一种煤层底板破坏深度的预测方法

摘要

本发明属于煤炭安全生产及开采技术领域，涉及一种煤层底板破坏深度的预测方法；先收集煤矿底板破坏深度实测资料及其对应的影响因子，建立建模样本和检验样本数据库，后对建模样本原始数据建立简单递归神经网络预测模型，求得原始数据预测值和误差；再对求得的误差进行支持向量机建模，求得误差预测值，然后将原始数据预测值和误差预测值合成，求得煤层底板破坏深度最终预测值，最后利用检验样本对预测模型进行检验，检验合格后实现对预测矿区的煤层底板破坏深度的预测；其整体设计原理可靠，采用的计算方法成熟，建模技术安全，预测数据准确，预测环境友好。

权利要求

1.一种煤层底板破坏深度的预测方法，其特征在于包括以下步骤：(1)建立样本数据库：收集典型煤矿底板破坏深度实测资料及其对应的影响因子，建立建模样本和检验样本数据库，其影响因子包括煤层采深、煤层倾角、煤层采厚、工作面斜长、底板抗破坏能力和有无切穿型断层或破碎带6个影响因子；

(2)建立Elman-SVM耦合模型：首先对建模样本原始数据建立煤层底板破坏深度的简单递归神经网络预测模型，求得原始数据预测值和误差；然后对求得的误差进行支持向量机建模，求得误差预测值；最后将原始数据预测值和误差预测值合成，求得煤层底板破坏深度最终预测值；

所述建立煤层底板破坏深度的简单递归神经网络预测模型的步骤如下：①将6个影响因子作为Elman网络的输入值，将相应的底板破坏深度作为网络的输出值；

②用建模样本进行训练，给出训练步长、最大训练步数、均方差最小值和激励函数，在训练过程中每一步随机设定各层的连接权个阈值，在最大训练步数范围内均方差达到规定值时便结束训练，设定网络结构，寻找最优模型；

所述支持向量机建模的步骤如下：

①选取6个影响因子作为输入向量，Elman网络求得的误差为目标向量；

②数据归一化处理：对输入向量数据进行归一化处理，使得所有数据处于[-1，1]之间；

③初始参数设置：选择SVM类型和核函数，确定模型所需的运行参数，确定微粒群优化算法的初始参数；

④PSO参数寻优：调用PSO-SVM算法优化SVM的惩罚参数c和核参数g，获取最优参数；

⑤建立SVM模型：用步骤④获得的最优参数训练SVM回归机，建立SVM误差预测模型；

(3)模型检验：利用检验样本对预测模型进行检验，预测模型精度达到90％以上为预测模型合格，用来预测；预测模型精度小于90％，重复步骤(2)和(3)，直到预测模型合格，预测模型检验合格后实现对预测矿区的煤层底板破坏深度的预测。

说明书

一种煤层底板破坏深度的预测方法

技术领域:

[0001] 本发明属于煤炭安全生产及开采技术领域，涉及一种煤层底板破坏深度的预测方法，特别是一种基于简单递归神经网络-支持向量机(Elman-SVM)耦合算法的煤层采动过程中底板破坏深度预测方法。背景技术：

[0002] 目前，在煤炭开采施工场合，煤矿的安全问题尤为重要，煤层底板破坏深度是评价煤层底板阻水性能的关键数据之一，煤层采掘过程中，煤层底板隔水岩层常发生变形、产生底臌、出现裂缝，使得蕴藏在底板下的地下水涌入矿井，发生突水事故，因此，煤层底板破坏深度成为矿井安全生产的重要参数，其预测也成为煤炭开采领域的新课题；在现有技术中，国内外对煤层底板破坏规律已有大量研究，影响底板破坏深度的关键因素已经确定，这些关键因素是底板突水预警的重要依据，也是科学精确地预测底板破坏深度的重要指标因素，同时这些关键因素的确定可以节省底板破坏深度的实测开支。现有技术中的底板破坏深度的预测方法，主要有理论公式法、经验公式法、回归分析法、数值模拟法、神经网络法和支持向量机法等；理论公式法、经验公式法考虑的因素比较单一或较少；数值模拟法的模型建立相对理想化；回归分析法考虑因素较全，但拟合精度往往不高；神经网络法和支持向量机法在非线性预测方面预测效果较好，应用比较广泛，但是该模型只是基于系统的数学模型，没有考虑建模误差的影响，势必影响预测精度，且随着预测样本的增加，其预测误差会加大，而且底板破坏深度是一个复杂的、多因素影响的非线性系统，随机误差的存在使预测误差再次加大，这些技术因素至今尚未有成熟技术予以解决。发明内容：

