煤巷支护参数预测研究

• Published in: 工矿自动化 Vol. 49; no. 10; pp. 133 - 141
• Main Authors: 陈攀, 马鑫民, 向俊杰, 陈莉影, 梁厅皓
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学(北京)力学与土木工程学院,北京 100083 2023; 云南省水利水电勘测设计院有限公司,云南 昆明 650021%中国矿业大学(北京)力学与土木工程学院,北京 100083
• Subjects: anchor rod support parameters; 锚杆支护参数; 遗传算法优化支持向量机; 机器学习; 合成少数类过采样; genetic algorithm optimizing support vector machine; oversampling of synthesized minority classes; coal mine roadway; machine learning; 煤矿巷道
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.2022120047

TD353; 目前支持向量机(SVM)和随机森林(RF)等算法在煤矿巷道支护领域应用较少.研究了不同的机器学习模型进行支护参数设计的适用性,以建立一个更高性能的模型来实现锚杆支护的合理、科学设计.首先建立煤巷支护智能预测数据库:采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本;采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理,建立煤巷支护数据库.提出一种基于合成少数类过采样(SMOTE)-遗传算法(GA)-SVM的煤巷支护参数预测模型:将数据库中的数据分成训练集与测试集,采用SMOTE技术平衡训练样本,提高模型对少数类样本的拟合能力;训练过程采用GA对SVM的超参数进行全局寻优,进一步提高模型整体性能.测试结果表明,SMOTE-GA-SVM模型的分类精度达到83.8％,比传统的SVM模型提高了 21.8％.将SVM、人工神经网络(ANN)、RF、AdaBoost(ADA)和朴素贝叶斯分类器(NBC)等机器学习方法引入到煤巷锚杆支护参数预测中,建立对应的支护参数预测模型,比较结果表明:从最优到最差的预测模型排序分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA,6种模型的平均分类精度达69.9％,验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性.在山西霍宝干河煤矿有限公司对SMOTE-GA-SVM模型进行了应用,模型预测准确率达87.5％,具有较强的适用性和可靠性.