基于数据挖掘的煤与瓦斯突出实时预警研究

发布时间：2024-03-31 12:01

　　为提高工作面煤与瓦斯突出预警的准确率与时效性,利用工作面瓦斯涌出特征与突出"三要素"之间的变化关系建立了以地应力系数、瓦斯压力系数、乘幂系数、变动率及离散率为基础的实时预警指标体系;将K-means聚类、FOA及RF三种算法结合构建基于数据挖掘的煤与瓦斯突出实时预警模型,探究实时预警指标与煤和瓦斯突出的潜在发生规律,并通过模型的智能寻优及训练输出最优预警等级。现场应用结果表明:所建预警指标敏感性较好,预警模型的运算时间为0.118s,在本次实例应用中提前4h发出煤与瓦斯突出危险级别预警,预警等级与现场突出实际情况较吻合,且与K1值、钻屑量S值具有较好的一致性,实现工作面煤与瓦斯突出实时、准确预警。

【文章页数】：7 页

【部分图文】：

图1数据挖掘模型流程图

4）将有标签的实时预警指标数据分成训练样本和测试样本，训练样本输入至RF算法进行训练，通过不断更新mtry和ntree两个初始参数不断降低RF算法的均方误差，当均方误差达到预设精度则训练完成，保存训练好的RF模型；测试样本输入训练好的RF模型，该模型的分类器进行投票后输出最终的预....

图2FOA迭代过程

由图2可知，最优值一直在降低，最终迭代次数达到100次左右趋向于收敛于0（函数最优值），说明果蝇种群每一次迭代都在向最优值前进，此时FOA寻求到全局最优K值为3，即将原始数据指标数据分为3个类别时K-means算法的聚类效果最好；将K=3作为初始参数输入至K-means算法中进行....

图3P41104掘进工作面4月25日瓦斯浓度数据

值得注意的是，该数据挖掘模型仅在本次实例应用中提前4h发出突出危险等级预警，提前预警时间并不完全适用于其他实例的应用。由于本文的实时预警指标是利用突出综合作用理论及工作面瓦斯浓度出现异常波动前兆特征的基础上构建的，所建预警模型也是对瓦斯浓度平稳时期及异常波动时期所包含的突出“三要....

本文编号：3943899