為有效預(yù)測(cè)礦井內(nèi)煤與瓦斯突出的危險(xiǎn)程度,對(duì)其影響因素做了分析與探討,分別構(gòu)建了基于粒子群優(yōu)化算法以及遺傳算法支持向量機(jī)的煤與瓦斯突出預(yù)測(cè)模型,并且通過(guò)實(shí)例對(duì)兩種模型預(yù)測(cè)的準(zhǔn)確性進(jìn)行了驗(yàn)證。分別利用單項(xiàng)以及綜合指標(biāo)、BP神經(jīng)網(wǎng)絡(luò)以及PSO-SVM模型、GASVM模型,對(duì)寺河煤礦二號(hào)井的突出區(qū)域進(jìn)行預(yù)測(cè)比較。結(jié)果表明,PSO-SVM的預(yù)測(cè)模型不僅可以在小樣本數(shù)據(jù)中預(yù)測(cè)出煤與瓦斯突出程度的大小,而且綜合預(yù)測(cè)結(jié)果更加精確,其在解決礦井內(nèi)煤與瓦斯突出的小樣本數(shù)據(jù)中顯示出更加強(qiáng)大、通用的性能。 

【文章來(lái)源】：陜西煤炭. 2020,39(02)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

PSO-SVM模型流程圖

遺傳優(yōu)化算法支持向量機(jī)模型:通過(guò)對(duì)遺傳算法相關(guān)知識(shí)的研究可知其在處理非線性問(wèn)題中具有一定的搜尋能力。所以，在選擇支持向量機(jī)的最佳參數(shù)中，可以看作對(duì)懲罰因子以及核函數(shù)的優(yōu)化處理的過(guò)程�；诖�，本文中提出根據(jù)遺傳算法優(yōu)化的支持向量機(jī)的分類預(yù)測(cè)模型，其模型算法如下。(1)二進(jìn)制編碼，第一步要給初始支持向量機(jī)中的懲罰因子C以及核函數(shù)參數(shù)δ一個(gè)范圍比較大的搜尋空間，第二步即可在此空間內(nèi)把懲罰因子C以及核函數(shù)參數(shù)δ的數(shù)值替換成可以被遺傳算法接受的染色體;(2)明確適應(yīng)度函數(shù)，本文中的目標(biāo)函數(shù)為3折交叉驗(yàn)證的準(zhǔn)確率，根據(jù)交叉驗(yàn)證的思想能夠有效地選取懲罰因子以及核函數(shù)的相關(guān)參數(shù);(3)使初始的種群產(chǎn)生出來(lái)，對(duì)各個(gè)個(gè)體的適應(yīng)度進(jìn)行計(jì)算分析，明確適應(yīng)度的標(biāo)準(zhǔn)準(zhǔn)則;(4)依次進(jìn)行一系列的操作—選擇、交叉及變異，對(duì)適應(yīng)度的數(shù)值進(jìn)行更新;(5)判定其是否達(dá)到計(jì)算停止的條件，如果適應(yīng)度的值和設(shè)定的標(biāo)準(zhǔn)值幾乎沒(méi)有差別時(shí)，則可以輸出最佳解;相反，不符合時(shí)返回到第四步繼續(xù)操作直到符合要求;(6)根據(jù)最佳C與δ建立遺傳優(yōu)化算法支持向量機(jī)的預(yù)測(cè)模型，其流程圖如圖2所示。1.2 預(yù)測(cè)模型

PSO-SVM預(yù)測(cè)模型:基于Matlab并且結(jié)合SVM工具箱，編寫出礦井內(nèi)煤與瓦斯突出的PSO-SVM程序，最后優(yōu)化處理懲罰因子C以及核函數(shù)參數(shù)δ。(1)對(duì)PSO-SVM模型的初始參數(shù)進(jìn)行設(shè)定:懲罰因子C的搜尋范圍在0.1～100;參數(shù)δ的搜尋范圍在0.1～1 000;粒子規(guī)模是20，循環(huán)迭代次數(shù)是200;(2)利用3折交叉驗(yàn)證的思想，把其準(zhǔn)確率看作適應(yīng)度函數(shù)，進(jìn)行計(jì)算并讀取樣本基礎(chǔ)參數(shù);(3)如果程序運(yùn)行到滿足停止的條件時(shí)即可終止，其粒子的最佳以及平均適應(yīng)度如圖3所示。由圖3可以看出，3折交叉驗(yàn)證的準(zhǔn)確率約為83.333%，得到的最優(yōu)參數(shù)懲罰因子C=0.1，核函數(shù)參數(shù)δ=750.062 8。

【參考文獻(xiàn)】：
期刊論文
[1]綜掘工作面局部綜合防突技術(shù)應(yīng)用[J]. 薛飛飛.  陜西煤炭. 2019(06)
[2]下溝煤礦4煤瓦斯地質(zhì)賦存及涌出量影響因素分析[J]. 王偉,藺亞兵,趙雪嬌,張永生.  陜西煤炭. 2019(01)
[3]基于粒子群優(yōu)化支持向量機(jī)的瓦斯突出層研究[J]. 曾維順,韓欣澎,劉金霖.  中國(guó)煤炭地質(zhì). 2018(11)
[4]高產(chǎn)高效礦井煤與瓦斯突出動(dòng)態(tài)預(yù)測(cè)技術(shù)研究[J]. 張慶華,蒲陽(yáng).  煤炭科學(xué)技術(shù). 2018(10)
[5]煤體結(jié)構(gòu)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用研究[J]. 孟絮屹,李昊,張頌業(yè).  現(xiàn)代礦業(yè). 2010(04)
[6]煤與瓦斯突出預(yù)測(cè)的支持向量機(jī)（SVM）模型[J]. 師旭超,韓陽(yáng).  中國(guó)安全科學(xué)學(xué)報(bào). 2009(07)
[7]煤與瓦斯突出灰色-神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立及應(yīng)用[J]. 苗琦,楊勝?gòu)?qiáng),歐曉英,陳祖云.  采礦與安全工程學(xué)報(bào). 2008(03)
[8]基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及其應(yīng)用研究[J]. 黃麗君,郭文忠.  漳州師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2008(01)
[9]中國(guó)煤礦煤與瓦斯突出現(xiàn)狀及防治對(duì)策[J]. 付建華,程遠(yuǎn)平.  采礦與安全工程學(xué)報(bào). 2007(03)
[10]煤與瓦斯突出預(yù)報(bào)數(shù)據(jù)關(guān)聯(lián)性的聚類分析[J]. 孫繼平,李迎春,付興建.  湖南科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2006(04)



本文編號(hào)：3217663