基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型.pdf

第 卷 第 期 年 月 中 国 安 全 生 产 科 学 技 术 收稿日期：基金项目：国家自然科学基金项目（）作者简介：邵良杉，博士，教授，主要研究方向为矿业系统工程等。通信作者：高英超，硕士研究生，主要研究方向为矿业系统工程。：基于 填补的 煤与瓦斯突出预测模型邵良杉，高英超（辽宁工程技术大学 系统工程研究所，辽宁 葫芦岛 ；辽宁理工学院，辽宁 锦州 ）摘要：为提升煤与瓦斯突出预测准确度，减小数据缺失对煤与瓦斯突出预测的不利影响，提出 种基于链式多重填补马尔科夫链蒙特卡罗（）的麻雀搜索算法（）优化支持向量机（）预测模型。根据突出影响因素选取模型参数，运用 对突出事故缺失值进行数据填补，采用 优化 ，建立 模型对填补后数据集进行预测，验证 填补有效性和 优化性能；分别构建 、和 这 种模型进行突出预测，对比预测准确度，分析 、和 的适应度。研究结果表明：填补后准确度均提升 个百分点以上，的优化性能强于 和 ，预测准确度最高，为 ，泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。关键词：煤与瓦斯突出预测；马尔科夫链蒙特卡罗（）；麻雀搜索算法（）；数据填补；支持向量机（）中图分类号：；文献标志码：文章编号：（），（，；，）：，（）（）（），：；（）；（）；（）引言煤炭是 种重要的生产能源，随着我国工业信息化、智能化的快速发展 ，煤炭产出量及消耗量日渐增长，开采力度随之加大，煤矿安全事故也越来越受到关注。煤与瓦斯突出事故是煤矿开采过程中毁坏力较强的灾害之一，且危害程度不容小觑 ，不仅会导致人员伤亡，影响煤矿业的有效安全生产，还会对国民经济造成巨大的损失。因此，采用有效的方法对煤与瓦斯突出危险进行预测不仅可为煤炭业的持续发展提供基础，而且对煤矿的安全生产具有一定的指导意义。我国对煤与瓦斯突出的预测研究最先采用静态预测法，袁亮等 基于综合假说，研发煤与瓦斯突出模拟试验系统，进行突出整个过程相似模拟试验，提高预测的精确性及可重复性；卢义玉等 针对复杂的地质情况，开发 套基于深部煤岩工程的多功能物理仿真测试系统。其次采用动态预测法，等 基于开采应力和瓦斯涌出等指标，建立煤与瓦斯突出预测的在线集成系统和数据库，实现动态实时监测，提高预测准确性；唐巨鹏等 通过声发射监测技术，进行煤与瓦斯突出动力灾害预测。为提高突出预测准确率，近年来，学者多采用机器学习预测法，韩永亮等 选取因子分析法提取极限学习机模型的预测参数，利用遗传算法对模型的参数进行优化，并建立 种基于遗传算法的最优极限学习机模型，有效提高预测精度；朱宝合等 根据综合作用假说确定突出主要影响因素，采用非线性支持向量机预测方法准确预测煤与瓦斯突出是否发生；王雨虹等 使用灰色关联分析降维处理筛选出煤与瓦斯突出影响因素，提出基于子维进化的粒子群优化算法和量子门节点神经网络模型，并进行煤与瓦斯突出预测实验。上述模型虽然在突出预测准确度方面有所提高，但大部分预测模型不考虑数据缺失问题，模型预测准确度受原始数据的影响程度很大。鉴于此，本文提出 种链式多重填补方法 马尔科夫 链 蒙 特 卡 罗 算 法（，），对煤与瓦斯突出缺失数据集进行填补，扩大有效数据集，并采用参数较少、稳定性好、搜索能力强、收敛速度快的麻雀搜索算法（，），优化分类效果较好的支持向量机算法（），从而改进算法并建立 的煤与瓦斯突出预测模型，以期提升模型预测能力。