王 建

(晉城煤業(yè)集團(tuán)寺河煤礦二號井，山西 晉城 048000)

0 引言

煤與瓦斯突出是制約礦井開采的重大問題之一[1]。探討礦井內(nèi)煤與瓦斯突出的問題，從而及時地遏制事故的發(fā)生，對于礦井的安全生產(chǎn)具有很重要的意義。目前，國內(nèi)外的許多專家學(xué)者對煤與瓦斯突出的預(yù)測進(jìn)行了大量的研究與探討[2-5]，并且也提出了相關(guān)的預(yù)測模型[6-12]。為解決原有預(yù)測方法精度較低，且所選擇的樣本受到限制的情況，在以往對煤與瓦斯突出研究的基礎(chǔ)上，提出PSO-SVM以及GA-SVM的煤與瓦斯突出預(yù)測模型，對礦井內(nèi)煤與瓦斯突出進(jìn)行預(yù)測與研究。此外，將礦井實測參數(shù)當(dāng)作訓(xùn)練和檢驗樣本，建立兩種不同算法的分類預(yù)測模型，最后對兩種算法進(jìn)行對比分析，以期對煤與瓦斯突出的預(yù)測提供必要的借鑒。

1 SVM參數(shù)優(yōu)化算法及預(yù)測模型

1.1 SVM參數(shù)優(yōu)化算法

粒子群優(yōu)化算法支持向量機模型：構(gòu)建粒子群優(yōu)化算法支持向量機的分類預(yù)測模型算法的步驟如下。①對粒子群優(yōu)化算法的基本參數(shù)進(jìn)行初始化設(shè)置；②明確搜索空間的大致范圍，分別對支持向量機模型中的相關(guān)參數(shù)進(jìn)行確定，例如懲罰因子以及寬度函數(shù)；③明確適應(yīng)度函數(shù)，本文中的適應(yīng)度函數(shù)為K折交叉驗證的準(zhǔn)確率，根據(jù)交叉驗證的思想能夠有效地選取懲罰因子以及核函數(shù)的相關(guān)參數(shù)；④對本身的最優(yōu)解進(jìn)行計算，此最優(yōu)解一般用Pbest來表示；⑤對全局種群中的最優(yōu)解進(jìn)行計算，此最優(yōu)解用Gbest來表示；⑥利用Pbest以及Gbest對各個粒子的速度及其位置進(jìn)行更新；⑦粒子群優(yōu)化算法結(jié)束，返回到第3個步驟繼續(xù)操作，搜尋到符合終止的條件而結(jié)束。

根據(jù)粒子群優(yōu)化算法整體尋優(yōu)得到的最優(yōu)解及所構(gòu)建的PSO-SVM模型流程圖如圖1所示。

圖1 PSO-SVM模型流程圖

遺傳優(yōu)化算法支持向量機模型：通過對遺傳算法相關(guān)知識的研究可知其在處理非線性問題中具有一定的搜尋能力。所以，在選擇支持向量機的最佳參數(shù)中，可以看作對懲罰因子以及核函數(shù)的優(yōu)化處理的過程?；诖?，本文中提出根據(jù)遺傳算法優(yōu)化的支持向量機的分類預(yù)測模型，其模型算法如下。①二進(jìn)制編碼，第一步要給初始支持向量機中的懲罰因子C以及核函數(shù)參數(shù)δ一個范圍比較大的搜尋空間，第二步即可在此空間內(nèi)把懲罰因子C以及核函數(shù)參數(shù)δ的數(shù)值替換成可以被遺傳算法接受的染色體；②明確適應(yīng)度函數(shù)，本文中的目標(biāo)函數(shù)為3折交叉驗證的準(zhǔn)確率，根據(jù)交叉驗證的思想能夠有效地選取懲罰因子以及核函數(shù)的相關(guān)參數(shù)；③使初始的種群產(chǎn)生出來，對各個個體的適應(yīng)度進(jìn)行計算分析，明確適應(yīng)度的標(biāo)準(zhǔn)準(zhǔn)則；④依次進(jìn)行一系列的操作—選擇、交叉及變異，對適應(yīng)度的數(shù)值進(jìn)行更新；⑤判定其是否達(dá)到計算停止的條件，如果適應(yīng)度的值和設(shè)定的標(biāo)準(zhǔn)值幾乎沒有差別時，則可以輸出最佳解；相反，不符合時返回到第四步繼續(xù)操作直到符合要求；⑥根據(jù)最佳C與δ建立遺傳優(yōu)化算法支持向量機的預(yù)測模型，其流程圖如圖2所示。

