一种新型煤矿底板破坏深度预测模型.pdf

煤矿现代化2021 年第 1 期总第 160 期 0 引言 煤矿底板破坏深度是评价煤矿底板突水危险和 留设防水煤柱的重要依据，近些年来随着开采深度的 增加，开采水平加深，开采煤层距离底板强含水层的 距离不断减小，工作面受底板突水的威胁增加。 因此 掌握有效的底板破坏深度预测方法，对底板突水威胁 进行预警，进而消除煤矿底板突水危害，保障煤矿安 全生产具有重要意义[1-3]。 对于底板破坏深度预测，国内外学者进行了大量 研究并取得了十分丰硕的成果。宋文军指出理论分析 及经验公式这两种煤矿现场应用较多的底板破坏深 度预测方法对底板破坏深度的影响因素的考虑较为 单一，在应用时存在不足之处，易使预测结果与实测 值偏差较大， 基于此宋文军提出底板破坏深度的 ANSYS WORKBENCH 的预测方法，对现场应用具有 一定的指导[4]。 韩进，王颖，施龙青等在大量现场底板 破坏深度实测数据的基础上， 提出构建 GA-SVM 底 板破坏深度预测模型，充分发挥该模型在小样本时适 应度好的特点， 并通过“ 留一下验证法” 验证 GA-SVM 预测模型的泛化度， 该模型在现场具有很 好的预测效果[5]。邵良杉，周玉提出在预测底板破坏深 度时应该以 PSO 优化输入权值和隐层阈值的 ELM 为预测器，以 Boosting 算法为学习框架，构建底板破 坏深度的 PSO-ELM-Boosting 预测模型，并通过现场 实践验证了该模型的有效性[6]。崔凯根据粗糙集理论， 建立底板破坏深度知识表达体系，通过粗糙集规则处 理数据，建立 BP 神经网络底板破坏预测模型并在肥 一种新型煤矿底板破坏深度预测模型 武 雪 琪 （ 同煤集团生产技术处 ， 山西 大同 037000） 摘要为有效预防煤矿底板突水风险，在传统的粒子群优化算法中增加自适应权重，结合遗传算法 的交叉、变异步骤改进传统的粒子群优化算法，并用其优化 SVM 模型，建立改进的 GA-PSO-SVM 煤 矿底板破坏深度预测模型，选取采深、煤层倾角、采高、工作面长度、煤层底板承压水水压和煤层底板 损伤变量作为影响底板破坏深度的主控因素， 通过 15 组煤炭生产单位采集底板破坏带深度相关数 据，测试改进的 GA-PSO-SVM 模型的性能，并与 FOA-SVM 模型、BP 模型的预测结果进行对比，研究 表明改进的 GA-PSO-SVM 模型预测结果与实测结果的误差范围为 0.36～5.22，FOA-SVM 模型 预测结果的误差范围为 1.60～12.49，BP 模型预测结果的误差范围为 1.01～20， 改进的 GA-PSO-SVM 模型预测结果的误差范围更小，更适合煤矿现场的应用要求。 关键词煤矿； 遗传算法； 粒子群优化算法； 支持向量机； 底板破坏深度 中图分类号TD745 文献标识码A 文章编号1009-0797 （ 2021）01-0113-05 A New Model for Predicting the Deep Destruction of Coal Mine Floor WU Xueqi （ Production technology division of Tongmei group. ， Datong 037000 , China） Abstract In order to effectively prevent the risk of water inrush from coal mine floor, the traditional particle swarm optimization PSO algo- rithm is improved by adding adaptive weights to the traditional particle swarm optimization （ PSO） algorithm, combining the crossover and mutation steps of genetic algorithm, and using it to optimize the SVM model, the improved GA-PSO-SVM prediction model of coal mine floor failure depth is established, and the mining depth, coal seam dip angle, mining height, working face length and coal seam floor pressure are selected. Water pressure and damage