基于WOA-KELM煤与瓦斯突出预测

赵 帅

（河北工程大学 土木工程学院，河北 邯郸 056038）

1.引言

煤与瓦斯突出是矿井开采时，因岩层受到扰动，煤岩层迅速喷出大量瓦斯的动力失稳过程[1-2]。目前国内外学者在煤与瓦斯突出预测方面进行大量的研究工作，BP神经网络[3]、GAELM 法[4]、IPSO-Powell-SVM 法[5]、missForest-EGWO-SVM 法[6]、小 波 KPCA-IQGA-ELM 法[7]、AHP-TOPSIS法[8]、Fisher逐步判别法[9]、可拓模式识别[10]等模型被提出。然而，上述方法预测的准确度往往受限于致突因素的复杂性与随机性。因此需要深入研究致突指标与致突等级间的非线性映射关系，提出高效准确的预测模型。

核 极 限 学 习 机（Kernel Based Extreme Learning Machine，KELM）是基于极限学习机（Extreme Learning Machine，ELM）并结合核函数所提出的改进算法，KELM能够在保留ELM优点的基础上提高模型的预测性能。鉴于此，本文将基于KELM对煤与瓦斯突出强度进行预测，为解决因核函数存在导致KELM对参数设置的敏感性，通过鲸鱼优化算法（Whale Optimization Algorithm，WOA）优化KELM的正则化系数C和核函数参数S从而提高其预测精度。

2.KELM理论基础

ELM[11]是一种单隐含层前馈神经网络，其学习目标函数F(x)可用矩阵表示为：

式中：x为输入向量，h(x)、H为隐层节点输出，β为输出权重，L为期望输出。

将网络训练变为线性系统求解的问题，β根据β=H*·L确定，其中，H*为H的广义逆矩阵。为增强神经网络的稳定性，引入正则化系数C和单位矩阵I，则输出权值的最小二乘解为：

引入核函数到ELM中，核矩阵为：

式中：xi，xj为试验输入向量，则可将式（1）表达为：

式中：(x1,x2, …,xn)为给定训练样本，n为样本数量。核函数选用高斯核函数即：

正则化系数C和核函数参数S需要人为设定，两者的设定将对KELM[12]的预测性能具有一定影响。

3.煤与瓦斯突出强度仿真实验

3.1 致突指标分析及选取

煤与瓦斯突出是复杂的动力失稳过程，致突因素数量多并且因素间相互关联。为提高模型预测的准确度，建立煤与瓦斯突出预测综合评价系统，故选取：片帮掉渣、软分层厚度、瓦斯压力等共10个影响因素，作为煤与瓦斯突出预测模型的输入指标并收集20例突出实例如表1所示。突出强度分类为Ⅰ类（无突出）、Ⅱ类（一般突出，抛煤量≤50t）、Ⅲ类（中等突出，50t＜抛煤量≤100t）、Ⅳ类（强烈突出，100t＜抛煤量）。

地质构造、片带掉渣、瓦斯浓度的属性分为两类，用数值1或0表示，具体如表2所示。

表1 煤与瓦斯突出样本

表2 基于0/1属性值的状态判定结果划分

3.2 WOA优化KELM模型

设置WOA[13]参数，变量数dim=2、鲸鱼数量SearchAgents_no=30、最大迭代次数tMaxlter=150变量下限lb=[30,0.2]和变量上限ub=[500,0.7]。鲸鱼的位置表示KELM模型的参数C和s，将预测值和真实值通过交叉验证获得适应度值，适应度曲线如图1所示，利用WOA寻优得到最优C=10、s=0.37代入KELM得到WOA-KELM预测模型。

图1 鲸鱼优化适应度曲线

3.3 WOA-KELM仿真结果分析

选取初始样本空间的后5组数据作为测试样本集，使用训练后的KELM模型对其进行仿真预测，并将其与传统单一的SVM、KNN、random subspace算法的预测结果做对比分析表3所示。

表3 模型突出类型预测结果对比

研究表明，WOA-KELM算法的预测准确率为80%，而采用KELM、KNN、random subspace算法预测准确率仅为60%。说明WOA-KELM算法对煤与瓦斯突出强度的分类预测具有较优的预测精度，可对煤与瓦斯突出灾害的风险预控提供较为可靠的参考依据。

4.结语

利用WOA算法能有效避免局部最优解的特点优化KELM预测模型的参数，避免因人工设置参数影响KELM模型的预测性能。结果表明，相较于传统的KNN、random subspace、KELM，WOA-KELM算法的预测准确率较高，在煤与瓦斯突出灾害预测方面有较强的适用性，能够较好地适用于煤与瓦斯突出危险性预测。