[發明專利]一種導水裂隙帶高度預測方法

有效

• 申請號: 201410505095.2
• 申請日: 2014-09-28
• 公開（公告）號: CN104200292A
• 公開（公告）日: 2014-12-10
• 發明（設計）人: 施龍青;邱梅;韓進;滕超;牛超
• 申請（專利權）人: 山東科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02;G06N3/02
• 代理公司: 青島高曉專利事務所 37104
• 代理人: 張世功

技術領域：

本發明屬于地下煤炭開采安全生產技術領域，涉及一種導水裂隙帶高度預測方法，特別是一種基于主成分分析和小波神經網絡的導水裂隙帶高度預測方法。

背景技術：

近年來隨著煤炭產量的大幅提高，開采中的災害事故也頻頻發生，煤礦地下開采必然引起采場工作面頂板覆巖顯著運動，導致巖層產生裂隙和斷裂，一旦這些裂隙和斷裂相互溝通會形成導水通道，將頂板含水層中的水引入采場，從而增加礦井涌水量或引起頂板突水事故，導水裂隙帶高度數值的計算是頂板防治水工作中的重要參數，其預測方法也成為煤炭開采安全生產領域重要課題。現有技術中，導水裂隙帶高度的預測有多種方法，但這些方法都存在自身的缺陷：經驗公式法沒有全面考慮多個因素的影響，只能作為參考；現場實測法可直觀準確的確定導水裂隙帶高度，但現場操作繁瑣，成本較高；相似材料模擬法難以對巖體的構造特征、水體的影響等進行模擬，并需投入大量人力、物力；數值模擬法雖然成本低、易于實現，但受模型的參數影響明顯，結果存在較大的誤差；多元回歸分析法考慮多因素，由于導水裂隙帶高度的非線性使得預測精度不夠；支持向量機可以對多因素綜合考慮，具有較好的非線性映射能力和泛化能力，收斂速度快，預測精度高，然而其預測性能的優劣與參數選擇密切相關，目前對于參數的優化還沒得到很好的解決，且多因素之間存在相關性，使得預測精度受限。

小波神經網絡是基于小波變換而構成的神經網絡模型，即用非線性小波基取代通常的神經元非線性激勵函數，把小波變化與神經網絡有機地結合起來，綜合了小波多尺度分析和神經網絡自學習的優點，具有比傳統神經網絡更快的收斂速度和更強的逼近性能，但導水裂隙帶高度的影響因素眾多，且存在相關性，另外小波神經網絡用于函數優化時，其輸入層的維數和小波基函數都不能太多，否則會大大增加模型參數；主成分分析是對數據壓縮和信息提取的有效方法，能消除原始輸入層數據的相關性，提取少數幾個主成分；利用主成分分析法對導水裂隙帶高度進行主成分建模，消除原始輸入層數據的相關性，提取新變量作為神經網絡的新輸入變量，形成一種新的導水裂隙帶高度預測方法，能提高預測速度和精度，至今尚未見有對此新技術的相關報道。

發明內容：

本發明的目的在于克服現有技術存在的缺陷，設計提供一種費用低廉、學習速度快、預測精度高的導水裂隙帶高度預測方法，該方法基于主成分分析和小波神經網絡的技術實現對導水裂隙帶高度的檢測。

為了實現上述目的，本發明涉及的預測方法包括以下工藝步驟：

(1)獲取樣本數據：選取導水裂隙帶高度的影響指標5～8個，統計部分礦井的導水裂帶隙影響指標和高度數據，形成樣本數據；

(2)影響指標的主成分建模：利用主成分分析法對步驟(1)形成的樣本數據中各樣本的影響指標數據進行降維，得到影響導水裂隙帶高度的主成分模型，求取各樣本的主成分值，并與導水裂隙帶高度組成新的樣本集，其具體步驟如下：

①對樣本數據的各樣本中的影響指標數據進行歸一化處理，得到樣本集矩陣X；

②將樣本集矩陣X用下式變換為相關矩陣，得到主成分矩陣R：

R＝(r_ij)_p×p