variable of coal seam floor are the main factors affecting the floor failure depth. The perance of the improved GA-PSO-SVM model is tested by collecting relevant data of floor failure zone depth from 15 groups of coal production units. The results are compared with those of FOA-SVM model and BP model. The results show that the error range between the predicted results of the improved GA-PSO-SVM model and the measured results is 0.36. The error range of FOA-SVM model is 1.6012.49, and that of BP model is 1.0120. The improved GA-PSO-SVM model has a smaller error range and is more suitable for the application of coal mine. Key words Coal mine ; genetic algorithm ; particle swarm optimization algorithm ; support vector machine ; floor failure depth 113 万方数据 煤矿现代化2021 年第 1 期总第 160 期 城煤田进行实践，预测结果与实际情况接近[7]。 张文 泉，赵凯，张贵彬等应用灰色关联度分析理论对底板 破坏深度的各影响因素进行求解， 并利用 Matlab 软 件拟合底板破坏深度公式，该研究成果完善了目前现 有的底板破坏深度公式体系，预测精度较高[8]。 路畅， 尹立明，李杨杨等提出建立基于灰色系统理论的煤矿 底板破坏深度预测模型，确定底板破坏深度的 GM0， N模型参数，通过现场实际验证，该模型预测结果更 加接近现场实际情况[9]。 于小鸽，韩进，王丹丹提出可 以通过模糊综合评判决策理论预测煤层底板破坏深 度[10]；朱志洁，张宏伟，王春明提出可以利用 ABCA 算 法及 SVM 模型综合研究煤层底板破坏深度问题[11]； 白丽扬，赵金海，刘占新提出可以通过数据挖掘算法 解决煤层底板破坏深度预测问题[12]；赵云平，邱梅，刘 绪峰等构建了 GRA-FOA-SVR 煤层底板破坏深度预 测模型[13]；张风达通过应用多元非线性预测模型来预 测煤矿深部煤层底板破坏深度[14]。 本文基于自适应权重和遗传算法的交叉、变异步 骤可以解决局部最小化特性，将遗传算法与增加自适 应权重的粒子群优化算法结合以解决粒子群优化算 法的局部最优解问题，获得全局最优解，并将改进的 GA-PSO 算法与 SVM 算法相结合， 构建一种新型的 煤矿底板破坏深度预测模型，为煤矿底板破坏深度预 测提供借鉴。 1 粒子群优化算法 粒子群优化算法是目前应用较广泛的智能优化 仿生型算法，是以鸟类捕食为基础建立，以空间中多 个粒子代表多个随机解，对粒子周围区域进行搜索以 寻找最优解的方法，具有结构简单、易于实现等优点， 且具有较强的全局搜索能力。 在 n 维空间存在由 m 个粒子组成的群体，用 xixi,1，xi,2，，xi,mT表示其中第 i 个粒子的位置，用 vi vi,1，vi,2，，vi,mT表示其中第 i 个粒子的速度，用 PiPi,1， Pi,2，，Pi,mT表示 n 维空间中的最佳粒子，PgPg,1，Pg,2， ，Pg,mT为 m 个粒子中的最佳粒子，粒子群算法中粒 子的速度和位置随机变化，其变化公式为 （ 1）、 （ 2）所 示，通过不断更新粒子速度和位移公式，实现粒子从最 优解偏远区域不断向最优解逼近，直至得到最优解。 v k1 i,d v k i,dc1 r1 P k i,d-x k i,dc2 r2 P k g,d-x k i,d （ 1） x k1 i,d x k i,dv k1 i,d （ 2） 式中c1、c2为学习因子；r1、r2为介于 0～1 的随 机数，v k i,d为 k 次迭代第 d 维粒子速度；x k i,d为 k 次迭代 第 d 维粒子位移；P k i,d为 k 次迭代第 d 维单个粒子的 最佳粒子位置；P k g,d为 k 次迭代第 d 维粒子群中的最 佳粒子位置。 