[0003] 本发明的目的在于克服现有技术存在的缺陷，设计提供一种能满足煤矿安全生产需求，能消除系统误差和随机误差，增强系统的鲁棒性，提高预测精度的基于Elman-SVM耦合算法的煤层底板破坏深度预测方法。

[0004] 为了实现上述目的，本发明涉及的预测方法采用以下技术方案：

[0005] (1)建立样本数据库：收集典型煤矿底板破坏深度实测资料及其对应的影响因子，建立建模样本和检验样本数据库，其影响因子包括煤层采深、煤层倾角、煤层采厚、工作面斜长、底板抗破坏能力和有无切穿型断层或破碎带6个影响因子；

[0006] (2)建立Elman-SVM耦合模型：首先对建模样本原始数据建立煤层底板破坏深度的简单递归神经(Elman)网络预测模型，求得原始数据预测值和误差；然后对求得的误差进行支持向量机(SVM)建模，求得误差预测值；最后将原始数据预测值和误差预测值合成，求得煤层底板破坏深度最终预测值；

[0007] 所述建立煤层底板破坏深度的Elman网络预测模型的步骤如下：

[0008] ①将6个影响因子作为Elman网络的输入值，将相应的底板破坏深度作为网络的输出值；

[0009] ②用建模样本进行训练，给出训练步长、最大训练步数、均方差最小值和激励函数，在训练过程中每一步随机设定各层的连接权个阈值，在最大训练步数范围内均方差达到规定值时便结束训练，设定网络结构，寻找最优模型；

[0010] 所述SVM建模的步骤如下：

[0011] ①选取6个影响因子作为输入向量，Elman网络求得的误差为目标向量；

[0012] ②数据归一化处理：对输入向量数据进行归一化处理，使得所有数据处于[-1，1]之间；

[0013] ③初始参数设置：选择SVM类型和核函数，确定模型所需的运行参数，确定微粒群优化算法(PSO)的初始参数；

[0014] ④PSO参数寻优：调用PSO-SVM算法优化SVM的惩罚参数c和核参数g，获取最优参数；

[0015] ⑤建立SVM模型：用步骤④获得的最优参数训练SVM回归机，建立SVM误差预测模型；

[0016] (3)模型检验：利用检验样本对预测模型进行检验，预测模型精度达到90％以上为预测模型合格，用来预测；预测模型精度小于90％，重复步骤(2)和(3)，直到预测模型合格，预测模型检验合格后实现对预测矿区的煤层底板破坏深度的预测。

[0017] 本发明与现有技术相比，先利用Elman神经网络建立原始数据的非线性预测模型，然后用SVM建立误差预测模型，最后将两模型预测合成构成Elman-SVM耦合算法，该耦合算法能有效消除系统误差和随机误差，增强系统的鲁棒性，提高预测精度；其整体设计原理可靠，采用的计算方法成熟，建模技术安全，预测数据准确，预测环境友好。附图说明：

[0018] 图1为本发明方法的工艺流程示意框图。

[0019] 图2为本发明涉及的试验网络的预测相对误差示意图。

[0020] 图3为本发明涉及的建模样本原始数据的Elman网络模型预测值与实际值对比示意图。

[0021] 图4为本发明涉及的SVM模型的PSO参数寻优适应度曲线示意图。

[0022] 图5为本发明涉及的Elman模型误差的SVM模型预测值与实际值对比示意图。具体实施方式：

[0023] 下面结合附图并通过实施例对本发明做进一步说明。

[0024] 实施例1：本实施例涉及的预测方法采用以下技术方案：

[0025] (1)建立样本数据库：收集典型煤矿底板破坏深度实测资料及其对应的影响因子，建立建模样本和检验样本数据库，其影响因子包括煤层采深、煤层倾角、煤层采厚、工作面斜长、底板抗破坏能力和有无切穿型断层或破碎带6个影响因子；

[0026] (2)建立Elman-SVM耦合模型：首先对建模样本原始数据建立煤层底板破坏深度的简单递归神经(Elman)网络预测模型，求得原始数据预测值和误差；然后对求得的误差进行支持向量机(SVM)建模，求得误差预测值；最后将原始数据预测值和误差预测值合成，求得煤层底板破坏深度最终预测值；

