基于SVM的煤与瓦斯突出预测模型及应用

发布时间：2021-06-08 04:08

　　为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GASVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。 

【文章来源】：陕西煤炭. 2020,39(02)

【文章页数】：5 页

【部分图文】：

PSO-SVM模型流程图

遗传优化算法支持向量机模型:通过对遗传算法相关知识的研究可知其在处理非线性问题中具有一定的搜寻能力。所以，在选择支持向量机的最佳参数中，可以看作对惩罚因子以及核函数的优化处理的过程。基于此，本文中提出根据遗传算法优化的支持向量机的分类预测模型，其模型算法如下。(1)二进制编码，第一步要给初始支持向量机中的惩罚因子C以及核函数参数δ一个范围比较大的搜寻空间，第二步即可在此空间内把惩罚因子C以及核函数参数δ的数值替换成可以被遗传算法接受的染色体;(2)明确适应度函数，本文中的目标函数为3折交叉验证的准确率，根据交叉验证的思想能够有效地选取惩罚因子以及核函数的相关参数;(3)使初始的种群产生出来，对各个个体的适应度进行计算分析，明确适应度的标准准则;(4)依次进行一系列的操作—选择、交叉及变异，对适应度的数值进行更新;(5)判定其是否达到计算停止的条件，如果适应度的值和设定的标准值几乎没有差别时，则可以输出最佳解;相反，不符合时返回到第四步继续操作直到符合要求;(6)根据最佳C与δ建立遗传优化算法支持向量机的预测模型，其流程图如图2所示。1.2 预测模型

PSO-SVM预测模型:基于Matlab并且结合SVM工具箱，编写出矿井内煤与瓦斯突出的PSO-SVM程序，最后优化处理惩罚因子C以及核函数参数δ。(1)对PSO-SVM模型的初始参数进行设定:惩罚因子C的搜寻范围在0.1～100;参数δ的搜寻范围在0.1～1 000;粒子规模是20，循环迭代次数是200;(2)利用3折交叉验证的思想，把其准确率看作适应度函数，进行计算并读取样本基础参数;(3)如果程序运行到满足停止的条件时即可终止，其粒子的最佳以及平均适应度如图3所示。由图3可以看出，3折交叉验证的准确率约为83.333%，得到的最优参数惩罚因子C=0.1，核函数参数δ=750.062 8。

【参考文献】：
期刊论文
[1]综掘工作面局部综合防突技术应用[J]. 薛飞飞.  陕西煤炭. 2019(06)
[2]下沟煤矿4煤瓦斯地质赋存及涌出量影响因素分析[J]. 王伟,蔺亚兵,赵雪娇,张永生.  陕西煤炭. 2019(01)
[3]基于粒子群优化支持向量机的瓦斯突出层研究[J]. 曾维顺,韩欣澎,刘金霖.  中国煤炭地质. 2018(11)
[4]高产高效矿井煤与瓦斯突出动态预测技术研究[J]. 张庆华,蒲阳.  煤炭科学技术. 2018(10)
[5]煤体结构在煤与瓦斯突出预测中的应用研究[J]. 孟絮屹,李昊,张颂业.  现代矿业. 2010(04)
[6]煤与瓦斯突出预测的支持向量机（SVM）模型[J]. 师旭超,韩阳.  中国安全科学学报. 2009(07)
[7]煤与瓦斯突出灰色-神经网络预测模型的建立及应用[J]. 苗琦,杨胜强,欧晓英,陈祖云.  采矿与安全工程学报. 2008(03)
[8]基于粒子群优化的BP神经网络预测方法及其应用研究[J]. 黄丽君,郭文忠.  漳州师范学院学报(自然科学版). 2008(01)
[9]中国煤矿煤与瓦斯突出现状及防治对策[J]. 付建华,程远平.  采矿与安全工程学报. 2007(03)
[10]煤与瓦斯突出预报数据关联性的聚类分析[J]. 孙继平,李迎春,付兴建.  湖南科技大学学报(自然科学版). 2006(04)



本文编号：3217663