基于SVM的煤矿巷道围岩稳定性预警模型研究(1).pdf

万方数据 万方数据 万方数据 万方数据 machine classification model reduces manpower and material resources, and has certain scientific guiding significance. At the same time, in order to accurately predict the stability of the roadway roof during coal mining and reduce the possibility of roof accidents, this paper proposes a support vector machine-based roadway roof displacement prediction and constructs a roadway roof displacement prediction and early warning model.Under the given conditions, the two indicators of time and distance from the working surface are selected as the model , and theroof displacement as the model output.In order to improve the prediction accuracy of the model, the grid search , particle swarm optimization algorithm and genetic algorithm are used for optimization, and finally the genetic algorithm is used to optimize the support vector machine parameters. Taking Hujiahe coal mine roadway as the research object, four sets of roadway roof displacement data are selected as sample data, and then the model is used for training and prediction. The analysis results show that the prediction results of the model are consistent with the actual results, which can provide good theoretical support for the danger warning of the roadway roof. Key wordsCoal Mine Surrounding Rock Stability; Fuzzy Mathematics; Support Vector Machine; Optimization ; Roof Displacement ThesisApplication Research 万方数据 目录 I 目录 1 绪论.........................................................................................................................................1 1.1 研究背景和意义..........................................................................................................1 1.2 国内外研究现状..........................................................................................................2 1.2.1 围岩稳定性分级方法国内外研究现状............................................................2 1.2.2 巷道顶板位移预测国内外研究现状................................................................4 1.3 论文研究内容及章节安排..........................................................................................5 2 支持向量机分类和预测原理分析.........................................................................................7 2.1 支持向量机分类原理..................................................................................................7 2.1.1 最优分类超平面................................................................................................7 2.1.2 