[0027] 所述建立煤层底板破坏深度的Elman网络预测模型的步骤如下：

[0028] ①将6个影响因子作为Elman网络的输入值，将相应的底板破坏深度作为网络的输出值；

[0029] ②用建模样本进行训练，给出训练步长、最大训练步数、均方差最小值、激励函数，在训练过程中每一步随机设定各层的连接权个阈值，在最大训练步数范围内均方差达到规定值时便结束训练，设定网络结构，寻找最优模型；

[0030] 所述的SVM建模的步骤如下：

[0031] ①选取6个影响因子作为输入向量，Elman网络求得的误差为目标向量；

[0032] ②数据归一化处理：对输入向量数据进行归一化处理，使得所有数据处于[-1，1]之间；

[0033] ③初始参数设置：选择SVM类型和核函数，确定模型所需的运行参数，确定微粒群优化算法(PSO)的初始参数；

[0034] ④PSO参数寻优：调用PSO-SVM算法优化SVM的惩罚参数c和核参数g，获取最优参数；

[0035] ⑤建立SVM模型：用步骤④获得的最优参数训练SVM回归机，建立SVM误差预测模型；

[0036] (3)模型检验：利用检验样本对预测模型进行检验，预测模型精度达到90％以上为预测模型合格，用来预测；预测模型精度小于90％，重复步骤(2)和(3)，直到预测模型合格，预测模型检验合格后实现对预测矿区的煤层底板破坏深度的预测。

[0037] 实施例2：收集全国典型煤矿底板破坏深度实测资料及其对应的影响因子，建立建模样本和检验样本数据库(见表1)，其中建模样本27个，检验样本3个，预测步骤按实施例1所述，具体的预测过程和结果如下：

[0038] 表1建模样本和检验样本数据库资料

[0039]

[0040]

[0041] 将煤层采深、煤层倾角、煤层采厚、工作面斜长、底板抗破坏能力及有无切穿型断层或破碎带6个影响因子作为输入样本，将煤层底板破坏深度作为网络的输出值，利用建模样本提供给网络进行训练；Elman神经网络设计为4层，其中输入层6个神经元，输出层为1个神经元，最大训练步数11000，训练步长10，为采用传递函数tansig和purelin，训练函数为trainParam，设定均方误差0.0001，分别设计隐含层神经元个数(n)为9、10、11和12、13、14、15，即试验网络1：6:9:1；试验网络2：6:10:1；试验网络3：6:11:1；试验网络4：6:12:1；试验网络5：6:13:1；试验网络6：6:14:1；试验网络7：6:15:1；对设计的7个神经网络进行网络训练，分别检测网络性能，本实施例中通过训练，试验网络5(6:13:1)的性能最好，其预测的相对误差除一个值较大外，其余均在-10％～10％之间，如图2所示，因此，选取试验网络5(6:
13:1)作为模型结构进行网络建模，训练预测值与实际值对比如图3所示，建模样本预测值及误差值见表2；

[0042] 表2Elman模型原始数据预测值与误差

[0043]

[0044] 对Elman模型的误差进行SVM建模，选取煤层采深、煤层倾角、煤层采厚、工作面斜长、底板抗破坏能力及有无切穿型断层或破碎带6个影响因子作为输入向量，将Elman模型的误差作为目标向量，对输入向量数据进行归一化处理，利用建模样本进行训练，并利用POS方法自动搜索最优参数(图4)：c＝1.0002，g＝889.6507，经过编程训练，建立SVM误差预测模型，其误差预测值与实际值对比如图5所示；

[0045] 采用检验样本对建立的Elman-SVM耦合模型进行检验，结果见表3，最大相对误差5.57％，平均2.23％，模型的预测精度较高；表4给出了单独利用Elman网络模型、SVM模型预测底板破坏深度的结果，可见利用Elman-SVM耦合模型对底板破坏深度进行预测的精度比单独利用Elman网络模型、SVM模型的精度要高，模型检验合格，可以用来预测研究矿区底板破坏深度；

[0046] 表3底板破坏深度的Elman-SVM耦合模型预测值与相对误差表

[0047]

[0048] 表4底板破坏深度的Elman网络模型、SVM模型预测值与相对误差表

[0049]

[0050] 以上实施例可以证明，本实施例实现了对煤层底板破坏深度的预测，其结果符合实际现场测量现状。