王 建

(晉城煤業(yè)集團(tuán)寺河煤礦二號(hào)井，山西 晉城 048000)

0 引言

煤與瓦斯突出是制約礦井開采的重大問(wèn)題之一[1]。探討礦井內(nèi)煤與瓦斯突出的問(wèn)題，從而及時(shí)地遏制事故的發(fā)生，對(duì)于礦井的安全生產(chǎn)具有很重要的意義。目前，國(guó)內(nèi)外的許多專家學(xué)者對(duì)煤與瓦斯突出的預(yù)測(cè)進(jìn)行了大量的研究與探討[2-5]，并且也提出了相關(guān)的預(yù)測(cè)模型[6-12]。為解決原有預(yù)測(cè)方法精度較低，且所選擇的樣本受到限制的情況，在以往對(duì)煤與瓦斯突出研究的基礎(chǔ)上，提出PSO-SVM以及GA-SVM的煤與瓦斯突出預(yù)測(cè)模型，對(duì)礦井內(nèi)煤與瓦斯突出進(jìn)行預(yù)測(cè)與研究。此外，將礦井實(shí)測(cè)參數(shù)當(dāng)作訓(xùn)練和檢驗(yàn)樣本，建立兩種不同算法的分類預(yù)測(cè)模型，最后對(duì)兩種算法進(jìn)行對(duì)比分析，以期對(duì)煤與瓦斯突出的預(yù)測(cè)提供必要的借鑒。

1 SVM參數(shù)優(yōu)化算法及預(yù)測(cè)模型

1.1 SVM參數(shù)優(yōu)化算法

粒子群優(yōu)化算法支持向量機(jī)模型：構(gòu)建粒子群優(yōu)化算法支持向量機(jī)的分類預(yù)測(cè)模型算法的步驟如下。①對(duì)粒子群優(yōu)化算法的基本參數(shù)進(jìn)行初始化設(shè)置；②明確搜索空間的大致范圍，分別對(duì)支持向量機(jī)模型中的相關(guān)參數(shù)進(jìn)行確定，例如懲罰因子以及寬度函數(shù)；③明確適應(yīng)度函數(shù)，本文中的適應(yīng)度函數(shù)為K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)；④對(duì)本身的最優(yōu)解進(jìn)行計(jì)算，此最優(yōu)解一般用Pbest來(lái)表示；⑤對(duì)全局種群中的最優(yōu)解進(jìn)行計(jì)算，此最優(yōu)解用Gbest來(lái)表示；⑥利用Pbest以及Gbest對(duì)各個(gè)粒子的速度及其位置進(jìn)行更新；⑦粒子群優(yōu)化算法結(jié)束，返回到第3個(gè)步驟繼續(xù)操作，搜尋到符合終止的條件而結(jié)束。

根據(jù)粒子群優(yōu)化算法整體尋優(yōu)得到的最優(yōu)解及所構(gòu)建的PSO-SVM模型流程圖如圖1所示。

圖1 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。

圖2 GA-SVM流程圖

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。

圖3 粒子種群適應(yīng)度

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。

GA-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GA-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。對(duì)初始參數(shù)進(jìn)行設(shè)定：①二進(jìn)制編碼，其懲罰因子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)模為20；輪盤法代溝以及重組率分別設(shè)定為0.9與0.7，循環(huán)迭代次數(shù)是200；②使程序自動(dòng)運(yùn)行，把樣本的相關(guān)參數(shù)讀入且計(jì)算到迭代終止，其粒子的最佳以及平均適應(yīng)度如圖4所示。

圖4 遺傳進(jìn)化過(guò)程

根據(jù)圖4可知，3折交叉驗(yàn)證的準(zhǔn)確率約為91.667%，得到的最優(yōu)參數(shù)懲罰因子C=12.016 1，核函數(shù)參數(shù)δ=0.110 34。

2 SVM在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用

2.1 影響因素分析

造成礦井內(nèi)部煤與瓦斯突出的因素很多，例如礦井地質(zhì)情況、瓦斯的影響以及煤體內(nèi)部構(gòu)造等[13-14]。本文根據(jù)不同的因素在煤與瓦斯突出中所占比重的大小以及是否便于檢測(cè)，選用以下幾個(gè)指標(biāo)當(dāng)作樣本屬性，分別為：瓦斯放散初速度X1(mL·s-1)及其壓力X2(MPa)、煤體內(nèi)部破壞類型X3、煤的堅(jiān)固性系數(shù)X4、開采深度X5(m)。其中，煤體內(nèi)部的破壞類型分別有以下幾種情況：無(wú)破壞煤體；有一定的破壞煤體；煤體破壞嚴(yán)重；煤體粉碎；全粉煤。

2.2 危險(xiǎn)等級(jí)的選擇

通過(guò)收集整理，可以得到最初的訓(xùn)練樣本，其中取前11個(gè)樣本作為訓(xùn)練樣本，后3個(gè)樣本看作是驗(yàn)證樣本。根據(jù)煤與瓦斯突出時(shí)的煤體的重量將其分為4個(gè)類別：沒有突出危險(xiǎn)時(shí)標(biāo)記為無(wú)(1)，小于50 t的突出標(biāo)記為小(2)，50～100 t標(biāo)記為中(3)，大于100 t記為大(4)，其原始數(shù)據(jù)見表1。

