-
题名煤巷支护参数预测研究
被引量：2
- 1
-
-
作者
陈攀
马鑫民
向俊杰
陈莉影
梁厅皓
-
机构
中国矿业大学(北京)力学与土木工程学院
云南省水利水电勘测设计院有限公司
-
出处
《工矿自动化》
CSCD
北大核心
2023年第10期133-141,共9页
-
基金
国家自然科学基金资助项目(52074301)。
-
文摘
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。
-
关键词
煤矿巷道
机器学习
锚杆支护参数
合成少数类过采样
遗传算法优化支持向量机
-
Keywords
coal mine roadway
machine learning
anchor rod support parameters
oversampling of synthesized minority classes
genetic algorithm optimizing support vector machine
-
分类号
TD353
[矿业工程—矿井建设]
-
