[發(fā)明專利]一種回采巷道圍巖穩(wěn)定性預測的評估方法

有效

• 申請?zhí)枺?/td>: 201710472314.5
• 申請日: 2017-06-21
• 公開（公告）號: CN107357966B
• 公開（公告）日: 2020-07-03
• 發(fā)明（設(shè)計）人: 劉陽;石永奎;李文瑩;石佳慧;于寧;張良良;武繼勝;徐明偉;齊敏華;王體衡;郝建;韓超;余海鷗;丁永祿;高姣嬌;徐旖旎;王曉孟
• 申請（專利權(quán)）人: 山東科技大學;重慶大學
• 主分類號: G06F30/20
• 分類號: G06F30/20
• 代理公司: 青島智地領(lǐng)創(chuàng)專利代理有限公司 37252
• 代理人: 張凱

1.一種回采巷道圍巖穩(wěn)定性預測的評估方法，其特征在于，包括以下步驟：

第一步，以回采巷道的圍巖加權(quán)強度σ、巷道埋藏深度H、直接頂厚度與采高之比N、護巷煤柱寬度X、煤層與巷高之比K和直接頂初次垮落步距L，作為回采巷道圍巖穩(wěn)定性的影響因素，對回采巷道圍巖穩(wěn)定性等級及其影響因素進行現(xiàn)場實測，將實測數(shù)據(jù)輸入計算機，建立樣本數(shù)據(jù)庫；

第二步，從樣本數(shù)據(jù)庫中調(diào)取若干組樣本數(shù)據(jù)，將每一組樣本數(shù)據(jù)的影響因素，作為輸入向量，并將每一組樣本數(shù)據(jù)所對應的回采巷道圍巖穩(wěn)定性等級，作為輸出向量，建立單核函數(shù)支持向量機預測模型，得出訓練樣本在M折交叉驗證下的平均預測準確率；

在將所述回采巷道圍巖穩(wěn)定性的影響因素作為預測模型的輸入向量時，需要先按下式(1)進行歸一化：

上式(1)中：

x_j為特征向量；

x_i為訓練樣本輸入值；

x_min為訓練樣本最小值；

x_max為訓練樣本最大值；

第三步，選取平均預測準確率較高的全局核函數(shù)與局部核函數(shù)，組合成混合核函數(shù)，建立混合核函數(shù)支持向量機預測模型；

第四步，利用粒子群算法對上述混合核函數(shù)支持向量機預測模型中的懲罰因子、核參數(shù)以及單核函數(shù)系數(shù)進行優(yōu)化，優(yōu)化后得到回采巷道圍巖穩(wěn)定性的粒子群算法-混合核函數(shù)支持向量機預測模型；

第五步，將歸一化后的待預測樣本輸入到已訓練好的粒子群算法-混合核函數(shù)支持向量機預測模型中，得出待預測樣本的預測精度與可靠性；

第六步，構(gòu)建粒子群算法-混合核函數(shù)支持向量機預測模型成熟度的評估方法，對模型成熟度進行評估；

所述單核函數(shù)包括線性核函數(shù)K(x,x_j)＝x^Tx_j+a、多項式核函數(shù)K(x,x_j)＝(βx^Tx_j+r)^d、徑向基核函數(shù)K(x,x_j)＝exp(-γ||x-x_j||²)和Sigmoid核函數(shù)K(x,x_j)＝tanh(μx^Tx_j+h)；

