的瓦斯含量增高区域1-不透气岩层；2-煤层瓦斯含量增高区域；3-煤层（该图来自颜爱华[82]文献）Figure 2-1 Several common areas of elevated gas content1- Airtight formation; 2-Coal seam gas content increase area;3- Coal seam煤体结构及物理学性质质活动会打破煤体的原始状态，，破坏其原始的内部结构和特征，被自身强度较原始状态会大打折扣，当再次受到比较大的冲击时，其的能力也会因受到影响而下降，更容易发生突出，地质活动对其破就越容易发生突出。煤体的物理学性质是表示其对瓦斯的吸附和解当其对瓦斯的吸附能力强时，反映了有大量的瓦斯附着在了煤体中斯的能力弱时，也会有大量瓦斯保留在煤体中，如果这几种情况同时临近采掘空间时，就容易发生突出。瓦斯状态斯在煤体中以游离态和吸附态的形式存在的。在突出发生的时候，仅仅提供了一部分瓦斯量，有大部分瓦斯来自于吸附状态，瓦斯能

示意图,结构风险最小化,示意图

习方法中普遍采用使 empR 最小化，以满足训理论上通过增加训练样本来不断满足 empR 最，甚至可以达到 empR 为 0。但是，样本数据据的同时，相当于扩大了算法体量，导致 VC 一起增大。总体来看，这样的结果不仅不会让这样，与我们最初的研究目的相悖，不能够达到习产生过学习的原因，相反，如果以降低体的训练样本数量，使得训练过程中 empR 不这是机器学习欠学习的原因。个问题深入地了解，发现将一个大的函数集拆分按照 VC 维的大小顺序进行排列，寻找每个子同时考虑和，进而找到的思想称作作结构风险最小化 ( Structural Risk M[101])即 SRM 准则。
【学位授予单位】：中国矿业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD713

【参考文献】