基于极限学习机改进模型的煤矿突水水源识别研究

发布时间：2020-10-09 19:24

　　煤矿水源类型的识别贯穿于突水防治的前期预测和后期治理。以源头预防为主的前期阶段,要求准确而快速地识别水源以对突水防治工作起到预警作用。传统水源识别的实验方法和线性分类模型,已经不能满足水源识别准确而快速的要求。本文以煤矿井下水源识别为研究背景,重点针对水源的快速识别、抗干扰和半监督识别、多功能融合识别以及在线识别等问题,开展水源识别模型的研究。主要从模型的参数寻优、结构设计和训练方式等方面进行优化,论文的主要研究成果总结如下:研究了煤矿水源准确而快速识别问题。以激光诱导荧光(Laser Induced Fluorescence,LIF)技术为新的实验手段,获取矿井下不同含水层水源的荧光光谱。以水源的荧光光谱为研究对象,提取光谱特征进而识别不同水源。运用机器学习中模式识别方法,建立非线性多元分类模型。提出了一种基于极限学习机(Extreme Learning Machine,ELM)的水源识别方法,建立ELM快速水源识别模型,确定模型中关键参数,如隐含层节点数和激励函数。ELM作为一种新型的非线性前馈神经网络,其无限逼近能力可以达到识别精度的要求、极速运行能力可满足识别速度的要求、通用的学习性能可以满足识别的实际应用。研究了在复杂环境下水源识别模型的抗干扰性和半监督学习能力的问题。基本的ELM算法在快速训练模型识别水源时会出现性能的波动,因此从优化网络参数出发,进而稳定模型性能。以正则化方法优化(Regularization Optimization)基本的ELM模型,使正则化ELM(Regularization ELM,RELM)模型能处理带干扰及未标识类别数据,具有抗干扰性和半监督学习的能力。提出了基于等式约束的L2范数正则化(L2 norm RELM,L2-RELM)水源识别模型,以正则参数作为最小化训练误差的惩罚系数,以交叉验证的方式寻找合适的正则参数。实验表明:L2-RELM模型不仅可避免过拟合现象且稳定了模型性能,避免外界环境扰动对水源识别产生偏差,增强了模型的抗干扰能力。提出了基于图的流形正则化(Graph Manifold RELM,GM-RELM)的水源识别模型。以未标识样本与标识样本服从相似的流形为前提假设,构造反映样本间相似关系的Laplacian邻接图,通过最小化图上的能量函数,得到满足全局一致性假设的分类函数。实验表明:GM-RELM模型以大量未知类别样本辅助识别模型的训练,实现了半监督分类,也提升了网络的泛化能力。研究了水源识别模型中多功能融合的问题。主要从网络结构设计进行优化,提出了基于多隐含层融合的正则化(Multi-hidden-layer RELM,M-RELM)识别模型。通过设置多个隐含层实现数据预处理和分类学习,集成融合到统一的正则化模型中。在预处理阶段,提出了以L2-RELM算法改进自编码器(Auto Encoder,AE)网络,借鉴深度学习方式对水源光谱进行逐层非线性特征学习。在分类学习阶段,区分样本是否具有类别标签,而分别进行L2-RELM的监督分类和GM-RELM的半监督分类。以AE-RELM非线性特征提取与L2-RELM或GM-RELM分类学习融合,分别形成ML2-RELM或MGM-RELM模型,完成了M-RELM模型的多隐含层结构设计。以多隐含层之间的参数传递,实现了学习功能分阶段逐层间传播。实验表明:M-RELM模型优化了网络结构设计,拓展了模型的多功能学习能力,适应了煤矿水源的非线性识别。研究了在线水源识别的灵活及稳定性问题。主要从优化网络训练的方式,提出了正则化的在线顺序(Online Sequential RELM,OS-RELM)识别模型,改变批量训练方式以顺序方式训练模型,使模型具备水源的在线识别能力。以L2范数正则优化基本的OS-ELM算法,摒弃了对处理样本块大小的限制,使其可以灵活地顺序学习随机大小样本,边学习边输出训练结果。实验表明:OS-RELM模型实现了水源在线识别的稳定性及灵活性。本文主要对水源识别的传统方法提出了改进措施,以ELM及改进算法构建了非线性多元分类模型。从模型性能波动性、功能单一性以及训练方式的约束性,结合水源识别的需求对模型进行优化。优化后的模型具有抗干扰性、功能可扩展性以及在线识别等特点。采用“理论分析、数值模拟和实验测试”三位一体的研究方法,从矿井水源识别的实际应用需求分析构造模型,以标准数据集验证模型的有效性,推广到水源光谱数据中应用,进而辅助煤矿突水灾害防治。
【学位单位】：安徽理工大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：TD745
【部分图文】：

示意图,突水,矿井,示意图

会形成地下水或老空水突水灾害。图 1-1 展示了富水性含水层水体经过渗透逐步形成矿井突水的示意图。图1-1 矿井下突水形成的示意图Fig1-1 Diagram of the formation of water inrush under coal mine2016 年 8 月份据国家安监总局数据统计显示，“十二五”期间的突水事故总起数和死亡人数，分别占全国煤矿事故的 3.5%和 9.1%。其中，煤矿突水事故发生重大及以上的起数和死亡人数，分别占全国煤矿重大及以上事故起数和死亡人数的 23.6%和 19.2%，仅次于瓦斯事故。其中，在较大事故和重大及以上事故中，50起较大水害事故，老空水灾害41起占82.0%；17起重大及以上水害事故

示意图,煤矿井下,示意图,水源类型

当突水事故发生时，会在短时间内淹没煤矿巷道和生产设备经济损失惨重，并直接威胁到煤矿井下人员的生命安全，发生突水事故示意图如图1-2所示。图1-2 煤矿井下突水事故示意图Fig1-2 Diagram of water inrush accident under coal mine矿井突水的防治工作可分为两个阶段，分别为前期预测和后期治理。在前期预测阶段，根据水源类型的识别结果，结合地理条件预测可能存在的富含水体层。在后期治理阶段，也要依据水源类型制定有效的治理方案，如采取降压、疏干、堵水等措施[4-5]。因此，水源类别的识别贯穿防治工作始终，也是防治工作的基础。在煤矿井下突水还未发生之前，准确而迅速地识别水源类别预测突水类型，对矿井突水防治工作能起到预警作用。地下含水层中化学物质会受环境影响而发生变化，但在短时间内区域内含水层化学物质则相对稳定。针对含水层水源类型的识别

方法,水化学分析,含水层,离子法

针对煤矿水源识别分别从物理、化学和地理信息系统等几个方面进行研究，其中以水化学分析方法为主，对水化学分析数据进行数理分析，主要分为线性和非线性方法。常见水源识别方法归纳为图1-3所示。图1-3 常见的水源识别方法Fig 1-3 Common identification methods of water sources目前研究最多是水化学分析法，主要有代表离子法和微量元素法[20-21]。水化学分析方法主要根据煤矿含水层中代表离子和微量元素分布及变化规律分析含水层的特征。一般情况下，不同类型含水层水中具有不同化学成分，当含水层中水源发生运动或变化时，其化

【参考文献】