基于DBSCAN-IHHO-SVM模型的煤与瓦斯突出预测
郑晓亮1
王琦2
来文豪3
张贺3
张玉婷3
1.安徽理工大学 安全科学与工程学院,安徽 淮南 232001;安徽理工大学公共安全与应急管理学院,合肥 231131;安徽理工大学电气与信息工程学院,安徽 淮南 2320012.安徽理工大学 安全科学与工程学院,安徽 淮南 2320013.安徽理工大学电气与信息工程学院,安徽 淮南 232001
摘要：针对煤与瓦斯突出事故的复杂性以及数据获取困难导致预测准确率低的问题,提出基于密度的噪声应用空间聚类-改进哈里斯鹰优化-支持向量机(density based spatial clustering of applications with noise-improved Harris hawks optimization-support vector machine,DBSCAN-IHHO-SVM)预测模型.首先,选取瓦斯含量、瓦斯压力、煤层孔隙率、煤层坚固性系数作为预测指标,对数据中的缺失值采用均值填补处理,利用生成式对抗网络(generative adversarial network,GAN)扩充突出数据量.接着,采用DBSCAN从非突出数据中识别潜在危险数据,并将其作为新的突出数据.最后,引入IHHO调整SVM模型参数,将处理后的数据输入IHHO-SVM模型进行预测分析.结果表明,相比于原始SVM模型,DBSCAN-IHHO-SVM模型的整体预测准确率、危险数据识别率分别提升了 5.87%、38.46%.在突出数据样本有限的情况下,DBSCAN-IHHO-SVM模型能有效挖掘非突出数据潜在信息,实现精准预警,为该领域研究提供了新思路.
关键词：煤与瓦斯突出预测危险数据识别数据扩充IHHOSVM
分类号：TD713(矿山安全与劳动保护)
资助基金：十四五重点研发计划资助项目(2023YFB321103)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：2025-03-19
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( 53-59 )
英文信息