基于SVM的煤與瓦斯突出預測模型及應用

王 建

(晉城煤業集團寺河煤礦二號井，山西 晉城 048000)

0 引言

煤與瓦斯突出是制約礦井開采的重大問題之一[1]。探討礦井內煤與瓦斯突出的問題，從而及時地遏制事故的發生，對于礦井的安全生產具有很重要的意義。目前，國內外的許多專家學者對煤與瓦斯突出的預測進行了大量的研究與探討[2-5]，并且也提出了相關的預測模型[6-12]。為解決原有預測方法精度較低，且所選擇的樣本受到限制的情況，在以往對煤與瓦斯突出研究的基礎上，提出PSO-SVM以及GA-SVM的煤與瓦斯突出預測模型，對礦井內煤與瓦斯突出進行預測與研究。此外，將礦井實測參數當作訓練和檢驗樣本，建立兩種不同算法的分類預測模型，最后對兩種算法進行對比分析，以期對煤與瓦斯突出的預測提供必要的借鑒。

1 SVM參數優化算法及預測模型

1.1 SVM參數優化算法

粒子群優化算法支持向量機模型：構建粒子群優化算法支持向量機的分類預測模型算法的步驟如下。①對粒子群優化算法的基本參數進行初始化設置；②明確搜索空間的大致范圍，分別對支持向量機模型中的相關參數進行確定，例如懲罰因子以及寬度函數；③明確適應度函數，本文中的適應度函數為K折交叉驗證的準確率，根據交叉驗證的思想能夠有效地選取懲罰因子以及核函數的相關參數；④對本身的最優解進行計算，此最優解一般用Pbest來表示；⑤對全局種群中的最優解進行計算，此最優解用Gbest來表示；⑥利用Pbest以及Gbest對各個粒子的速度及其位置進行更新；⑦粒子群優化算法結束，返回到第3個步驟繼續操作，搜尋到符合終止的條件而結束。

根據粒子群優化算法整體尋優得到的最優解及所構建的PSO-SVM模型流程圖如圖1所示。

圖1 PSO-SVM模型流程圖

遺傳優化算法支持向量機模型：通過對遺傳算法相關知識的研究可知其在處理非線性問題中具有一定的搜尋能力。所以，在選擇支持向量機的最佳參數中，可以看作對懲罰因子以及核函數的優化處理的過程。基于此，本文中提出根據遺傳算法優化的支持向量機的分類預測模型，其模型算法如下。①二進制編碼，第一步要給初始支持向量機中的懲罰因子C以及核函數參數δ一個范圍比較大的搜尋空間，第二步即可在此空間內把懲罰因子C以及核函數參數δ的數值替換成可以被遺傳算法接受的染色體；②明確適應度函數，本文中的目標函數為3折交叉驗證的準確率，根據交叉驗證的思想能夠有效地選取懲罰因子以及核函數的相關參數；③使初始的種群產生出來，對各個個體的適應度進行計算分析，明確適應度的標準準則；④依次進行一系列的操作—選擇、交叉及變異，對適應度的數值進行更新；⑤判定其是否達到計算停止的條件，如果適應度的值和設定的標準值幾乎沒有差別時，則可以輸出最佳解；相反，不符合時返回到第四步繼續操作直到符合要求；⑥根據最佳C與δ建立遺傳優化算法支持向量機的預測模型，其流程圖如圖2所示。

圖2 GA-SVM流程圖

1.2 預測模型

PSO-SVM預測模型：基于Matlab并且結合SVM工具箱，編寫出礦井內煤與瓦斯突出的PSO-SVM程序，最后優化處理懲罰因子C以及核函數參數δ。①對PSO-SVM模型的初始參數進行設定：懲罰因子C的搜尋范圍在0.1～100；參數δ的搜尋范圍在0.1～1 000；粒子規模是20，循環迭代次數是200；②利用3折交叉驗證的思想，把其準確率看作適應度函數，進行計算并讀取樣本基礎參數；③如果程序運行到滿足停止的條件時即可終止，其粒子的最佳以及平均適應度如圖3所示。

圖3 粒子種群適應度

由圖3可以看出，3折交叉驗證的準確率約為83.333%，得到的最優參數懲罰因子C=0.1，核函數參數δ=750.062 8。

GA-SVM預測模型：基于Matlab并且結合SVM工具箱，編寫出礦井內煤與瓦斯突出的GA-SVM程序，最后優化處理懲罰因子C以及核函數參數δ。對初始參數進行設定：①二進制編碼，其懲罰因子C的搜尋范圍在0.1～100；參數δ的搜尋范圍在0.1～1 000；粒子規模為20；輪盤法代溝以及重組率分別設定為0.9與0.7，循環迭代次數是200；②使程序自動運行，把樣本的相關參數讀入且計算到迭代終止，其粒子的最佳以及平均適應度如圖4所示。

