LS-SVM算法預測煤層瓦斯涌出量技術(shù)研究及應用.pdf

1、瓦斯涌出量預測一直是煤礦瓦斯研究領域的重點課題。瓦斯涌出量可以為礦井生產(chǎn)指標的制定及防治瓦斯事故提供基礎性的理論依據(jù)，其預測結(jié)果的正確與否將直接影響礦井的技術(shù)經(jīng)濟指標。本論文系統(tǒng)地總結(jié)分析了以往研究中瓦斯涌出量預測方法的不足，針對有限數(shù)據(jù)集的機器學習問題，將有著較好理論基礎的最小二乘支持向量機理論引入瓦斯涌出量預測領域，研究表明，與傳統(tǒng)方法相比，最小二乘支持向量機理論預測精度更高，預測效果更好。
　　論文根據(jù)分源預測理論，選取了回

2、采工作面開采層、鄰近層和采空區(qū)內(nèi)瓦斯涌出量的影響因子。開采層瓦斯涌出量影響因素有開采層瓦斯原始含量、煤層厚度、煤層傾角、埋藏深度、工作面長度、推進速度、開采厚度及工作面采出率；鄰近層瓦斯涌出量的影響因素有鄰近層瓦斯原始含量、鄰近層厚度、層間距離、層間巖性、煤層傾角、推進速度、開采厚度、工作面長度、頂板管理方式；采空區(qū)瓦斯涌出量影響因素有開采層瓦斯原始含量、開采層煤層厚度、工作面采出率、開采強度等。
　　在深入研究支持向量機理論的基

3、礎上，論文提出自調(diào)節(jié)網(wǎng)格搜索法進行核函數(shù)參數(shù)尋優(yōu)，建立了基于徑向基核的最小二乘支持向量機瓦斯涌出量預測模型，并進行了實例分析。同時，選取另外兩種有代表性的瓦斯涌出量預測方法，即傳統(tǒng)方法中的分源預測法和新型非線性方法中的BP人工神經(jīng)網(wǎng)絡方法對同一實例進行預測，與最小二乘支持向量機模型的預測結(jié)果進行比較，得出支持向量機模型預測開采層、鄰近層和采空區(qū)瓦斯涌出量的平均誤差分別為2.12％，7.7%和3.38%，BP人工神經(jīng)網(wǎng)絡方法預測的平均誤差