基于PSO-SVM的煤層底板突水危險性預測研究.pdf

1、我國華北型煤田底板突水問題普遍嚴重，事故的發(fā)生會造成重大的人員傷亡和財產損失，而風險預測和評價是礦井水害防治的一個重要環(huán)節(jié)，也是實現(xiàn)安全開采的基本前提和重要基礎。本文通過對煤礦突水預測現(xiàn)狀的研究，結合煤層底板突水的非線性特征，選用支持向量機進行煤礦突水危險性預測。
　　支持向量機是基于統(tǒng)計學習理論發(fā)展起來的一種新型機器學習算法，具有較強的泛化能力，適用于解決突水預測這樣的非線性、小樣本問題。但是，支持向量機的泛化能力和預測精度受到

2、懲罰參數(shù)和核函數(shù)參數(shù)等相關參數(shù)的影響，針對支持向量機預測模型參數(shù)難以確定的問題，通過對種群的初始化設置、適應度函數(shù)和終止條件的設置不斷更新粒子速度和位置，從而對影響支持向量機性能的相關參數(shù)進行尋優(yōu)，得到基于粒子群算法的改進支持向量機預測模型。
　　在PSO-SVM突水預測模型的應用過程中，首先分析研究區(qū)域礦井的地質、水文地質條件，選取影響煤層底板突水的主控因素（即隔水層厚度、水壓、底板破壞深度、含水層和斷層落差），然后搜集典型突水

3、工作面的歷史數(shù)據(jù)資料，并將這些數(shù)據(jù)分為訓練集和測試集兩部分；以MATLAB2014a為實驗平臺，結合Microsoft Visual C++編譯器在MATLAB軟件中添加Libsvm工具箱，通過代碼編程對訓練集數(shù)據(jù)進行仿真訓練與測試，得出支持向量機的最優(yōu)懲罰因子C和核函數(shù)參數(shù)分別為694.8591和317.1063；將測試集數(shù)據(jù)代入訓練好的支持向量機模型，對工作面突水危險性進行預測，并將PSO-SVM模型的預測結果與突水系數(shù)法的預測結果