煤巷支护参数预测研究
陈攀1
马鑫民2
向俊杰2
陈莉影2
梁厅皓2
1.中国矿业大学(北京)力学与土木工程学院,北京 100083;云南省水利水电勘测设计院有限公司,云南 昆明 6500212.中国矿业大学(北京)力学与土木工程学院,北京 100083
摘要：目前支持向量机(SVM)和随机森林(RF)等算法在煤矿巷道支护领域应用较少.研究了不同的机器学习模型进行支护参数设计的适用性,以建立一个更高性能的模型来实现锚杆支护的合理、科学设计.首先建立煤巷支护智能预测数据库:采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本;采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理,建立煤巷支护数据库.提出一种基于合成少数类过采样(SMOTE)-遗传算法(GA)-SVM的煤巷支护参数预测模型:将数据库中的数据分成训练集与测试集,采用SMOTE技术平衡训练样本,提高模型对少数类样本的拟合能力;训练过程采用GA对SVM的超参数进行全局寻优,进一步提高模型整体性能.测试结果表明,SMOTE-GA-SVM模型的分类精度达到83.8％,比传统的SVM模型提高了 21.8％.将SVM、人工神经网络(ANN)、RF、AdaBoost(ADA)和朴素贝叶斯分类器(NBC)等机器学习方法引入到煤巷锚杆支护参数预测中,建立对应的支护参数预测模型,比较结果表明:从最优到最差的预测模型排序分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA,6种模型的平均分类精度达69.9％,验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性.在山西霍宝干河煤矿有限公司对SMOTE-GA-SVM模型进行了应用,模型预测准确率达87.5％,具有较强的适用性和可靠性.
关键词：煤矿巷道机器学习锚杆支护参数合成少数类过采样遗传算法优化支持向量机
分类号：TD353(矿山压力与支护)
资助基金：国家自然科学基金(52074301)
论文发表日期：2023-10-10
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：9( 133-141 )
英文信息