[發明專利]基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法

有效

• 申請號: 201911139793.4
• 申請日: 2019-11-20
• 公開（公告）號: CN111079978B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 閻馨;吳書文;屠乃威;徐耀松;朱永浩;付華
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/214;G06F18/21;G06F18/25
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

本發明公開一種基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，屬于動態預測技術領域，該方法融合LR和Adaboost增強學習設計煤與瓦斯突出預測模型，采集煤與瓦斯突出的多種影響因素數據樣本，訓練基于LR與Adaboost融合模型的煤與瓦斯突出預測模型，在對煤與瓦斯突出災害實時監測過程中，如果煤與瓦斯突出的預測結果與反饋的實際結果不一致時，則需要利用實時數據及其對應的實際結果更新樣本數據，并對基于LR與Adaboost融合模型的煤與瓦斯突出預測模型重新進行訓練學習，完成煤與瓦斯突出預測模型的修正。本發明提供的方法可以實現對煤與瓦斯突出預測的快速、準確和動態預測。

技術領域

本發明涉及動態預測技術領域，尤其涉及一種基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法。

背景技術

煤與瓦斯突出是地應力、瓦斯和煤物理力學性質綜合作用的結果。瓦斯壓力、瓦斯放散初速度、地質構造、煤層堅固性系數等因素對煤與瓦斯突出有著一定程度的影響。瓦斯壓力與游離和吸附的瓦斯有關，是預測煤層瓦斯含量的前提，可以反映煤與瓦斯突出發生及其危險程度；在煤體被破壞程度很大時，瓦斯放散初速度越大，越容易發生瓦斯突出；地質構造對煤與瓦斯突出影響巨大，高瓦斯煤礦及受局部集中影響的低瓦斯煤礦均易發生煤與瓦斯突出；煤層堅固性系數是表征煤體強度和微硬度大小的一個參數，其值越小，煤與瓦斯突出危險性越大；隨著礦井開采深度增加，煤層瓦斯含量也增加，煤層的透氣性越低，煤與瓦斯突出危險性也增大。煤與瓦斯突出是礦井開采過程中危險性最大的災害之一，發生頻率高，社會影響大。進行煤與瓦斯突出快速、準確和動態預測對有效防治礦井煤與瓦斯突出災害尤為重要。

截至目前，國內外學者對煤與瓦斯突出預測問題進行了大量的研究，提出了多種預測方法，如電磁輻射監測方法、支持向量機(SVM)方法、神經網絡(ANN)方法、貝葉斯分類方法等。電磁輻射監測方法屬于指標預測法，預測時考慮的指標只是煤與瓦斯突出多種影響因素的局部映射，而且指標臨界值難以準確確定，在實際生產中常出現低指標的煤與瓦斯突出事故，因此在實際生產中煤與瓦斯突出預測結果的準確性不高。神經網絡方法在構建煤與突出預測模型時常會出現模型構建失敗和過擬合的情況，導致預測準確性不高。支持向量機方法比較適用于利用小規模樣本數據來構建煤與瓦斯突出預測模型，而對于大規模樣本數據建模的效率很低。貝葉斯分類方法非常依賴由樣本數據分布獲取的先驗概率，當樣本數據分布不合理時，預測準確性難以保證。由于上述各方法自身局限性或樣本數據分布不合理，上述各方法很難利用煤與瓦斯突出多種影響因素的樣本數據，高效建立一個穩定的高性能煤與瓦斯突出預測模型。

發明內容

針對上述現有技術的不足，本發明提供一種基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法。

為解決上述技術問題，本發明所采取的技術方案是：基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，其結構原理如圖1所示，包括如下步驟：

步驟1：采集煤與瓦斯突出的多種影響因素數據樣本，利用基于均值的分批估計融合方法對樣本數據進行融合處理并進行危險等級的劃分，將處理后的樣本作為訓練集，記為R；

所述煤與瓦斯突出的多種影響因素包括瓦斯壓力、瓦斯放散初速度、地質構造、煤層堅固性系數、開采深度。

步驟2：用訓練集訓練基于LR與Adaboost融合模型的煤與瓦斯突出預測模型；

所述基于LR與Adaboost融合模型由多個弱分類器和1個強分類器構成，其結構如圖2所示，所述弱分類器由多個LR分類器構成，采用one-VS-rest形式進行分類，將概率值最大的突出危險等級作為每個弱分類器的輸出；每個弱分類器中LR分類器的個數等于煤與瓦斯突出危險等級的類別數，該模型的訓練過程如圖3所示，包括如下步驟：