算法和麻雀搜索算法 算法数据缺失根据缺失机制可被划分成：非随机缺失、完全随机缺失和随机缺失 ；根据缺失模式可被划分成单一缺失和随机缺失 种类型。是 种链式多重填充缺失值算法，适用于随机缺失机制和随机缺失模式，是马尔科夫链与蒙特卡罗方法的结合。蒙特卡罗方法最初用来计算积分，后随着发展，在互联网、大数据和机器学习等研究方向发挥至关重要的作用 ，蒙特卡罗方法的原理如下。假设 是随机变量且服从均匀分布，是可积函数，（）的期望为 ，随机抽取 个随机变量 的独立同分布样本 ，根据大数定律计算样本均值，如式（）所示：（）（）（）式中：（）是 的无偏估计量。当样本容量 足够大，样本均值会依概率收敛于正态分布，令 如式（）所示：（）（）（）式中：当，有 。在此过程中存在收敛速度慢、效率低以及随机抽取样本不独立时前提无法保证的缺点，因此需引入马尔科夫链，其定义如下。设，是 个随机变量序列，状态空间用 ，来表示；时间点 、时间点 状态分别为 和；只与 有关，且与其他任意时间点的状态均无 关，则 有 时 间 点 的 条 件 概 率 如 式（）所示：（）随机变量时间点 与下一时间点的指定状态转移到其它状态的过程，可以用转移概率 （）来表示，如式（）所示：（）（）时刻的边际后验分布为，若马尔可夫链满足可约和周期性，则有 （）。的基本思想是：使得马尔科夫链的状态达到平稳分布，并且符合后验分布，从而得到 个后验分布的随机性样本，并使随机样本相互独立且达到平稳分布，最后对随机样本进行蒙特卡罗模拟。麻雀搜索算法麻雀搜索算法是 种新型群智能算法 ，因其寻优能力强、收敛速度快等优势突出而具有广泛的应用前景 。假设麻雀集合矩阵 如式（）所示：（，），（）式中：为种群数量；为空间维数。对应的适应度值矩阵 如式（）所示：（），（），（）（）式中：（）为个体的适应度值。发现者是种群中寻找食物的麻雀。发现者主要目标是随机探索新的空间，以更好地发现食物，在此过程中，发现者的位置更新可用式（）表示：第 期 中 国 安 全 生 产 科 学 技 术 ，()，（）式中：表示迭代次数，最大迭代次数用 表示；，；，表示第 只麻雀在第 维度中的位置；是（，的随机数；被称为预警值，取值范围 ，；被称为安全值，取值范围 ，；为随机数，并服从正态分布；为 维行矩阵。加入者是种群中根据发现者所提供的信息来夺取食物的麻雀，加入者为抢夺食物会不断紧随发现者，加入者的位置更新用式（）表示：，()，（）式中：，表示目前的全局最劣位置；表示发现者目前所处于的最佳位置；为 行矩阵，其中每一维的数值都随机取为 或 ，且（）。在种群进行觅食时，适应度值较低的加入者会飞到最佳位置附近，这些麻雀担任警戒者，且只占少部分，警戒者在群体中初始位置按随机方式产生，警戒者的位置更新可用式（）表示：，（）()，（）式中：，表示目前的最佳位置；为随机数，且服从标准正态分布；表示第 只麻雀的适应度；表示种群最佳适应度；表示种群最差适应度；为 ，中的 个随机数；为 个极小的常数值。煤与瓦斯突出预测数据收集及处理 数据收集煤与瓦斯突出预测的影响因素不同会导致预测模型输入数据的不同。对煤与瓦斯突出过程中的能量关系方程进行分析，根据整个突出过程中瓦斯内能是主要的能量来源，以及煤破碎时会发生瓦斯解吸等因素 ，将瓦斯含量、瓦斯压力、煤层坚固性系数、孔隙率 以及瓦斯放散初速度 这 个指标作为煤与瓦斯突出预测参数。