基于SVM的礦井瓦斯預警系統因素研究

楊宏海

（霍州煤電集團木瓜煤礦，山西 呂梁 033000）

隨著采礦水平的發展以及露天煤礦儲量的減少，大型井工礦井逐年增多，采掘機械化水平也逐年提高。我國煤炭資源儲量豐富，但整體瓦斯含量較高，隨著產量的增大，瓦斯涌出問題日益凸顯，對井工礦井安全生產造成威脅。建立先進的瓦斯預警系統，對瓦斯涌出量進行預測，是十分必要的[1-3]。

1 煤礦瓦斯特性

瓦斯一般指以CH4為主要含量的煤礦有害氣體，無色無味，主要由原煤、生物化學物質、圍巖產生。其具有可燃性，在含量超限時遇火花易發生瓦斯爆炸事故，對井下人員安全造成極大的威脅[4-5]。

2 支持向量機（SVM）簡介

SVM為一種基于統計學回歸性分析的模型，在樣本規模不大的情況下，可將低維的函數映射到高維的數據空間，對樣本數據進行分析。

支持向量機函數為：

式中：

φ(x)-目的高維空間函數；

b-模型偏移量；

ω-權值向量。

通過對樣本數據的訓練，尋找權值向量ω和b。最終將最小化結構定義為：

式中：

C-懲罰函數，C＞0。

優點：

（1）運用最優化原則函數結構，算法簡單，計算能力好。

（2）對樣本數據量要求低，通過二次尋優算法，避免維數造成影響。

SVM的廣泛適用性可以運用到煤礦的瓦斯預測，對瓦斯預警系統提供依據。

3 SVM瓦斯涌出預測分析

基于SVM瓦斯預測模型建立分為樣本訓練與預測兩部分。訓練學習就是確定瓦斯涌出的函數，即先將影響瓦斯含量的因素作為模型的輸入端，瓦斯實際數據作為模型的輸出端，通過訓練確定回歸性函數。

建立模型的關鍵是主要函數的選擇，目前運行效果較好的函數有以下四種。

多項式函數：K（x,x*）=（x,x*+1）

高斯函數：

傅里葉函數：

神經網絡函數：

表1 不同核函數的訓練比較

從訓練比較表可得高斯函數所需要的向量數最少，訓練時間也相對較短，精度較高。本次選擇高斯函數作為礦井瓦斯預測的中心函數。

大量收集本礦瓦斯數據與相關因素作為模型訓練的樣本，見表2。

將瓦斯涌出因素進行SVM訓練，訓練流程見圖1，輸出回歸性模型：

式中：

y-絕對瓦斯涌出量，m3/min；

x1-埋深，m；

x2-煤厚，m；

x3-煤層瓦斯含量，m3/t；

x4-煤層間距，m；

x5-日進度，m；

x6-日產量，t。

可見對模型影響較大的因子為煤層瓦斯含量。

表2 瓦斯涌出量相關因素統計

圖1 SVM流程圖

對實際數值進行仿真，設置迭代次數500次，試驗結果見下圖。可直觀看到SVM預測與實際值擬合度較高。

4 工作面預警系統應用

在W23012巷開掘前共布置4個測點，狀態預警結果為“危險”34次，其余為正常；趨勢預警結果為“紅色”30次，“橙色”12次，其余為“綠色”。經考察上述區域效檢專項預警結果全部正確。

圖2 瓦斯涌出預測實測與SVM值

表3 W23012巷區域效驗專項預警指標

5 結論

通過使用SVM法對礦井瓦斯涌出進行預測，建立適用本礦井的SVM模型，實驗結果表明，僅需少量樣本即可準確預測礦井瓦斯，對于礦井預警系統建立提供基礎依據，并為實現現代化礦井添磚加瓦。