圖2 GA-SVM流程圖

1.2 預(yù)測模型

PSO-SVM預(yù)測模型：基于Matlab并且結(jié)合SVM工具箱，編寫出礦井內(nèi)煤與瓦斯突出的PSO-SVM程序，最后優(yōu)化處理懲罰因子C以及核函數(shù)參數(shù)δ。①對PSO-SVM模型的初始參數(shù)進(jìn)行設(shè)定：懲罰因子C的搜尋范圍在0.1～100；參數(shù)δ的搜尋范圍在0.1～1 000；粒子規(guī)模是20，循環(huán)迭代次數(shù)是200；②利用3折交叉驗證的思想，把其準(zhǔn)確率看作適應(yīng)度函數(shù)，進(jìn)行計算并讀取樣本基礎(chǔ)參數(shù)；③如果程序運行到滿足停止的條件時即可終止，其粒子的最佳以及平均適應(yīng)度如圖3所示。

圖3 粒子種群適應(yīng)度

由圖3可以看出，3折交叉驗證的準(zhǔn)確率約為83.333%，得到的最優(yōu)參數(shù)懲罰因子C=0.1，核函數(shù)參數(shù)δ=750.062 8。

GA-SVM預(yù)測模型：基于Matlab并且結(jié)合SVM工具箱，編寫出礦井內(nèi)煤與瓦斯突出的GA-SVM程序，最后優(yōu)化處理懲罰因子C以及核函數(shù)參數(shù)δ。對初始參數(shù)進(jìn)行設(shè)定：①二進(jìn)制編碼，其懲罰因子C的搜尋范圍在0.1～100；參數(shù)δ的搜尋范圍在0.1～1 000；粒子規(guī)模為20；輪盤法代溝以及重組率分別設(shè)定為0.9與0.7，循環(huán)迭代次數(shù)是200；②使程序自動運行，把樣本的相關(guān)參數(shù)讀入且計算到迭代終止，其粒子的最佳以及平均適應(yīng)度如圖4所示。

圖4 遺傳進(jìn)化過程

根據(jù)圖4可知，3折交叉驗證的準(zhǔn)確率約為91.667%，得到的最優(yōu)參數(shù)懲罰因子C=12.016 1，核函數(shù)參數(shù)δ=0.110 34。

2 SVM在煤與瓦斯突出預(yù)測中的應(yīng)用

2.1 影響因素分析

造成礦井內(nèi)部煤與瓦斯突出的因素很多，例如礦井地質(zhì)情況、瓦斯的影響以及煤體內(nèi)部構(gòu)造等[13-14]。本文根據(jù)不同的因素在煤與瓦斯突出中所占比重的大小以及是否便于檢測，選用以下幾個指標(biāo)當(dāng)作樣本屬性，分別為：瓦斯放散初速度X1(mL·s-1)及其壓力X2(MPa)、煤體內(nèi)部破壞類型X3、煤的堅固性系數(shù)X4、開采深度X5(m)。其中，煤體內(nèi)部的破壞類型分別有以下幾種情況：無破壞煤體；有一定的破壞煤體；煤體破壞嚴(yán)重；煤體粉碎；全粉煤。

2.2 危險等級的選擇

通過收集整理，可以得到最初的訓(xùn)練樣本，其中取前11個樣本作為訓(xùn)練樣本，后3個樣本看作是驗證樣本。根據(jù)煤與瓦斯突出時的煤體的重量將其分為4個類別：沒有突出危險時標(biāo)記為無(1)，小于50 t的突出標(biāo)記為小(2)，50～100 t標(biāo)記為中(3)，大于100 t記為大(4)，其原始數(shù)據(jù)見表1。

表1 訓(xùn)練與驗證樣本原始數(shù)據(jù)