在易发生煤与瓦斯突出事故的淮南矿区采集到部分煤矿的煤与瓦斯突出有关数据 ，煤与瓦斯突出事故和非突出事故数据共 组，突出事故数据样本 组，其中完整事故数据 组，存在缺失数据 组；非突出事故数据样本 组，均为完整数据，不存在缺失数据。数据预处理通过对收集到的数据进行分析，发现参数，的数据存在缺失，其中 缺失最少但数据集缺失率仍超过 ，此时必须采取数据填补处理，否则会由于数据量缺失过多而导致模型训练效果不佳，降低预测准确率。此外，当数据符合随机缺失机制且缺失的数量占比低于 时，采用多重填补算法进行数据处理比其他方法更优、效率更高 ，又因为进行煤与瓦斯突出预测的参数指标属于多变 量 任 意 缺 失 模 式，针 对 这 种 情 况，填补的准确度高于均值填补法等其他方法。为更好验证，分别使用均值填补法（）、随机森林填补法（）、最邻近填补法（）逐一填补数据集并对结果进行对比，不同填补方法对应的均值和标准差如表所示。表 填补方法结果对比 指标填补方法预测参数煤层坚固性系数 孔隙率 瓦斯放散初速度 均值填补前 标准差填补前 由表 可知，填补后数据的均值和标准差与填补前数据集更接近。为了更直观地证明填补效果，使用 个评价指标进行评价，其中均方根误差 是指实际值与填补结果值的偏差，越小，表明填补数据偏离实际值的程度越小，则填补效果越好；皮尔逊相关系数 是指实际值与填补结果值间的紧密关系，越大，二者之间的相关程度越大，说明填补后的效果越好。表 为填补方法的效果评价。由表 可知，填补后的 最小，最大，说明 填补法效果优于其他 种方法。表 填补方法效果评价 评价指标 中 国 安 全 生 产 科 学 技 术第 卷为了更好地展示每个指标对煤与瓦斯突出模型预测效果的影响，使用 分析软件分别计算各指标的熵权重 和灰色关联度，结果如表 所示。值越大，值越大，对模型预测效果影响越大。由表 可知，对模型预测效果影响最大的是瓦斯含量，最小的是煤层坚固性系数。表 各指标对煤与瓦斯突出模型预测效果的影响 影响指标瓦斯含量 （）瓦斯压力 煤层坚固性系数 孔隙率 瓦斯放散初速度 煤与瓦斯突出预测 突出预测以 为实验平台，分别对数据填补前和数据填补后进行预测实验，通过对比判断数据填补是否有效，填补前后数据集均按机器学习经典数据集进行划分。煤与瓦斯突出事故数据集与非事故数据集以测试集和训练集为 的比例随机抽取，则有填补前训练集为：组突出样本，组非突出样本；填补前测试集为：组突出样本，组非突出样本；填补后训练集：组突出样本，组非突出样本；填补后测试集：组突出样本，组非突出样本。由于样本数据随机抽取，随机性过大会导致结果呈现出较大差异，为降低随机性的影响，调整实验次数为 次，这样可以有效减少实验误差，最后处理预测结果并取平均值得到准确度。图 为填补前后分类预测对比结果。由图 可知，对于 方法，数据填补前有 组测试集样本被预测错误，填补后 只有 组测试集样本预测错误，表明填补后预测准确度高于填补前预测准确度。不同模型预测对比分析为验证 优化 的效果比其他算法更优，使用 、模型对填补前数据集进行预测实验，建立 和 模型对填补后数据集进行预测实验，以 的比例划分测试集与训练集，将迭代次数设置为 次，种群数量为 ，再将实验结果的准确度、均方误差与 、和 的进行对比。