圖4 遺傳進化過程

根據圖4可知，3折交叉驗證的準確率約為91.667%，得到的最優參數懲罰因子C=12.016 1，核函數參數δ=0.110 34。

2 SVM在煤與瓦斯突出預測中的應用

2.1 影響因素分析

造成礦井內部煤與瓦斯突出的因素很多，例如礦井地質情況、瓦斯的影響以及煤體內部構造等[13-14]。本文根據不同的因素在煤與瓦斯突出中所占比重的大小以及是否便于檢測，選用以下幾個指標當作樣本屬性，分別為：瓦斯放散初速度X1(mL·s-1)及其壓力X2(MPa)、煤體內部破壞類型X3、煤的堅固性系數X4、開采深度X5(m)。其中，煤體內部的破壞類型分別有以下幾種情況：無破壞煤體；有一定的破壞煤體；煤體破壞嚴重；煤體粉碎；全粉煤。

2.2 危險等級的選擇

通過收集整理，可以得到最初的訓練樣本，其中取前11個樣本作為訓練樣本，后3個樣本看作是驗證樣本。根據煤與瓦斯突出時的煤體的重量將其分為4個類別：沒有突出危險時標記為無(1)，小于50 t的突出標記為小(2)，50～100 t標記為中(3)，大于100 t記為大(4)，其原始數據見表1。

表1 訓練與驗證樣本原始數據

2.3 預測結果分析

PSO-SVM模型：根據最優參數構建出PSO-SVM模型，從而對后3組的測試樣本進行預測分析，其預測結果如圖5所示，從圖中可以看出實際和預測結果基本相同。

圖5 PSO-SVM仿真結果

GA-SVM模型：根據最優參數構建出GA-SVM模型，并且對后3組測試樣本進行預測分析，其仿真預測結果如圖6所示，由圖可知仿真結果有1處誤判，把煤與瓦斯突出危險程度小誤判為大。

圖6 GA-SVM仿真結果

根據構建的PSO-SVM以及GA-SVM的突出分類預測模型，并且結合實際礦井進行實驗，可知這兩種算法在礦井的瓦斯突出預測中效果明顯。而由最終的仿真結果得出的粒子群優化算法相對于遺傳算法而言，綜合預測結果更加準確，顯示出其強大的通用性能，運行方便簡單，具有一定的推廣價值。

3 工程應用

根據實際地質勘查，寺河煤礦二號井煤層具有煤與瓦斯突出的危險性。以寺河煤礦二號井中的8個突出嚴重的區域為研究對象，將幾個突出的相關參數當作預測的樣本進行預測分析，并且根據構建的PSO-SVM和GA-SVM模型對該礦二號井中瓦斯突出區域進行預測，其結果如圖7、8所示。根據表2，可以看出在BP網絡預測下的單項以及綜合指標的預測結果。

圖7 PSO-SVM仿真預測結果

圖8 GA-SVM仿真預測結果

表2 模型預測結果

由表2可以看出，單項以及綜合指標的預測結果和實際礦井的突出情況有些差異，其準確度較低，并且體現不出礦井瓦斯突出危險程度的大小。利用20個具有代表性的樣本對BP神經網絡進行訓練，可知預測的突出情況和實際情況相符合，然而把樣本的個數降到11個時，其預測結果有5處誤差。因此，可以說明在預測礦井內煤與瓦斯突出時，BP神經網絡在處理小樣本數據時并不準確。而同樣在小樣本的情況下，采用PSO-SVM模型對寺河煤礦二號井的突出類型進行預測，其結果與實際相符合，進一步驗證了PSO-SVM模型在處理小樣本的過程中有很強的泛化能力，可以及時解決礦井內煤與瓦斯突出中樣本較少的情況。

4 結論

(1)闡述了支持向量機中懲罰因子以及核函數參數的尋優方法—粒子群以及遺傳算法，并且根據MATLAB語言編寫出支持向量機具體的尋優過程及其最終的實現情況。

(2)研究了支持向量機的分類預測模型，并且結合礦井實際參數，分別建立了PSO-SVM預測模型以及GA-SVM預測模型，最后對這兩種算法進行了對比分析。

(3)仿真結果表明，PSO-SVM預測模型在礦井瓦斯突出危險預測中要比其他預測方法更加準確，進一步證明了PSO-SVM預測模型更加有利于處理小樣本數據的突出危險的礦井。