表1 訓(xùn)練與驗(yàn)證樣本原始數(shù)據(jù)

2.3 預(yù)測(cè)結(jié)果分析

PSO-SVM模型：根據(jù)最優(yōu)參數(shù)構(gòu)建出PSO-SVM模型，從而對(duì)后3組的測(cè)試樣本進(jìn)行預(yù)測(cè)分析，其預(yù)測(cè)結(jié)果如圖5所示，從圖中可以看出實(shí)際和預(yù)測(cè)結(jié)果基本相同。

圖5 PSO-SVM仿真結(jié)果

GA-SVM模型：根據(jù)最優(yōu)參數(shù)構(gòu)建出GA-SVM模型，并且對(duì)后3組測(cè)試樣本進(jìn)行預(yù)測(cè)分析，其仿真預(yù)測(cè)結(jié)果如圖6所示，由圖可知仿真結(jié)果有1處誤判，把煤與瓦斯突出危險(xiǎn)程度小誤判為大。

圖6 GA-SVM仿真結(jié)果

根據(jù)構(gòu)建的PSO-SVM以及GA-SVM的突出分類預(yù)測(cè)模型，并且結(jié)合實(shí)際礦井進(jìn)行實(shí)驗(yàn)，可知這兩種算法在礦井的瓦斯突出預(yù)測(cè)中效果明顯。而由最終的仿真結(jié)果得出的粒子群優(yōu)化算法相對(duì)于遺傳算法而言，綜合預(yù)測(cè)結(jié)果更加準(zhǔn)確，顯示出其強(qiáng)大的通用性能，運(yùn)行方便簡(jiǎn)單，具有一定的推廣價(jià)值。

3 工程應(yīng)用

根據(jù)實(shí)際地質(zhì)勘查，寺河煤礦二號(hào)井煤層具有煤與瓦斯突出的危險(xiǎn)性。以寺河煤礦二號(hào)井中的8個(gè)突出嚴(yán)重的區(qū)域?yàn)檠芯繉?duì)象，將幾個(gè)突出的相關(guān)參數(shù)當(dāng)作預(yù)測(cè)的樣本進(jìn)行預(yù)測(cè)分析，并且根據(jù)構(gòu)建的PSO-SVM和GA-SVM模型對(duì)該礦二號(hào)井中瓦斯突出區(qū)域進(jìn)行預(yù)測(cè)，其結(jié)果如圖7、8所示。根據(jù)表2，可以看出在BP網(wǎng)絡(luò)預(yù)測(cè)下的單項(xiàng)以及綜合指標(biāo)的預(yù)測(cè)結(jié)果。

圖7 PSO-SVM仿真預(yù)測(cè)結(jié)果

圖8 GA-SVM仿真預(yù)測(cè)結(jié)果

表2 模型預(yù)測(cè)結(jié)果

由表2可以看出，單項(xiàng)以及綜合指標(biāo)的預(yù)測(cè)結(jié)果和實(shí)際礦井的突出情況有些差異，其準(zhǔn)確度較低，并且體現(xiàn)不出礦井瓦斯突出危險(xiǎn)程度的大小。利用20個(gè)具有代表性的樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可知預(yù)測(cè)的突出情況和實(shí)際情況相符合，然而把樣本的個(gè)數(shù)降到11個(gè)時(shí)，其預(yù)測(cè)結(jié)果有5處誤差。因此，可以說(shuō)明在預(yù)測(cè)礦井內(nèi)煤與瓦斯突出時(shí)，BP神經(jīng)網(wǎng)絡(luò)在處理小樣本數(shù)據(jù)時(shí)并不準(zhǔn)確。而同樣在小樣本的情況下，采用PSO-SVM模型對(duì)寺河煤礦二號(hào)井的突出類型進(jìn)行預(yù)測(cè)，其結(jié)果與實(shí)際相符合，進(jìn)一步驗(yàn)證了PSO-SVM模型在處理小樣本的過(guò)程中有很強(qiáng)的泛化能力，可以及時(shí)解決礦井內(nèi)煤與瓦斯突出中樣本較少的情況。

4 結(jié)論

(1)闡述了支持向量機(jī)中懲罰因子以及核函數(shù)參數(shù)的尋優(yōu)方法—粒子群以及遺傳算法，并且根據(jù)MATLAB語(yǔ)言編寫出支持向量機(jī)具體的尋優(yōu)過(guò)程及其最終的實(shí)現(xiàn)情況。

(2)研究了支持向量機(jī)的分類預(yù)測(cè)模型，并且結(jié)合礦井實(shí)際參數(shù)，分別建立了PSO-SVM預(yù)測(cè)模型以及GA-SVM預(yù)測(cè)模型，最后對(duì)這兩種算法進(jìn)行了對(duì)比分析。

(3)仿真結(jié)果表明，PSO-SVM預(yù)測(cè)模型在礦井瓦斯突出危險(xiǎn)預(yù)測(cè)中要比其他預(yù)測(cè)方法更加準(zhǔn)確，進(jìn)一步證明了PSO-SVM預(yù)測(cè)模型更加有利于處理小樣本數(shù)據(jù)的突出危險(xiǎn)的礦井。