线性可分支持向量分类机................................................................................8 2.1.3 非线性支持向量分类机..................................................................................10 2.2 支持向量机预测原理................................................................................................11 2.3 核函数理论................................................................................................................12 2.4 本章小结....................................................................................................................14 3 影响煤矿巷道围岩稳定性分级指标分析...........................................................................15 3.1 煤矿巷道围岩稳定性影响因素分析.........................................................................15 3.2 调研实际矿井概况.....................................................................................................17 3.3 选取指标原则和分级指标的选取.............................................................................19 3.4 本章小结.....................................................................................................................21 4 巷道围岩稳定性分级方法分析与模型构建.......................................................................22 4.1 模糊数学对围岩稳定性分级....................................................................................22 4.1.1 模糊数学分级分析..........................................................................................22 4.1.2 建立模糊数学围岩稳定性分级模型..............................................................26 4.2 基于 SVM 的围岩稳定性分级模型建立..................................................................27 4.2.1 基于网格算法围岩稳定性分级研究..............................................................28 4.2.2 GA-SVM 围岩稳定性分级研究.................................................................... 29 4.2.3 PSO-SVM 围岩稳定性分级研究...................................................................32 4.3 实验仿真和计算结果分析........................................................................................34 4.3.1 模糊数学计算结果分析..................................................................................34 4.3.2 SVM 模型仿真结果分析............................................................................... 