[發(fā)明專利]一種煤層底板破壞深度的預測方法

有效

• 申請?zhí)枺?/td>: 201410508010.6
• 申請日: 2014-09-28
• 公開（公告）號: CN104268650B
• 公開（公告）日: 2016-11-30
• 發(fā)明（設計）人: 韓進;施龍青;邱梅;滕超;牛超
• 申請（專利權）人: 山東科技大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 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(fā)明屬于煤炭安全生產(chǎn)及開采技術領域，涉及一種煤層底板破壞深度的預測方法，特別是一種基于簡單遞歸神經(jīng)網(wǎng)絡-支持向量機(Elman-SVM)耦合算法的煤層采動過程中底板破壞深度預測方法。

背景技術：

目前，在煤炭開采施工場合，煤礦的安全問題尤為重要，煤層底板破壞深度是評價煤層底板阻水性能的關鍵數(shù)據(jù)之一，煤層采掘過程中，煤層底板隔水巖層常發(fā)生變形、產(chǎn)生底臌、出現(xiàn)裂縫，使得蘊藏在底板下的地下水涌入礦井，發(fā)生突水事故，因此，煤層底板破壞深度成為礦井安全生產(chǎn)的重要參數(shù)，其預測也成為煤炭開采領域的新課題；在現(xiàn)有技術中，國內(nèi)外對煤層底板破壞規(guī)律已有大量研究，影響底板破壞深度的關鍵因素已經(jīng)確定，這些關鍵因素是底板突水預警的重要依據(jù)，也是科學精確地預測底板破壞深度的重要指標因素，同時這些關鍵因素的確定可以節(jié)省底板破壞深度的實測開支。現(xiàn)有技術中的底板破壞深度的預測方法，主要有理論公式法、經(jīng)驗公式法、回歸分析法、數(shù)值模擬法、神經(jīng)網(wǎng)絡法和支持向量機法等；理論公式法、經(jīng)驗公式法考慮的因素比較單一或較少；數(shù)值模擬法的模型建立相對理想化；回歸分析法考慮因素較全，但擬合精度往往不高；神經(jīng)網(wǎng)絡法和支持向量機法在非線性預測方面預測效果較好，應用比較廣泛，但是該模型只是基于系統(tǒng)的數(shù)學模型，沒有考慮建模誤差的影響，勢必影響預測精度，且隨著預測樣本的增加，其預測誤差會加大，而且底板破壞深度是一個復雜的、多因素影響的非線性系統(tǒng)，隨機誤差的存在使預測誤差再次加大，這些技術因素至今尚未有成熟技術予以解決。

發(fā)明內(nèi)容：

本發(fā)明的目的在于克服現(xiàn)有技術存在的缺陷，設計提供一種能滿足煤礦安全生產(chǎn)需求，能消除系統(tǒng)誤差和隨機誤差，增強系統(tǒng)的魯棒性，提高預測精度的基于Elman-SVM耦合算法的煤層底板破壞深度預測方法。

為了實現(xiàn)上述目的，本發(fā)明涉及的預測方法采用以下技術方案：

(1)建立樣本數(shù)據(jù)庫：收集典型煤礦底板破壞深度實測資料及其對應的影響因子，建立建模樣本和檢驗樣本數(shù)據(jù)庫，其影響因子包括煤層采深、煤層傾角、煤層采厚、工作面斜長、底板抗破壞能力和有無切穿型斷層或破碎帶6個影響因子；

(2)建立Elman-SVM耦合模型：首先對建模樣本原始數(shù)據(jù)建立煤層底板破壞深度的簡單遞歸神經(jīng)(Elman)網(wǎng)絡預測模型，求得原始數(shù)據(jù)預測值和誤差；然后對求得的誤差進行支持向量機(SVM)建模，求得誤差預測值；最后將原始數(shù)據(jù)預測值和誤差預測值合成，求得煤層底板破壞深度最終預測值；

所述建立煤層底板破壞深度的Elman網(wǎng)絡預測模型的步驟如下：

①將6個影響因子作為Elman網(wǎng)絡的輸入值，將相應的底板破壞深度作為網(wǎng)絡的輸出值；

②用建模樣本進行訓練，給出訓練步長、最大訓練步數(shù)、均方差最小值和激勵函數(shù)，在訓練過程中每一步隨機設定各層的連接權個閾值，在最大訓練步數(shù)范圍內(nèi)均方差達到規(guī)定值時便結束訓練，設定網(wǎng)絡結構，尋找最優(yōu)模型；

所述SVM建模的步驟如下：

①選取6個影響因子作為輸入向量，Elman網(wǎng)絡求得的誤差為目標向量；

②數(shù)據(jù)歸一化處理：對輸入向量數(shù)據(jù)進行歸一化處理，使得所有數(shù)據(jù)處于[-1，1]之間；

③初始參數(shù)設置：選擇SVM類型和核函數(shù)，確定模型所需的運行參數(shù)，確定微粒群優(yōu)化算法(PSO)的初始參數(shù)；

④PSO參數(shù)尋優(yōu)：調(diào)用PSO-SVM算法優(yōu)化SVM的懲罰參數(shù)c和核參數(shù)g，獲取最優(yōu)參數(shù)；

⑤建立SVM模型：用步驟④獲得的最優(yōu)參數(shù)訓練SVM回歸機，建立SVM誤差預測模型；

(3)模型檢驗：利用檢驗樣本對預測模型進行檢驗，預測模型精度達到90％以上為預測模型合格，用來預測；預測模型精度小于90％，重復步驟(2)和(3)，直到預測模型合格，預測模型檢驗合格后實現(xiàn)對預測礦區(qū)的煤層底板破壞深度的預測。

本發(fā)明與現(xiàn)有技術相比，先利用Elman神經(jīng)網(wǎng)絡建立原始數(shù)據(jù)的非線性預測模型，然后用SVM建立誤差預測模型，最后將兩模型預測合成構成Elman-SVM耦合算法，該耦合算法能有效消除系統(tǒng)誤差和隨機誤差，增強系統(tǒng)的魯棒性，提高預測精度；其整體設計原理可靠，采用的計算方法成熟，建模技術安全，預測數(shù)據(jù)準確，預測環(huán)境友好。

附圖說明：

圖1為本發(fā)明方法的工藝流程示意框圖。

圖2為本發(fā)明涉及的試驗網(wǎng)絡的預測相對誤差示意圖。

圖3為本發(fā)明涉及的建模樣本原始數(shù)據(jù)的Elman網(wǎng)絡模型預測值與實際值對比示意圖。