基于多元融合算法的矿井油型气含量预测
苏嘉豪1
刘扬2
孙亮2
赵海波2
王春光2
田富超2
1.煤炭科学研究总院,北京 100013;中煤科工集团沈阳研究院有限公司,辽宁 抚顺 113122;煤矿2.中煤科工集团沈阳研究院有限公司,辽宁 抚顺 113122;煤矿灾害防控全国重点实验室,辽宁 抚顺 1
摘要：为了提高矿井油型气含量的预测精度和准确性,提出一种基于多元数据融合的精准判定方法.基于影响油型气含量的主要因素,收集了 27 组矿井实际测量数据,使用XGBoost算法筛选出了埋深、顶底板岩性、褶皱及孔隙率作为关键特征,并对其进行标准化处理,以确保不同量纲的数据在建模过程中能够得到合理的融合;采用克里金插值法、最小二乘支持向量机、多层感知器和梯度提升回归树 4 种经典的机器学习算法进行初步预测,针对油型气含量这一回归问题进行了比较分析.结果表明:梯度提升回归树算法在预测性能上表现最佳,其判定系数达到0.987,归一化均方误差在 0.001～0.010 之间,总信息准则在 0.019～0.046 之间;结合Stacking堆叠算法进一步提升预测精度,Stacking方法将多个基学习器的预测结果作为新特征进行融合,并在此基础上,利用改进的鲸鱼优化算法对各基学习器的权重进行优化;为了进一步提升模型的预测能力,引入双向长短期记忆网络,通过元学习机制对基学习器的预测结果进行深度学习,以捕捉更复杂的非线性关系和时序信息,构建了最终的融合模型,模型在测试集上的表现显著优于传统的单一算法;模型预测平均绝对误差的平均值为 0.116 m3/t,归一化均方误差平均值为0.006,总信息准则平均值为 0.004,判定系数高于 0.98,显示出其在矿井油型气含量预测中的高精度和稳定性.
关键词：油型气含量Stacking多元特征融合XGBoostIWOA-BiLSTM预测模型
分类号：TD712(矿山安全与劳动保护)
资助基金：辽宁省自然科学基金资助项目(2023-MS-355)辽宁省自然科学基金资助项目(2022-KF-23-03)河南省瓦斯地质与瓦斯治理重点实验室开放基金资助项目(WS2023B06)华能集团总部科技资助项目(HNKJ23-H18)
论文发表日期：2025-12-20
在线出版日期：2025-12-29（本平台首次上网日期，不代表文献的发表时间）
页数：11( 58-68 )
英文信息