37 4.3.3 模糊数学和 SVM 实验结果对比分析............................................................41 4.4 本章小结....................................................................................................................41 万方数据 目录 II 5 煤矿巷道顶板位移预测预警模型分析与构建...................................................................43 5.1 顶板位移预测预警模型输入输出参数分析............................................................43 5.2 巷道顶板位移预测预警模型建立............................................................................43 5.3 基于 SVM 的顶板位移预测预警模型优化..............................................................46 5.3.1 遗传算法优化..................................................................................................46 5.3.2 网格算法优化..................................................................................................48 5.3.3 粒子群算法优化..............................................................................................51 5.3.4 遗传算法同其他算法对比分析......................................................................53 5.4 本章小结....................................................................................................................54 6 总结与展望............................................................................................................................55 6.1 总结............................................................................................................................55 6.2 展望............................................................................................................................55 致谢...........................................................................................................................................57 参考文献...................................................................................................................................58 附录...........................................................................................................................................61 万方数据 1 绪论 1 1 绪论 1.1 研究背景和意义 从我国能源结构上看，煤炭资源仍占很大的比重，随着我国各行各业的蓬勃发展以 及国民经济的持续增加， 像电力和冶金等依赖煤炭资源的行业对煤炭的需求也持续增加。 随着“智慧矿山”概念的提起，各专家学者开始利用现代新兴信息理论辅助解决在煤矿 开采中遇到的问题，这些技术将大大提高煤炭生产的效率，从而保证我国煤炭资源的需 求。保证煤矿产量的前提是保证煤矿巷道安全，即需要保证施工人员的“生命通道”的 安全，巷道的安全和支护的强度密切相关，所以选择合理的支护方式是煤矿生产作业中 需要考虑的重要问题之一。在过去，煤矿的支护方式主要靠技术人员的观察来确定，往 往忽略一些潜在因素的影响，从而使用错误的支护方式，造成支护材料的浪费或者威胁 施工人员的人身安全[1]。因此在对巷道支护方案设计时，应结合现代新兴技术进行判断， 对煤矿巷道的围岩稳定性进行精确分级，再根据不同等级来设计支护方案。 巷道顶板的位移量是衡量巷道围岩稳定性的重要指标之一，也是进行巷道支护设计 的重要参考，如果位移量过大将影响煤矿巷道的施工安全。巷道掘进的过程中，巷道周 围岩石受力会重新分布，顶板产生变形，容易诱发顶板事故，所以对巷道顶板位移量的 观测与预测在煤矿生产中尤为重要。煤矿巷道围岩的位移量是巷道进行支护的重要参考 指标，只有定期的进行巷道顶板位移量的监测，进行科学的预测分析，精确地预测出巷 道围岩位移量，才能保证巷道的稳定支护以及煤矿的安全生产，所以，利用科学的预测 方法对巷道围岩位移量进行精确的预测，对煤矿巷道的支护方式选择和危险预警来说有 着重要的意义。 