煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)

李燕，南新元，藺萬(wàn)科

（新疆大學(xué) 電氣工程學(xué)院,新疆 烏魯木齊 830047）

0 引言

煤與瓦斯突出是煤巖體破碎后大量瓦斯向巷道空間快速涌出的復(fù)雜現(xiàn)象。隨著煤礦開(kāi)采的不斷深入，煤與瓦斯突出發(fā)生的頻率越來(lái)越高，是當(dāng)前煤礦開(kāi)采過(guò)程中的重大破壞性事故之一[1-2]。因此，快速準(zhǔn)確地預(yù)測(cè)煤與瓦斯突出危險(xiǎn)性，是保障煤礦安全生產(chǎn)的關(guān)鍵措施之一。

近年來(lái)，眾多研究者從不同角度對(duì)煤與瓦斯突出的預(yù)測(cè)方法進(jìn)行了探索。付華等[3]利用等距映射算法結(jié)合加權(quán)支持向量機(jī)（Support Vector Machine,SVM）對(duì)煤與瓦斯突出進(jìn)行預(yù)測(cè)，提高了預(yù)測(cè)速度，但由于缺少對(duì)SVM 自身參數(shù)的優(yōu)化，預(yù)測(cè)精度不高。Liu Haibo 等[4]針對(duì)SVM 預(yù)測(cè)煤礦工作面瓦斯突出分辨率低的問(wèn)題，通過(guò)粒子群算法對(duì)SVM 的核參數(shù)進(jìn)行優(yōu)化，提高了預(yù)測(cè)精準(zhǔn)度，但該算法容易陷入局部最優(yōu)解，導(dǎo)致響應(yīng)速度過(guò)慢。Wu Yaqin 等[5]為解決神經(jīng)網(wǎng)絡(luò)對(duì)煤與瓦斯突出預(yù)測(cè)性能低的問(wèn)題，將神經(jīng)網(wǎng)絡(luò)與SVM 相結(jié)合建立煤與瓦斯突出預(yù)測(cè)模型，該模型比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)性能，但數(shù)據(jù)量過(guò)大，導(dǎo)致訓(xùn)練速度緩慢。鄭曉亮等[6]提出利用數(shù)據(jù)挖掘多重填補(bǔ)-SVM 算法預(yù)測(cè)煤與瓦斯突出，解決了數(shù)據(jù)嚴(yán)重缺失的問(wèn)題，但該算法忽略了對(duì)主控因素的篩選，運(yùn)算時(shí)間較長(zhǎng)。韓永亮等[7]為提升極限學(xué)習(xí)機(jī)對(duì)煤與瓦斯突出預(yù)測(cè)的精度，將遺傳算法與SVM 相結(jié)合，提高了預(yù)測(cè)準(zhǔn)確度，但該算法的泛化性能不高，魯棒性較差。

針對(duì)上述算法存在的缺陷，本文提出了一種改進(jìn)灰狼算法（Improved Grey Wolf Optimizer,IGWO）優(yōu)化SVM 的煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)方法?！?br>