安全科学技术
2019-01-27
基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究
付华,谢森,徐耀松,等
摘要:目的:煤矿瓦斯涌出是导致瓦斯灾害的主要来源,对矿井瓦斯涌出量进行精准预测,并提前采取必要防治措施是预防瓦斯灾害的关键。考虑瓦斯涌出受地质构造、煤层厚度等自然因素和开采技术影响,传统预测方法在提高预测精度上存在一定缺陷。本文利用改进粒子群算法(MPSO)对加权最小二乘支持向量机(WLSSVM)进行优化,研究基于改进粒子群算法的加权最小二乘支持向量机瓦斯涌出量预测模型。方法:利用基于改进粒子群算法的加权最小二乘支持向量机模型对瓦斯涌出量进行预测。首先,考虑瓦斯涌出量预测是一个受多因素影响的非线性预测问题,选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层间距、日工作进度和工作面日产量作为加权最小二乘支持向量机预测模型的输入变量。其次,在训练加权最小二乘支持向量机模型时,需对其正则化参数和高斯核参数进行赋值,参数选择是否合理直接关系到预测模型的预测精度。因此,利用粒子群算法对加权最小二乘支持向量机的正则化参数和高斯核参数进行优化。为了提高优化算法全局收敛性和收敛速度,在标准粒子群算法基础上,增加惯性权重、收敛因子和约束因子,避免粒子过早陷入局部最优,提出改进粒子群算法优化加权最小二乘支持向量机模型参数。进而,利用基于改进粒子群算法的加权最小二乘支持向量机模型预测瓦斯涌出量。结果:对某矿区瓦斯涌出量历史监测数据进行建模分析和预测,利用基于标准粒子群算法的加权最小二乘支持向量机预测模型进行比较。通过瓦斯涌出量实际值与预测值对比分析,发现基于改进粒子群算法的加权最小二乘支持向量机预测模型的预测值更加接近实际值。另外,从优化算法的收敛速度曲线可以看出,改进粒子群算法具有较强的收敛能力。其次,利用基于改进粒子群算法的加权最小二乘支持向量机预测瓦斯涌出量,其预测结果的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%。然而,从基于标准粒子群算法的加权最小二乘支持向量机的瓦斯涌出量预测误差看出,最大相对误差为8.99%,最小相对误差为0.41%,平均相对误差为3.97%。预测结果表明,基于改进粒子群算法的加权最小二乘支持向量机预测模型具有较高的预测精度和较好的泛化能力,能够准确预测瓦斯涌出量。结论:考虑煤矿瓦斯涌出量预测需求,提出了加权最小二乘支持向量机预测模型,对瓦斯涌出量与其影响因素之间的非线性关系进行逼近。由于加权最小二乘支持向量机预测模型的参数容易影响瓦斯涌出量预测精度,采用改进粒子群算法优化加权最小二乘支持向量机的正则化参数和高斯核参数。所提的瓦斯涌出量预测模型较其他预测模型具有较高的预测精度,能有效实现瓦斯涌出量预测。
来源出版物:中国安全科学学报,2013,23(5):56-61
入选年份:2017