2 SVM 基本理论 支持向量机 （ SVM）是建立在统计学习理论的基 础上，采用结构风险最小化原则，能够很好地处理小 样本、非线性问题，其形式类似神经网络，结构图如图 1 所示。 图 1 支持向量机结构图 假设处理样本集为 xi,yixi∈R n ,yi∈ -1,≥}1≥}， 其中 xi为输入向量，yi为输出向量， 通过建立非线性 映射，并进行线性回归，来实现向量机的拟合函数。其 线性回归拟合函数可表示为 yiω θxb（ 3） 式中b 为阈值；ω 为权值矢量；θx为转化过程 中的非线性映射。 应用统计理论通过下列目标数极小化来确定 SVM 回归函数 Rωmin 1 2 ||ω|| 2 C n i1 ∑ξiξ * i [] （ 4） s.t. yi-fxi≤εξi fxi-yi≤εξ * i ξ i ，ξ * i≥ ≥ 姨 姨 姨 姨 姨姨 ≥ 姨 姨 姨 姨 姨姨 ≥ 0 （ 5） 式中ξi ，ξ * i为非负松弛变量；C 为惩罚因子；ε 为 不敏感损失函数参数。 然后通过拉格朗日求解方法解决上述公式表示 的约束最优化问题时， 可将原问题转化为对偶问题， 114 万方数据 煤矿现代化2021 年第 1 期总第 160 期 其对偶问题表达式为 Jai,a * imax[ 1 2 n i1 ∑ n j1 ∑ai-a * iaj,a * jKxi,xj n i1 ∑a * i yi-ε- n i1 ∑aiyi-ε] （ 6） s.t. n i1 ∑ai-a * i0 0≤ai,a * i≤ ≥ 姨 姨 姨 姨 姨 ≥ 姨 姨 姨 姨 姨 ≥ C （ 7） 式中ai,a * i为拉格朗日系数；K xi,x θxiθxj [] -- 核函数。 由上述表达式可求解 SVM 回归方程为 fx n i1 ∑ai-a * iKxi,xb （ 8） 3 改进的 GA-PSO-SVM 算法 3.1 粒子群优化算法增加自适应权重 粒子群优化算法中粒子的速度决定了粒子的运 动方向和距离，粒子在下一时刻的位置是由粒子当前 的位置与当前的速度共同确定。因此可在传统粒子群 算法得粒子速度公式中引入自适应权重，自适应权重 值是指粒子前期速度对当前速度的影响程度，其随粒 子目标值的改变而改变， 当自适应权重值较大时，粒 子前期速度对当前速度的影响较大， 有利于全局搜 索，当自适应权重值较小时，粒子前期速度对当前速 度的影响较小，有利于局部搜索，通过调节自适应权 重值的大小， 可以使粒子群优化算法避开局部极小 值，改变粒子的速度状态，增强粒子的全局及局部搜 索能力，自适应权重的计算公式如下 w wmin- wmax-wmin f-fmin favg-fmin ,f＜favg wmax,f＜favg ≥ 姨 姨 姨 ≥ 姨 姨 姨 ≥ （ 9） 式中f 为粒子当前目标函数值；favg为全部粒子 的平均值；fmin为全部粒子的最小值； 增加自适应权重后，改进后的粒子群算法中粒子 的速度和位置变化公式为 （ 10）、 （ 11） v k1 i,d w v k i,dc1 r1 P k i,d-x k i,dc2 r2 P k g,d-x k i,d （ 10） x k1 i,d x k i,dv k1 i,d （ 11） 3.2 引入遗传算法 在遗传算法中，通过交叉、变异两个重要的步骤， 可以实现父代和子代之间的信息传递，保证了个体间 的优化过程。 在粒子群优化算法中粒子的适应度值越大，其适 应度越好，通过将遗传算法 （ GA）引入粒子群优化算 法中，在改进的粒子群优化算法中每次迭代过程均使 得粒子适应度值进行由大到小的排列，使适应度值较 大的粒子进入下一代，同时将适应度值较大的前一半 粒子的速度和位置赋予后一半粒子，两部分粒子作为 父代，两两相互交叉，产生数目相同的子代新粒子，并 由新粒子代替原有粒子，其子代新粒子的位置及速度 公式可以表示为 childxp parent1x1-p parent2x （ 12） childv parent1vparent2v parent1vparent2v parent1v （ 13） 式中p 为 0～1 的随机数；parent1x、parent2x为 不同适应度值的父代粒子位置；parent1v、parent2v为 不同适应度值的父代粒子速度； 通过将遗传算法 （ GA）引入粒子群优化算法中， 既增加了粒子的多样性， 避免局部最优解的出现，又 能实现粒子群优化算法的快速收敛能力。 3.3 改进的 GA-PSO 算法优化 SVM 模型 根据 SVM 基本原理，SVM 模型中的惩罚因子和 核函数将影响 SVM 模型的应用性能。