基于PSO-SVM的矿井通风阻力系数回归及相关性分析

发布时间：2020-08-25 07:42

【摘要】：矿井通风阻力系数是通风安全的重要基础性参数,通风阻力系数的获得需要针对矿井每条巷道进行实际测量,测量工作量庞大,耗费时间较长;文章针对这一问题,采用理论分析、数据调研以及仿真实验等方法,分析了影响通风阻力系数的主要影响因子。根据大量历史数据,利用数学建模软件,采用粒子群优化支持向量机算法建立通风阻力系数与其影响因子之间的回归模型,研究从单一影响因子建模回归通风阻力系数到组合影响因子建模回归通风阻力系数,对比了粒子群优化支持向量机参数前后的回归模型的准确度,分析了通风阻力系数与影响因子之间的相关性,确定了最佳回归模型。利用PSO-SVM回归算法,针对木支护、工字钢支护以及锚网支护三种支护巷道,建立摩擦阻力系数与具体支护属性参数的回归模型;结果显示:(1)在有限个样本的回归分析中,粒子群优化支持向量机模型的回归性能较好,在控制相对误差≤5%时,最佳模型回归结果准确度达到90%,该模型的平均相对误差为0.83%。(2)相关性分析中,通风阻力系数与单一影响因子呈现低度相关,与两个组合因子呈现中度相关,与三个组合因子呈现高度相关,即利用粒子群优化支持向量机最佳回归模型的输入变量为:巷道断面积、巷道周长和摩擦阻力系数,输出变量为通风阻力系数。(3)利用PSO-SVM回归算法对木支护巷道、工字钢支护巷道以及锚网支护巷道进行回归的平均相对误差分别为:-2.542%、0.483%、1.605%;研究结果表明支持向量机算法在有限个样本的非线性回归分析中具有较好的回归性能,PSO-SVM回归模型能够更为准确地回归通风阻力系数,为通风阻力系数回归提供了新的智能算法,对工程实际应用具有重要的指导意义。
【学位授予单位】：辽宁工程技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TD72
【图文】：

平面图,周长,巷道断面,通风阻力

通风阻力系数与巷道断面积、周长的三维平面图如图4.11，由图可以分析出，当断面积增大且周长增大时，风阻系数减小，当断面积减少且周长减小时，风阻系数增大，说明风阻系数与断面积和周长的比值呈正相关性；面积介于4~10m2且同一周长下时，随着面积的增大，风阻系数呈减小的趋势，说明风阻系数与巷道断面积存在负相关性，同理则与巷道周长存在正相关性。图 4.11 通风阻力系数与巷道断面积和周长的三维平面图Figure 4.11 Three-dimensional diagram of ventilation resistance coefficient and roadway section area andperimeter

平面图,通风阻力,巷道断面,系数

辽宁工程技术大学硕士学位论文通风阻力系数与断面和 α 回归分析据通风阻力系数与巷道算面积和 α 的三维平面图 4.14 可以看出，当摩擦阻，通风阻力系数值随着巷道断面积的增加而减小，当巷道断面积不变时，通着摩擦阻力系数的增大而增大，说明通风阻力系数与巷道断面积呈现负相关力系数呈现正相关性。

平面图,通风阻力,周长,巷道

图 4.17 通风阻力系数与巷道周长、α 的三维平面图4.17 Three-dimensional diagram of ventilation resistance coefficient and roadway perimeter小节研究巷道周长及支护方式（摩擦阻力系数）与通风阻力系数的相关性，系数与巷道周长、支护方式（摩擦阻力系数）的回归模型，输入变量为巷道力系数，输出变量为通风阻力系数，利用粒子群优化支持向量机核函数参子 C，利用数学软件进行模型建立与训练后，粒子群优化支持向量机最佳组3.21388，σ =0.1，训练模型的平方相关系数为 0.5772，支持向量个数为 1支持向量个数为 58，粒子群优化支持向量机参数优化前后测试样本回归结表 4.6 R-U、α 模型粒子群优化参数前后回归结果对比e 4.6 Comparison of pre and post regression results of R-U、α model particle swarm optimiz本序列实测值SVM 回归通风阻力系数 PSO-SVM 回归通风阻回归值相对误差/（%）回归值相对误差1 0.00964 0.01014 -5.19 0.00972 -02 0.00391 0.00441 -12.80 0.00400 -2

【参考文献】