所述線性核函數(shù)與徑向基核函數(shù)為局部核函數(shù)，多項式核函數(shù)與Sigmoid核函數(shù)為全局核函數(shù)；

所述單核函數(shù)支持向量機預測模型的平均預測準確率計算過程包括以下步驟：

(1)將訓練樣本均分成S份，第2～S份樣本用于訓練，第1份樣本用于測試，記錄第1份樣本的預測準確率；

(2)依次重復步驟(1)得到S份樣本的預測準確率，其均值即為單核函數(shù)支持向量機預測模型的平均預測準確率；

所述混合核函數(shù)為單核函數(shù)支持向量機預測模型在較高平均預測準確率下，全局核函數(shù)與局部核函數(shù)的組合，組合按下式(2)進行：

K_M(x,x_j)＝λ₁K₁(x,x_j)+λ₂K₂(x,x_j) (2)；

上式(2)中：

x_j為特征向量，x,x_j∈Rⁿ，(x,x_j)為內(nèi)積；

λ₁與λ₂為單核函數(shù)系數(shù)，λ₁,λ₂0，且λ₁+λ₂＝1；

K₁(x,x_j)為全局核函數(shù)，K₂(x,x_j)為局部核函數(shù)；

所述粒子群算法優(yōu)化混合核函數(shù)支持向量機預測模型是按如下方法建立的，包括以下步驟：

第1步，初始化粒子群

設(shè)定粒子群初始化認知學習因子c₁與社會學習因子c₂，第i個粒子初始位置為x_i＝(x_i1,x_i2，...,x_id)，第i個粒子初始速度為v_i＝(v_i1,v_i2,...,v_id)^T，第i個粒子個體最優(yōu)位置為p_i＝(p_i1,p_i2，...,p_id)，第i個粒子全局最優(yōu)位置為g_i＝(g_i1,g_i2,...,g_id)；

第2步，確定適應度函數(shù)

將混合核函數(shù)支持向量機預測模型的平均預測準確率作為評價每個粒子的適應度函數(shù)，適應度函數(shù)表達式為下式(3)：

上式(3)中：

n為回采巷道圍巖穩(wěn)定性等級數(shù)，n≤5；

Nc_i為第i等級的正確預測樣本數(shù)；

Ne_i為第i等級的錯誤預測樣本數(shù)；

第3步，計算適應度值

利用適應度函數(shù)計算每個粒子的適應度值，并按以下步驟調(diào)整粒子的個體最優(yōu)位置和種群最優(yōu)位置：

先比較每個粒子的適應度值及其經(jīng)過的最優(yōu)位置，得到粒子的個體最優(yōu)位置，如果當前值p_l優(yōu)于粒子的個體極值p_best，則設(shè)定p_l＝p_best，并設(shè)定當前值p_l的位置為個體最優(yōu)位置；

然后，比較整個種群的適應度值及其經(jīng)過的最優(yōu)位置，得到整個粒子群的最優(yōu)位置，如果當前值g_l優(yōu)于種群的全局極值g_best，則設(shè)定g_l＝g_best，并設(shè)定當前值g_l的位置為種群最優(yōu)位置；

第4步，迭代更新

按下式(4)對每個粒子的速度與位置進行迭代更新：

上式(4)中：

d為種群粒子數(shù)；

ω為慣性權(quán)重；

r₁,r₂∈(0,1)；

t為迭代次數(shù)；

第5步，判斷誤差條件是否滿足要求，或是否達到最大迭代次數(shù)， 若是，終止迭代；否則，返回至第3步；

所述待預測樣本的預測精度按下式(5)計算得出：

上式(5)中：

Se_i為第i等級待預測樣本的敏感性函數(shù)；

Sp_i為第i等級待預測樣本的專一性函數(shù)；

Nc為正確預測樣本數(shù)；

Ne為錯誤預測樣本數(shù)；

N為待預測樣本總數(shù)，N＝Nc+Ne；

所述待預測樣本總數(shù)N如下式(6)所示：

上式(6)中：

N_i為第i等級的待預測樣本數(shù)；

所述敏感性函數(shù)Se_i如下式(7)所示：

上式(7)中：

Nc_i為第i等級的正確預測樣本數(shù)；

N_i為第i等級的待預測樣本數(shù)；

所述專一性函數(shù)Sp_i如下式(8)所示：

上式(8)中：

Ne_i為第i等級的錯誤預測樣本數(shù)；

N為待預測樣本總數(shù)；

N_i為第i等級的待預測樣本數(shù)；

所述正確預測樣本數(shù)Nc如下式(9)所示：

上式(9)中：

Nc_i為第i等級的正確預測樣本數(shù)；

所述錯誤預測樣本數(shù)Ne如下式(10)所示：

上式(10)中：

Ne_i為第i等級的錯誤預測樣本數(shù)；

所述待預測樣本的預測可靠性按下式(11)計算得出：

上式(11)中：

r_ij為待預測樣本由第i等級預測成第j等級的可靠度，r_ij∈[0,1]；

α_ij為待預測樣本由第i等級預測成第j等級樣本的發(fā)生率，α_ij∈[0,1]；

所述可靠度r_ij依靠專家打分法完成賦值，所述發(fā)生率α_ij按下式(12)計算得出：

上式(12)中：

Nc_i為第i等級的正確預測樣本數(shù)；

N_j為第j等級的待預測樣本數(shù)；

所述粒子群算法-混合核函數(shù)支持向量機預測模型成熟度是按下式(13)計算得到的：

Ma＝P·R (13)；

上式(13)中：

P為待預測樣本的預測精度；

R為待預測樣本的預測可靠性。