安全科學技術

基于MPSO-WLS-SVM的礦井瓦斯涌出量預測模型研究

付華，謝森，徐耀松，等

摘要：目的：煤礦瓦斯涌出是導致瓦斯災害的主要來源，對礦井瓦斯涌出量進行精準預測，并提前采取必要防治措施是預防瓦斯災害的關鍵。考慮瓦斯涌出受地質構造、煤層厚度等自然因素和開采技術影響，傳統預測方法在提高預測精度上存在一定缺陷。本文利用改進粒子群算法（MPSO）對加權最小二乘支持向量機（WLSSVM）進行優(yōu)化，研究基于改進粒子群算法的加權最小二乘支持向量機瓦斯涌出量預測模型。方法：利用基于改進粒子群算法的加權最小二乘支持向量機模型對瓦斯涌出量進行預測。首先，考慮瓦斯涌出量預測是一個受多因素影響的非線性預測問題，選取煤層瓦斯含量、煤層埋藏深度、煤層厚度、煤層間距、日工作進度和工作面日產量作為加權最小二乘支持向量機預測模型的輸入變量。其次，在訓練加權最小二乘支持向量機模型時，需對其正則化參數和高斯核參數進行賦值，參數選擇是否合理直接關系到預測模型的預測精度。因此，利用粒子群算法對加權最小二乘支持向量機的正則化參數和高斯核參數進行優(yōu)化。為了提高優(yōu)化算法全局收斂性和收斂速度，在標準粒子群算法基礎上，增加慣性權重、收斂因子和約束因子，避免粒子過早陷入局部最優(yōu)，提出改進粒子群算法優(yōu)化加權最小二乘支持向量機模型參數。進而，利用基于改進粒子群算法的加權最小二乘支持向量機模型預測瓦斯涌出量。結果：對某礦區(qū)瓦斯涌出量歷史監(jiān)測數據進行建模分析和預測，利用基于標準粒子群算法的加權最小二乘支持向量機預測模型進行比較。通過瓦斯涌出量實際值與預測值對比分析，發(fā)現基于改進粒子群算法的加權最小二乘支持向量機預測模型的預測值更加接近實際值。另外，從優(yōu)化算法的收斂速度曲線可以看出，改進粒子群算法具有較強的收斂能力。其次，利用基于改進粒子群算法的加權最小二乘支持向量機預測瓦斯涌出量，其預測結果的最大相對誤差為5.99%，最小相對誤差為0.43%，平均相對誤差為2.95%。然而，從基于標準粒子群算法的加權最小二乘支持向量機的瓦斯涌出量預測誤差看出，最大相對誤差為8.99%，最小相對誤差為0.41%，平均相對誤差為3.97%。預測結果表明，基于改進粒子群算法的加權最小二乘支持向量機預測模型具有較高的預測精度和較好的泛化能力，能夠準確預測瓦斯涌出量。結論：考慮煤礦瓦斯涌出量預測需求，提出了加權最小二乘支持向量機預測模型，對瓦斯涌出量與其影響因素之間的非線性關系進行逼近。由于加權最小二乘支持向量機預測模型的參數容易影響瓦斯涌出量預測精度，采用改進粒子群算法優(yōu)化加權最小二乘支持向量機的正則化參數和高斯核參數。所提的瓦斯涌出量預測模型較其他預測模型具有較高的預測精度，能有效實現瓦斯涌出量預測。

來源出版物：中國安全科學學報,2013,23(5)：56-61

入選年份：2017