基于MF-BSMOTE-DBSCAN与BKA-SVM的煤与瓦斯突出预测模型研究
郑晓亮1
张玉婷2
1.安徽理工大学公共安全与应急管理学院,合肥 2311002.安徽理工大学电气与信息工程学院,安徽淮南 232001
摘要：为了提高煤与瓦斯突出预测的准确度,挖掘非事故数据中潜在的危险数据,提出了一种基于无监督(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的数据挖掘方法以及黑翅鸢算法(Black-winged Kite Algorithm,BKA)优化支持向量机(Support Vector Machine,SVM)的预测模型.首先,利用随机森林填补(Missfrest,MF)补全了 22组事故数据,并通过过采样(Borderline SMOTE)扩充了 199组事故数据;其次,运用DBSCAN挖掘出了潜在非事故数据中的26组危险数据;最后,构建了 BKA-SVM煤与瓦斯突出预测模型,并与其他模型进行了对比.结果表明,将危险数据样本识别成事故数据样本的预测准确率均超过了 80％,BKA-SVM模型预测准确率更高,且较算术优化算法(Arithmetic Optimization Algorithm,AOA)优化后SVM寻优速度更快.该研究结果可为煤与瓦斯突出预测研究提供借鉴和参考.
关键词：煤与瓦斯突出预测挖掘危险数据DBSCAN黑翅鸢算法算术优化算法支持向量机
分类号：TD713(矿山安全与劳动保护)
资助基金：国家重点研发计划(2023YFB3211003)煤炭安全精准开采国家地方联合工程研究中心开放基金资助项目(EC2021003)
论文发表日期：2025-03-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 29-34,52 )