从 2004 年到 2015 年全国煤矿事故分析中发现，每年发生顶板事故的起数都排在第 一位[2]，可见顶板事故足以引起人们的重视，其实可以减少此类事故的发生甚至避免发 生，通过结合现代化信息技术来进行预防预警，为实现这一目的，需要对巷道围岩稳定 性造成影响的指标因素进行实时的监测，对顶板位移量的数据进行实时预测预警，类似 天气预报对围岩稳定性进行预测，在某个结点进行预警，提醒施工人员，达到防患于未 然的目的。 矿井巷道围岩稳定性预测预警仍面临着深刻的理论问题与十分困难的技术问题，必 须以创新的构思、突破长期以来对矿井支护技术研究的定式，采用新的理论和技术措施 来解决上述问题。然而，要实现这一目标，首先要掌握矿井巷道当前复杂环境下围岩数 据的变化规律，然后对矿井巷道稳定性进行评估和预测。因此，本文在研究煤矿巷道围 岩稳定性的基础上，对影响巷道稳定性的因素进行研究和分析，利用支持向量机建立煤 万方数据 西安科技大学工程硕士学位论文 2 矿巷道围岩稳定性分级模型，实现对巷道围岩稳定性的精确分级，在稳定性分级的基础 上，又对巷道顶板位移量进行预测，为支护方式的选取以及煤矿安全生产提供理论研究 基础。因此，本文针对煤矿巷道围岩稳定性分级以及顶板位移量精准预测的研究具有重 要的意义。 1.2 国内外研究现状 本文主要研究内容是通过支持向量机建立矿井巷道稳定性分级和顶板位移精准预测 预警模型，从而对矿井巷道的围岩稳定性进行科学评判和预警。对于矿井巷道围岩稳定 性的分类，国内学者用不同的方法做了很多理论学习和实验研究，而顶板位移量的预测 预警，目前国内外的研究还处在初步研究阶段。 1.2.1 围岩稳定性分级方法国内外研究现状 煤矿巷道的稳定性是判断巷道是否安全的重要参考依据，在巷道围岩稳定性分类过 程中，国内外专家学者尝试了很多方法，主要有以下几种。 1 单指标分类法 单指标分类法是指将某个单独的因素作为围岩稳定性分类依据。研究学者主要包括 俄国学者提出的普氏分类法[3]，此方法取周围岩石单轴抗压强度的十分之一作为评判依 据，按其大小将巷道围岩分成 15 个类别；美国学者提出的岩石质量指标Rock Quality Designation，RQD分类法，此方法根据钻孔数据中两个主要影响因素的比值作为分类的 依据，并按 RQD 值把岩体质量分为五类[4]。这个方法简单快速，但是它只能反映围岩岩 体完整性这一方面的影响，所以它可以作为巷道围岩稳定分类中一个参数使用，但不能 作为综合指数。 2 复合指标分类法 此方法并没有直接使用单个因素，将多个因素综合起来，作为分类的参考。挪威学 者[5]综合多个指标值来对巷道的稳定性评估，综合考虑了节理组数、节理粗糙度、节理 变质程度、围岩 RQD 值、涌水、围岩应力条件 6 个因素；波兰学者[6]根据巷道围岩强度 与周围岩石实际应力的比值，得出围岩稳定性评价指标，并根据该指标将围岩稳定性分 为 5 类；德国学者[7]提出将巷道围岩移近率作为评价巷道围岩稳定性的指标，详细分析 了影响巷道围岩位移大小的原因，并且通过对多条巷道研究分析得出了这些影响因素与 巷道围岩位移量的关系，以此来判断巷道围岩的稳定性。复合指标分类法虽然较全面考 虑了多种因素的共同作用，相对于上一个分类方法更为合理，但是此方法需要合适的计 算公式来确定各影响因素的权重，这一过程如果出错将大大影响分类的效果。 3 专家系统决策分类法 专家系统决策主要通过有着丰富经验的专家，通过到现场观察，对巷道进行主观性 万方数据 1 绪论 3 分类，通过大量专家决策的结果，编写系统软件，模拟专家决策结果，对煤矿巷道围岩 稳定性评价和分级。西南交通大学朱荟桥[8]，结合专家现场观察数据，编写出巷道支护 专家系统对巷道进行分级。在围岩稳定性分类中的实际研究中，专家系统分类法虽然运 用十分简单，便于推广。但是此法虽然运用十分简单，便于实行，但是浪费人力物力， 所花时间长。 4 灰色系统理论 灰色系统理论分析法解决的是信息不明确和部分不清楚的一类问题，而巷道围岩稳 定性分类属于非确定问题，此方法能够同时分析多个方面带来的影响，故在巷道围岩稳 定性分级中广泛应用。中国矿业大学张琪和魏永军等人[9]将灰色关联度分析应用在围岩 分级中，用来确定影响围岩分级各影响因素的亲疏关系。长安大学朱登武[10]同样应用灰 色关联度分析法来分析影响围岩分级各影响因素的亲疏关系。 5 模糊数学聚类分析法 模糊数学对于模糊性和不确定性问题具有一定的优势， 该方法原理简单， 实行方便， 所以此方法也是在围岩稳定性分级方面最常用的方法之一。太原理工大学钱翰飞[11]采用 聚类分析法对影响巷道稳定性因素进行筛选，并采用模糊数学方法对巷道围岩稳定性进 行分级，取得了良好的结果；张文华[12]采用模糊数学法对煤矿锚杆支护围岩分类识别进 行研究，在需要设计巷道支护方式时提供了帮助；申艳梅，韦四江[13]采用模糊数学方法 对影响支护效果的因素进行综合分析，并将该方法在实际工程中进行应用。黄冬梅，魏 君丽[14]等人结合层次分析法和灰色关联度来确定关键影响因素，采用多层次模糊综合评 价法获得深部围岩稳定性的风险等级，最后对实际煤矿深部围岩进行风险评估证明了该 方法的可操作性。 6 神经网络分析法 神经网络目前可以应用到很多领域中去，是在岩体分类中运用成熟和较多的技术之 一。孔祥松[15]在研究焦煤煤巷围岩稳定性分类中建立了遗传算法优化的神经网络模型， 提升了神经网络模型处理非线性影响因素的拟合效果；贺超峰等人[16]建立了基于误差逆 传播算法Back Propagation,BP的巷道围岩稳定性分类模型， 并将预测结果和实际结果进 行对比，得出了较高的准确率。此类方法需要大量数据来进行训练，在小样本数据情况 下，准确度不高。 7 机器学习分类法 机器学习有很多分支，在围岩分级方面主要是支持向量机和随机森林。支持向量机 属于众多机器学习算法中的一种，这种围岩稳定性分级方法的基本过程是将样本分为训 练样本和测试样本，通过不断训练模型以达到最优效果，然后将测试样本通过训练好的 模型进行分级。