为了使 SVM 模 型参数的选择更加全面、合理，提出改进的 GA-PSO 算法优化 SVM 回归模型， 将改进的 GA-PSO 算法待 寻参数设为 SVM 的惩罚参数和核函数参数， 其基本 流程图如图 2 所示。 图 2 改进的 GA-PSO-SVM 回归模型流程图 4 现场实践研究 煤层底板破坏深度的影响因素很多，根据前期收 集资料成果，本文选取采深 、倾角 、采高 、工作面长 115 万方数据 煤矿现代化2021 年第 1 期总第 160 期 度 、底板承压水水压 、底板损伤变量 作为底板破坏 深度预测模型的主控变量，并以枣庄矿业集团下属的 柴里煤矿、蒋庄煤矿、新安煤矿、付村煤矿、高庄煤矿、 田陈煤矿 6 个煤炭生产单位为研究对象， 井下采集 60 组底板破坏带深度相关数据，如表 1 所示。 选取前 45 组底板破坏带深度相关数据作为改进 的 GA-PSO-SVM 煤矿底板破坏深度预测模型训练 样本， 后 15 组作为改进的 GA-PSO-SVM 煤矿底板 破坏深度预测模型的测试样本。 表 1 煤层底板破坏深度影响因素采集数据 运用 Matlab 软件编写相关程序， 将改进的 GA-PSO-SVM 模型的具体参数设置为 粒子群规模 设置为 40，迭代次数为 200 次，SVM 模型的惩罚参数 的取值为 122.62，核函数参数的取值为 11.31，改进的 GA-PSO-SVM 模型适应度曲线如图 3 所示。 图 3 改进的 GA-PSO-SVM 模型适应度曲线 将参数带入改进的 GA-PSO-SVM 模型中并对 训练样本进行训练， 将前 45 组数据作为训练集对预 测模型进行拟合，其结果如图 4 所示。 采用训练好的模型对 15 个测试样本进行测试， 并与 FOA-SVM 模型预测结果、BP 模型预测结果与 实测结果进行对比分析，各模型预测结果及实际测量 结果如表 2 所示。 图 4 改进的 GA-PSO-SVM 模型 表 2 各模型预测结果及实际测量结果 表 3 各模型预测结果及实际测量结果之间的误差 由表 2 可知，15 组测试样本中应用改进的 GA-PSO-SVM 模型预测结果与实测结果的误差范围 序号 采深 （ m） 倾角 （ ） 采高 （ m） 工作面 长度 （ m） 承压水 水压 （ MPa） 底板损 伤变量 1762111.431342.530.8 2830121.401222.140.8 371516.52.701441.970.7 4710183.401356.230.6 55453.05.201554.320.4 662313.03.21353.710.5 76357.52.91602.890.5 5841083.51202.230.3 5947094.01351.780.3 60520112.41282.320.4 序号改进的 GA-PSO-SVMFOA-SVMBP实测结果 17.217.918.327 214.3315.0214.8514.1 310.5411.0310.8910.67 49.0510.1311.259 57.857.958.197.79 610.2510.4610.8310.1 712.9313.3312.8713 816.441716.6816.5 97.878.138.858 1016.8316.3417.6516.8 113.453.793.313.63 1213.1513.9514.3313 1318.7816.8918.6719 1415.2414.5815.6315 1512.3111.8911.3812.1 序号改进的 GA-PSO-SVMFOA-SVMBP 12.911.515.9 21.616.135.05 31.233.262.02 40.5511.1520 50.762.014.88 61.463.446.74 70.542.481.01 80.362.941.08 91.651.609.60 100.182.804.82 115.224.229.67 121.146.819.28 131.1712.491.77 141.572.884.03 151.711.776.33 116 万方数据 （ 上接第 112 页） ［ 4］ 王伟东,王伟,李鹏,等.浅埋深高瓦斯工作面瓦斯抽放对 采空区自燃 “ 三带”的影响研究 ［ J］.煤矿安全,2020,51 （ 01）181-186. ［ 5］ 谢小平,耿耀强.顶板千米定向钻孔在高瓦斯煤层群瓦斯 抽采中的应用 ［ J］.煤炭工程,2019,51 （ 12）101-105. 作者简介 范静波，男，山西省晋城市沁水县人，2017 年 1 月毕业 于重庆大学，安全工程专业，职称助理工程师，现从事矿井 通风 （ 通风队队长职务）。 （ 收稿日期2020-6-2） 为 0.36～5.22，FOA-SVM 模型预测结果与实测结 果的误差范围为 1.60～12.49，BP 模型预测结果 与实测结果的误差范围为 1.01～20。 通过各模型 预 测 结 果 与 实 测 结 果 的 对 比 知 ，改 进 的 GA-PSO-SVM 模型预测结果的误差范围更小， 更适 合煤矿现场的应用要求。各模型预测结果及实际测量 结果之间的误差如表 3 所示。 5 结论 通过提出改进的 GA-PSO-SVM 底板破坏深度 预测模型，可以得出以下结论 1） 自适应权重值是指粒子前期速度对当前速度 的影响程度，其随粒子目标值的改变而改变，当自适 应权重值较大时，粒子前期速度对当前速度的影响较 大，有利于全局搜索，当自适应权重值较小时，粒子前 期速度对当前速度的影响较小， 有利于局部搜索，通 过调节自适应权重值的大小，可以使粒子群优化算法 避开局部极小值，改变粒子的速度状态，增强粒子的 全局及局部搜索能力。 2） 通过将遗传算法 （ GA）引入粒子群优化算法 中，既增加了粒子的多样性，避免局部最优解的出现， 又能实现粒子群优化算法的快速收敛能力。 3） 通过测试样本检验结果可以得出 改进的 GA-PSO-SVM 底板破坏深度预测模型预测结果与实 测结果的误差范围为 0.36～5.22， 比 FOA-SVM 模 型及 BP 模型预测结果的误差范围更小， 预测精度 高，更能真实反应煤层底板的破坏深度。 参考文献 ［ 1］ 王浩民.陈四楼煤矿煤层底板导水破坏深度预测 ［ J］.煤 矿安全,2013,44 （ 07）211-213. ［ 2］ 李昂,李睿妮,王盼,等.澄合矿区 5 煤综采面不同倾长下 底板破坏深度规律研究 ［ J］.煤炭技术,2017,36 （ 04）9-12. ［ 3］ 郑伟.倾斜煤层底板采动破坏深度计算及破坏特征分析 ［ J］.煤矿安全,2017,48 （ 10）195-198. ［ 4］ 宋文军. 基于 ANSYSWORKBENCH 的底板破坏深度预 测 ［ J］.江西建材,2017 （ 07）64. ［ 5］ 韩进,王颖,施龙青,等.基于 GA-SVM 大采深条件下底板 破坏深度回归分析 ［ J］.煤炭技术,2017,36 （ 06）7-9. ［ 6］ 邵良杉,周玉.基于 PSO-ELM-Boosting 模型的底板破坏 深度预测 ［ J］.中国安全科学学报,2018,28 （ 04）24-29. ［ 7］ 崔凯. 基于粗糙集与 BP 神经网络的底板破坏深度预测 ［ J］.山东国土资源,2016,32 （ 01）59-62. ［ 8］ 张文泉,赵凯,张贵彬,等.基于灰色关联度分析理论的底 板破坏深度预测 ［ J］.煤炭学报,2015,40 （ S1）53-59. ［ 9］ 路畅,尹立明,李杨杨,等.基于灰色系统理论的煤层底板破 坏深度预测模型 ［ J］.矿业研究与开发,2015,35 （ 06）63-67. ［ 10］于小鸽,韩进,王丹丹,等.基于模糊综合评判决策理论的 底板破坏深度预测 ［ J］.煤炭技术,2016,35 （ 12）158-160. ［ 11］ 朱志洁,张宏伟,王春明.基于人工蜂群算法优化支持向 量机的采场底板破坏深度预测 ［ J］. 重庆大学学报, 2015,38 （ 06）37-43. ［ 12］白丽扬,赵金海,刘占新,等.基于数据挖掘算法的底板破 坏深度预测 ［ J］.煤炭工程,2017,49 （ 06）92-95. ［ 13］ 赵云平, 邱梅, 刘绪峰, 等. 煤层底板破坏深度预测的 GRA-FOA-SVR 模型［ J］. 中国科技论文,2018,13 （ 03） 247-252. ［ 14］ 张风达. 深部煤层底板破坏深度多元非线性预测模型 ［ J］.煤矿开采,2018,23 （ 01）92-95. ［ 15］ 王宏刚, 曾建潮. 基于 Metropolis 判别准则的遗传算法 ［ J］.控制与决策,1998 （ 02）86-89. ［ 16］林敏,刘必雄,林晓宇.带 Metropolis 准则的混合离散布谷 鸟算法求解旅行商问题 ［ J］.南京大学学报自然科学, 2017,53 （ 05）972-983. ［ 17］ 张广智,赵晨,涂奇催,等.基于量子退火 Metropolis-Hast- ings 算法的叠前随机反演 ［ J］. 石油地球物理勘探, 2018,53 （ 01）153-1609. 作者简介 武雪琪 （ 1995-），男，汉族，山西代县人，助理工程师，主 要从事顶板管理、矿压研究、小 （ 无）煤柱推进与实施工作。 （ 收稿日期2020-6-5） 煤矿现代化2021 年第 1 期总第 160 期 117 万方数据