2.3 預(yù)測結(jié)果分析

PSO-SVM模型：根據(jù)最優(yōu)參數(shù)構(gòu)建出PSO-SVM模型，從而對后3組的測試樣本進(jìn)行預(yù)測分析，其預(yù)測結(jié)果如圖5所示，從圖中可以看出實際和預(yù)測結(jié)果基本相同。

圖5 PSO-SVM仿真結(jié)果

GA-SVM模型：根據(jù)最優(yōu)參數(shù)構(gòu)建出GA-SVM模型，并且對后3組測試樣本進(jìn)行預(yù)測分析，其仿真預(yù)測結(jié)果如圖6所示，由圖可知仿真結(jié)果有1處誤判，把煤與瓦斯突出危險程度小誤判為大。

圖6 GA-SVM仿真結(jié)果

根據(jù)構(gòu)建的PSO-SVM以及GA-SVM的突出分類預(yù)測模型，并且結(jié)合實際礦井進(jìn)行實驗，可知這兩種算法在礦井的瓦斯突出預(yù)測中效果明顯。而由最終的仿真結(jié)果得出的粒子群優(yōu)化算法相對于遺傳算法而言，綜合預(yù)測結(jié)果更加準(zhǔn)確，顯示出其強大的通用性能，運行方便簡單，具有一定的推廣價值。

3 工程應(yīng)用

根據(jù)實際地質(zhì)勘查，寺河煤礦二號井煤層具有煤與瓦斯突出的危險性。以寺河煤礦二號井中的8個突出嚴(yán)重的區(qū)域為研究對象，將幾個突出的相關(guān)參數(shù)當(dāng)作預(yù)測的樣本進(jìn)行預(yù)測分析，并且根據(jù)構(gòu)建的PSO-SVM和GA-SVM模型對該礦二號井中瓦斯突出區(qū)域進(jìn)行預(yù)測，其結(jié)果如圖7、8所示。根據(jù)表2，可以看出在BP網(wǎng)絡(luò)預(yù)測下的單項以及綜合指標(biāo)的預(yù)測結(jié)果。

圖7 PSO-SVM仿真預(yù)測結(jié)果

圖8 GA-SVM仿真預(yù)測結(jié)果

表2 模型預(yù)測結(jié)果

由表2可以看出，單項以及綜合指標(biāo)的預(yù)測結(jié)果和實際礦井的突出情況有些差異，其準(zhǔn)確度較低，并且體現(xiàn)不出礦井瓦斯突出危險程度的大小。利用20個具有代表性的樣本對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可知預(yù)測的突出情況和實際情況相符合，然而把樣本的個數(shù)降到11個時，其預(yù)測結(jié)果有5處誤差。因此，可以說明在預(yù)測礦井內(nèi)煤與瓦斯突出時，BP神經(jīng)網(wǎng)絡(luò)在處理小樣本數(shù)據(jù)時并不準(zhǔn)確。而同樣在小樣本的情況下，采用PSO-SVM模型對寺河煤礦二號井的突出類型進(jìn)行預(yù)測，其結(jié)果與實際相符合，進(jìn)一步驗證了PSO-SVM模型在處理小樣本的過程中有很強的泛化能力，可以及時解決礦井內(nèi)煤與瓦斯突出中樣本較少的情況。

4 結(jié)論

(1)闡述了支持向量機中懲罰因子以及核函數(shù)參數(shù)的尋優(yōu)方法—粒子群以及遺傳算法，并且根據(jù)MATLAB語言編寫出支持向量機具體的尋優(yōu)過程及其最終的實現(xiàn)情況。

(2)研究了支持向量機的分類預(yù)測模型，并且結(jié)合礦井實際參數(shù)，分別建立了PSO-SVM預(yù)測模型以及GA-SVM預(yù)測模型，最后對這兩種算法進(jìn)行了對比分析。

(3)仿真結(jié)果表明，PSO-SVM預(yù)測模型在礦井瓦斯突出危險預(yù)測中要比其他預(yù)測方法更加準(zhǔn)確，進(jìn)一步證明了PSO-SVM預(yù)測模型更加有利于處理小樣本數(shù)據(jù)的突出危險的礦井。