M—SVR方法在“三下”覆岩移动范围预测中的应用

贺严 彭永东 李海港 郝显福 黄文琪

摘 要：为避免因“三下”覆岩移动范围划定不合理造成的生命财产损失或土地资源浪费，将移动范围-支持向量回归机（M-SVR）方法引入“三下”覆岩的移动范围预测。通过M-SVR方法的应用，在某典型“三下”矿山建立了以覆岩位移监测点位移量及移动速度为关键参数的覆岩移动范围预测模型，得到了各监测点的累计变形值与移动速度预测结果，并对比实测值进行了误差分析。预测结果表明：3组覆岩移动范围监测点5月1日至5月10日位移量平均预测值为0.049m，绝对误差为0.013m；移动速度平均预测值为0.0049m/d，绝对误差为0.0013m/d。由理论验证及误差分析可知，M-SVR方法有效地解决了“三下”覆岩移动范围的量化问题，具有广阔的应用前景。

关键词：M-SVR；移动范围预测模型；移动速度；相对误差 “三下”资源开采技术复杂，制约因素多，覆岩应力环境伴随开挖、爆破震动、放矿等作业方式发生动态改变，产生岩体破坏、冲击地压、覆岩垮落和地表塌陷等灾害。由于覆岩的微观破坏特征及移动规律不明确，其移动范围难以准确预测，造成生命财产的损失与土地资源的浪费。

国内外在“三下”资源合理开采技术方面，主要侧重于岩石损伤变形特征研究。从微观变形的角度描述了覆岩变形特征规律，但存在与实践吻合程度不高、推广应用难度较大的缺陷，故亟需提出一种切实可行的“三下”覆岩移动范围分析预测方法。

移动范围-支持向量回归机（M-SVR）方法是一种新型的基于结构风险最小化原理的机器学习技术，在处理小样本、非线性、高维数和局部极小点等问题上具有独到的优越性。本文采用M-SVR方法学习某典型“三下”矿山覆岩移动范围现场监测数据，对M-SVR预测模型进行参数设计，并分析了预测参数的敏感性，挖掘出“三下”覆岩移动范围的非线性规律，并对预测结果的可靠性进行了误差分析。

1 移动范围-支持向量回归机（M-SVR）原理

1.1基本原理

M-SVR方法是支持向量回归机SVR的一种变形，它通过引入目标参数M，将SVR预测模型进行了优化。首先由若干已知移动范围参数组成的学习训练集：

3 结论

通过在某典型“三下”矿山建立了以覆岩位移监测点位移量及移动速度为关键参数的覆岩移动范围预测模型，得到了各监测点的累计变形值与移动速度预测结果并对比实测值进行了误差分析。

本次预测模型以A、B、C监测点的30d实测数据为学习样本，建立支持向量回归机模型，各监测点的30个学习样本极大地提高了本M-SVR预测模型的计算效率；通过对未来的10d的位移量预测，得出了3组覆岩移动范围监测点10d内位移量平均预测值为0.049m，绝对误差仅为0.013m；移动速度平均预测值为0.0049m/d，绝对误差仅为0.0013m/d，预测结果安全可靠。

本次预测模型的预测结果表明，M-SVR预测方法能够有效地解决“三下”覆岩移动范围的量化问题，且预测结果精度较高、安全可靠，具有良好的推广应用价值。

参考文献

[1] 柯愈贤.新桥硫铁矿“三下”资源露天转地下安全开采技术研究[D].长沙：中南大学，2013.

[2] 赵康，赵奎.金属矿山开采过程上覆岩层应力与变形特征[J].矿冶工程：2014，16（04）：6-10.

[3] 王云飛，郑晓娟.露天转地下边坡变形υ-SVR模型及参数敏感性分析[J].岩石力学与工程学

报：2010，29（01）：34-39.