准确度表示预测值与真实值之间的接近程度，是所有预测正确的数量占总数量的比例，如式（）所示：准确度 预测正确的样本数量样本总数量 （）图 填补前后分类预测对比 均方误差表示预测值与真实值之间的差异程度，是预测值偏离真实值的差值平方和的平均数，如式（）所示：均方误差（预测值 真实值）样本总数量（）使用准确度和均方误差在 个不同的方面衡量模型的预测效果，可以较全面地对模型进行检验，不同模型的准确度和均方误差结果如表 所示。由表 可知，种模型经过 填补后的准确度均较填补前提升 个百分点以上，其中 模型的预测准确度最高。运用 分 别 呈 现 出 、和 的最佳适应度与平均适应度并对比，结果如图 所示。由图 可知，迭代 次后达到最佳适应度近 ，经过 次迭代达到最佳适应度近 ，迭代 次达到最佳适应度近 ；和 的平均适应度大多在 之间，而 平均适应度明显高于 ，说明 的泛化能力更强。第 期 中 国 安 全 生 产 科 学 技 术表 不同模型预测结果对比 预测模型准确度 均方误差预测模型准确度 均方误差 图 填补后最佳适应度与平均适应度对比 结论）提出 种 填补方法对多变量任意缺失的煤与瓦斯突出数据集进行缺失值填补，对比 、和 的填补结果，填补方法的均值和标准差与填补前数据集 更 加 接 近，通 过 计 算 及 这 个评价指标发现，效果更优，结果表明 是 种有效的数据填补算法。）完成数据集缺失填补后，采用 优化 建立 预测模型，并进行煤与瓦斯突出预测，分别构建 、和 这 种模型进行突出预测，结果表明填补后准确度较填补前均提升 个百分点，填补前后优化准确度均高于 和 。）经对 比，的 预 测 准 确 度 最高，对比 、和 适应度，分析发 现 的迭代次数少于另两者，且最佳适应度和平均适应度明显更高，结果表明 寻优效果更佳，且 模型预测性能更好，可显著提升煤与瓦斯突出的预测精确度和泛化能力。参考文献 卢新明，阚淑婷 煤矿动力灾害本源预警方法关键技术与展望 煤炭学报，（增刊 ）：，（）：邵良杉，王振，李昌明 基于模拟退火与改进粒子群的矿井通风优化算法 系统仿真学报，（）：，（）：袁亮，王伟，王汉鹏，等 巷道掘进揭煤诱导煤与瓦斯突出模拟试验系统 中国矿业大学学报，（）：，（）：卢义玉，彭子烨，夏彬伟，等 深部煤岩工程多功能物理模拟实验系统 煤与 瓦 斯 突 出模 拟 实 验 煤 炭 学 报，（增刊 ）：，（）：，中 国 安 全 生 产 科 学 技 术第 卷 ：，（）：唐巨鹏，郝娜，潘一山，等 基于声发射能量分析的煤与瓦斯突出前兆 特 征 试 验 研 究 岩 石 力 学 与 工 程 学 报，（）：，（）：韩永亮，李胜，胡海永，等 基于改进的 煤与瓦斯突出预测模型 地下空间与工程学报，（）：，（）：朱宝合，郑邦友，戴亦军，等 基于非线性支持向量机的隧道煤与瓦 斯 突 出 危 险 性 预 测 现 代 隧 道 技 术，（）：，（）：王雨虹，孙福成，付华，等 基于优化的量子门节点神经网络的煤与瓦斯突出预测 信息与控制，（）：，（）：，：杨新辉 随机抽样的方差缩减以及 收敛诊断 北京：北京交通大学，：，（）：陈炫儒，吴立飞，杨晓忠 基于改进麻雀搜索算法的 分数阶 参数整定 控制与决策，（）：，（）：郑晓亮 基于瓦斯含量法的煤与瓦斯突出预测关键技术研究 淮南：安徽理工大学，邵良杉，詹小凡 煤与瓦斯突出 预测模型 辽宁工程技术大学学报（自然科学版），（）：，（），（）：花琳琳 不同缺失值处理技术的模拟比较 郑州：郑州大学，（责任编辑：高婧琦）第 期 中 国 安 全 生 产 科 学 技 术