基于样本优化与支持向量回归的导水裂隙带高度预测模型应用研究

发布时间：2020-06-22 23:30

【摘要】：煤炭资源长期旺盛的高消费需求在促进我国国民经济可持续发展、社会进步的同时也带来地表沉陷、矿井突水及煤炭资源回收率低等一系列突出问题,研究发现科学预计导水裂隙带发育高度对于解决上述难题意义重大。目前常用的导水裂隙带高度预测方法在实际应用中各有利弊,但均没有建立普适性较强的导高预测模型。本文运用文献查阅、现场调研、理论分析和现场试验等方法,将矿业协同技术应用到导高预测研究中,设计一种高效集成导高预测参数、自动扩大样本数据库和优化样本数据结构的高质量样本集成思路,在此基础上,研究“三下”规程经验公式修正的多元非线性回归模型及采用不同参数寻优算法优化的支持向量回归模型的构建与评估。论文主要从以下几方面进行研究:(1)在总结分析煤岩体赋存条件、开采设计参数等多种影响因素对导高发育控制作用的基础上,建立导高预测参数体系,构建能够协同调用矿业工程协同平台基础数据库中反映煤层开采现状及揭露真实煤岩层赋存状况的大量实时或历史原始生产数据的导高预测数据库,高效集成导高预测参数体系中的指标数据,并与现场实测导高构成该矿或工作面完整导高样本数据。随着平台进驻矿井或生产工作面数目的增多,自动更新相应导高样本数据,扩大样本数据库。(2)对导高样本数据库中的部分完整导高样本数据进行灰色关联分析,筛选出导高预测主控参数,并提出一个新的顶板岩层综合评价指标,形成包含导水裂隙带发育高度、煤层埋深、硬岩岩性比例系数、采高及采空区斜长等5个属性维度的高质量样本数据结构。(3)借助导高预测数据库高效集成69组维度优化的高质量样本数据集合,将其随机划分为59组训练样本数据和10组检验样本数据,完成基于经验公式修正的多元非线性回归(MNR)模型及分别采用交叉验证和遗传算法优化的支持向量回归(SVR)模型的构建、评估和检验。结果表明,MNR模型精度普遍低于SVR模型,而遗传算法优化的SVR模型要比交叉验证方法优化的SVR模型精度更高,泛化能力更强,更能满足导高预测现场实际应用的要求。(4)选取某矿22101首采工作面完成预测参数高效集成、主控输入参数选取及模型结果输出的导高预测试验过程,并将预测结果应用到对冲沟下煤层开采可行性分析研究中。现场钻孔窥视结果表明,GA-SVR模型预测精度符合实际工程要求,其应用到冲沟下煤层精准开采中的指导意见具有一定的可靠性。
【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】：TD745
【图文】：

设计目标

2 基于样本优化和支持向量机的导高预测理论研究程协同平台总架构设计协同平台从矿井实际生产组织出发，采用 C#、MyS发技术，在研究矿业工程协同共享机制的基础上，ord 文档等矿井各类原始生产数据按照一定的数据逻别类存储于平台构建的空间数据库、表单数据库、文测监控数据库等基础数据库中。任何拥有权限的用户一平台云端支持下连接各基础数据库，以图纸空间数、word 文档等技术文件，快捷高效地录入、统计、现空间数据可视化、权限要求、数据查询与共享、协监控各类原始工程数据，为矿井工作人员和管理者和总架构分别如图 2-4、2-5 所示[87]。

架构图,矿业工程,架构,平台

表单、word 文档等技术文件，快捷高效地录入、统计、查询，实现空间数据可视化、权限要求、数据查询与共享、协同工作监测监控各类原始工程数据，为矿井工作人员和管理者提供决目标和总架构分别如图 2-4、2-5 所示[87]。图 2-4 设计目标Figure 2-4 Design goal

【参考文献】