袁颖，于少将等人[17]利用基于网格搜索法优化支持向量机建立了巷道围 岩稳定性分级模型；温廷新等人[18]将支持向量机用在隧道围岩分类上，都取得了良好的 万方数据 西安科技大学工程硕士学位论文 4 效果。随机森林是集中学习的方法之一，简单理解是森林中每棵树都是一个决策树，最 终结果结合了所有树的决策结果，选取票数最高的最为结果。赵汝星[19]采用随机森林实 现了对回采巷道围岩稳定性分类，并将结果和其他分级方法对比，得出具有较高的预测 精度；从对围岩稳定性方法的国内外研究现状来看，主要存在以下两点不足。 影响巷道稳定性因素分析不全面，现有的煤矿巷道稳定性分级理论，多是根据经验 或者理论分析研究得出，没有全面分析影响巷道围岩稳定性的因素，没有分析因素的作 用原因，所以本文较全面分析了影响煤矿围岩稳定性的主要因素和影响原因，并且依据 筛选原则对因素进行了筛选。 传统巷道围岩分类方法选择的不足， 巷道围岩分类目前成熟的方法主要是模糊数学， 而有些学者只是单纯地引用别人的结果进行对比，对模糊数学方法中间过程了解并不全 面，故本文先是采用传统经典模糊数学算法对巷道进行分级，然后采用支持向量机来完 成分级目标。巷道稳定性需要采集多种类型巷道数据，并且每种类型数据采集多个参数 值，这就导致现实中样本数据量少，而影响因素又多，无疑为分类带来一定难度，而支 持向量机针对有限样本下非线性系统的分析占有优势，故本文采用支持向量机来对巷道 稳定性进行分级，并且分别用三种优化方法进行优化。 1.2.2 巷道顶板位移预测国内外研究现状 本文还研究了围岩位移量的预测，目前国内外学者对巷道顶板位移规律研究居多， 进行预测相关工作理论较少。从预测手段和方法上看主要有两大类，分别是人工智能理 论和数值模拟分析方法。 孙博，毛燕清[20]运用径向基Radial Basis Function，RBF神经网络建立了 RBF 神经 网络模型，该模型不需事先指定隐含层神经元的数量，收敛速度快，基于上一阶段的围 岩测量数据，预测下一阶段的围岩变形，并结合工程实例证明了该方法在隧道围岩变形 预测中是可行的。 李海斌，翟秋柱等人[21]针对复杂隧道围岩变形预测问题，基于 BP 神经网络较强的 局部搜索能力，非线性问题处理能力，引入了改进后的粒子群优化算法，建立了围岩变 形预测模型，最终确定隐含层数为 8，对高应力复杂地质情况下隧道围岩变形量进行预 测，将预测结果同实际结果比较，发现准确率较高，具有一定的参考价值。赵建敏[22]以 BP 神经网络构建上行巷道顶板变形量预测模型， 以实际煤矿变形数据， 对顶板变形量进 行拟合预测，结果同样表明 BP 神经网络预测模型误差小，具有实际推广价值。 李小贝，戴兴国等人[23]将混沌学理论与广义神经网络进行融合，建立了采场顶板位 移预测模型，根据顶板位移数据随时间的变化趋势，对样本数据进行空间重构，最后对 测试采场顶板位移样本数据进行预测，同传统神经网络预测结果对比，预测精度得到了 提高。 万方数据 1 绪论 5 郭超， 宋卫华等人[24]研究影响顶板稳定性的五个主要因素， 建立了采场稳定性Stope Roof Stability，SRS的支持向量机模型，并结合网格优化算法，最后运用该模型对实际 采场巷道进行判别，识别结果和实际结果基本吻合，十折交叉准确率达 91.3。 Satar Mahdevari，Kourosh Shahriar 等人[25]研究了在长壁煤矿开采中的巷道稳定性， 对伊朗塔巴斯煤矿 1.2 公里长的巷道不同部分中监测到的顶板位移数据集，开发了人工 神经网咯Artificial Neural Network，ANN模型，并将数据引入到多层感知器网络中，估 算出岩石参数与门巷道顶板位移之间非线性关系， 发现 9-7-6-1 四层前馈反向传播神经网 络最佳，并且具有较高的精度。 Philip J Rasch， John Latham 等人[26]采用灰色模型理论将不等时间间隔的位移监测数 据来及时预测隧道围岩的稳定性，经过测试稳定后，将该模型投入实际煤矿进行使用， 并达到了预期效果。灰色理论不像传统概率统计，它在小样本的离散数据中提取关键信 息并总结出规律。 Md. Rafiqul Islam，Ryuichi Shinjo[27]使用二维边界元方法Boundary Element ， BEM数值模型来分析煤层的变形和破坏行为， 建立三个模型对不同几何形状巷道围岩变 形做出分析，模拟了堤坝引起的扰动区域周围的大规模变形，结果表明，顶板底板的位 移以及周围不断变化的应力条件都可能会影响巷道变形。 目前，顶板位移预测相关研究工作存在一些不足之处，煤矿开采中，顶板受采动影 响很大，必须实时监测巷道顶板的位移，以免发生不必要的灾害，然而综合国内外研究 现状发现，大多学者只是对顶板位移进行监测，并未实现预测预警的功能，本文鉴于支 持向量机优越的处理性能， 建立顶板位移预测预警模型， 对巷道顶板位移进行预测预警。 1.3 论文研究内容及章节安排 本文针对上述研究现状所呈现出来的问题，在现有的巷道围岩稳定性理论和围岩变 形控制理论的基础上，运用现场观测，实际采集数据，结合计算机软件仿真和数学理论 分析，对影响巷道围岩稳定性的主要影响因素和顶板位移预测进行研究，主要的研究内 容如下 1 巷道围岩稳定性影响原因和主要因素分析 对影响巷道围岩稳定性的各种因素作用机理进行较全面的分析说明，主要分析地质 构造、煤层状况、岩石的初始应力、介质场、采动影响、施工因素影响、支护因素这几 类，详细分析每类影响因素的影响原因。最后从以上分析所有因素中筛选，根据筛选原 则选取影响指标，选取其中影响作用较大的参数作为影响巷道围岩稳定性的主要指标。 2 建立巷道稳定性分级模型 首先详细分析模糊数学分级的原理和步骤，通过层次分析法计算主要指标因素的权 重，选择隶属度函数，最后通过计算得出分级结果。然后，详细分析支持向量机分级原 万方数据 西安科技大学工程硕士学位论文 6 理和步骤，采用和模糊数学相同的数据集建立模型，并分别用网格搜索法，粒子群优化 算法和遗传算法对巷道围岩稳定性分级模型中的参数进行优化，最后将两种方法建立的 模型进行对比分析。 3 基于 SVM 建立顶板位移预测预警模型 为增加模型的准确性，需要去实际煤矿采集顶板位移监测数据，建立基于支持向量 机Support Vector Machine，SVM的顶板位移预测预警模型，对未来短期时间序列顶板 位移数据进行预测预警，和实际测量值进行对比分析。分别运用网格优化算法，粒子群 优化算法和遗传算法对模型进行优化，并将实验结果进行详细分析。 全文共六章 第一章首先分析了本论文的研究背景和意义，介绍了国内外煤矿巷道稳定性和顶 板位移预测研究现状，阐述了当前研究的不足之处。 第二章阐述了支持向量机相关基础知识，并对求解公式进行推导，分别分析了支 持向量机在分类和预测工作中相关的理论知识，分析了核函数对支持向量机的重要性。 第三章较全面地分析了造成巷道围岩不稳定的原因，并提出筛选指标的原则，结 合筛选原则进行筛选实验所需因素，确定最后评价指标，为模型搭建做好基础工作。 第四章分别利用模糊数学方法和支持向量机建立巷道围岩稳定性分级模型，最后 运用遗传算法，粒子群算法和网格优化算法，对基于 SVM 的巷道围岩稳定性分级模型 进行优化，并将结果和模糊数学方法分级结果进行对比。 第五章基于 SVM 建立巷道顶板位移预测模型，对煤矿巷道顶板位移进行预测预 警，并运用遗传算法，粒子群算法和网格优化算法，分别对模型进行优化。 第六章总结并回顾了全文所做的工作，并提出进一步需要研究和解决的问题。 万方数据 2 支持向量机分类和预测原理分析 7 2 支持向量机分类和预测原理分析 本文采用支持向量机对巷道围岩稳定性分级以及对顶板位移预测预警，下面对支持 向量机分类和预测原理分析。 2.1 支持向量机分类原理 分类在人们眼中是个很简单的事情，但让机器去实现分类可不是那么容易。计算机 的分类是从简单的开始，首先考虑的是二分类的问题，即非此即彼。对于二分类，假设 存在样本 ,,,,, 2211nn yxyxyx ， n i x，}1, 1{ y，n 为样本数。分类的目标[28] 就是在 n 维的空间内寻找一个超平面将这些样本尽可能正确的分成两类。 0bx T 2.1 当0bx T 为时，取1y，当0bx T 为时，取1y。 2.1.1 最优分类超平面 SVM 分类的目标是找到一个超平面0bx T 将不同类别的样本分开，这样的平 面有很多，但是最优的超平面具有最高的分辨能力且只有一个。 分类的结果可描述为 10 i T ybx，2.2 其中 T 是超平面的法线方向。 最优超平面事实上是将数据空间分成两个区域，满足 1||minbxi T i  2.3 将训练样本集1bxy i T i 的超平面1bxi T 称为一个规范超平面。 给定训练集,,,,, 2211nn yxyxyx， n i x}1, 1{ y，假设训练样本可以被一 个超平面0bxi T 分开，由于和b不同，这样的超平面可能有很多个，如何确定这 两个参数的值呢，支持向量机认为在正确被超平面分类的前提下，应该尽可能保证正负 样本边界距离超平面为最大值，满足这些条件的超平面就是最优分类超平面[29]。最优超 平面能够最大程度上区分样本，并且对新样本同样具较高的精度，使得支持向量机泛化 能力增强。 最优分类超平面图如图 2.1 所示。 万方数据 西安科技大学工程硕士学位论文 8 图 2.1 最优分类超平面 图 2.1 中超平面H为最优分类超平面， 1 H， 2 H是各样本距离超平面最近的向量而 且平行于超平面的平面，支持向量机要优化的目标就是达到平面 1 H和 2 H到超平面的最 大间隔。 由式2.1可得         1, 1 1, 1 0 2 1 i T i T T ybxH ybxH bxH    2.4 数据点 x 到超平面0bxH T 的距离是 |||| || ,, T i T i bx xbd     2.5 支持向量所在的间隔面1bxi T 和1bxi T 之间的距离是 |||| 2 , T b   2.6 要使得最优（最大间隔）超平面就是使得,b达到最大的超平面，也就相当于最 小函数 2 |||| min T   满足约束libxy i T i ,, 1, 1，即求解优化问题        libxyts i T i T ,, 1, 1. . 2 |||| min 2    2.7 2.1.2 线性可分支持向量分类机 先考虑线性可分的情形，线性可分是指样本可以被一个超平面分隔开来，在上一小 节中提出了支持向量机优化的目标，如何具体求解出来是进一步考虑的问题。在 2.1.1 小节中，提到的最优超平面的求解可总结为下面的二次规划问题。 万方数据 2 支持向量机分类和预测原理分析 9        libxyts ii ,, 1, 1. . 2 |||| min 2   2.8 这是一个二次优化问题，支持向量机利用Lagrange函数的对偶性进行求解，这样做 的优点是容易求解对偶问题并且能够引入核函数推广到其他问题上去。          lits bxybL i i T i l i i ,, 2 , 1, 0. . 1|||| 2 1 ,,max 1 2   2.9 其中 i 为引入的Lagrange乘子， 也就是对偶变量， 这样就可以将二次规划问题的约束条 件和目标函数结合起来， 通过一个函数表达式来明确优化目标， 通过求解即可得到答案。 令 ,,max 0   bL i  2.10 求 2 |||| 2 