一种小断层走向延展长度的检测方法
【专利摘要】本发明属于矿井断层参数要素检测【技术领域】，涉及一种小断层走向延展长度预测方法；先对断层要素进行统计和分析，然后利用灰色关联分析法，确定小断层走向延展长度与其他断层要素的关联度，后对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集并选定训练集和测试集，再利用训练集和遗传算法对SVM模型进行优化，建立SVM模型，最后利用测试集对SVM模型进行检验；其总体设计原理可靠，计算方法成熟，建模技术安全，预测数据准确，检测环境友好。
【专利说明】一种小断层走向延展长度的检测方法
【技术领域】：
[0001] 本发明属于矿井中断层参数要素检测【技术领域】，涉及一种小断层走向延展长度预 测方法，特别是一种基于遗传算法优化支持向量机（SVM)的小断层走向延展长度检测方 法。
【背景技术】：
[0002] 随着采煤机械化和自动化程度的不断提高，采掘部门对工程的设计与布置、开采 方法的选择等的需求，愈来愈关注到地质检测的准确程度，断层走向延展长度与落差是断 层预测的两个重要参数，断层走向长度与落差越大，断层对煤炭生产的影响也越大；现实 中，随着矿井勘探、巷道掘进及工作面回采，可以较容易的查明小断层的落差、倾角、倾向和 走向，但其延展长度往往难以确定，找出断层走向延展长度与断层落差、倾角、倾向和走向 等其它断层要素之间的统计关系，就可以利用断层落差等其它断层要素来预测其延展长 度，尤其当工作面周围巷道掘好后，根据已揭露的小断层落差等其它断层要素预测其在未 采的采区及工作面内的延展长度，可以为采区及工作面的开采提供地质依据。在现有技术 中，邱梅等在《煤田地质与勘探》期刊2013年第40卷第6期上公开了一种小断层延展长度 的预测方法，论文名为：矿井小断层延展长度的多元线性回归预测模型，但由于断层要素之 间的相关性并非简单的线性关系，大多情况是相当复杂的非线性关系，使得回归预测的精 度并不高；2013年山东科技大学徐东晶等在《煤矿安全》期刊第44卷第2期中公开了一篇 名称为《基于BP神经网络的矿井小构造预测》的小断层延展长度的预测方法，文章提出可 以利用BP神经网络建立矿井小断层延展长度预测模型，但神经网络法具有自身固有的缺 陷：其权值的初始化是随机的，而且易陷入局部极小，其学习过程中隐含层的节点数和其它 参数的选择只能根据经验和试验来选择，且收敛时间长、鲁棒性差；常规支持向量机（SVM) 仅能够处理小样本、非线性、高维数的问题，能够克服如神经网络中局部极小值的问题，但 支持向量机训练模型有许多参数要进行选择，比如核函数的相关参数等，这些参数直接影 响SVM的预测能力，因此，现有的小断层走向延展长度预测方法中尚未见有成熟技术解决 断层延展长度预测准确性问题。
【发明内容】
：
[0003] 本发明的目的在于克服现有技术存在的缺陷，针对现有小断层走向延展长度的预 测模型准确度不高的问题，设计提供一种基于遗传算法优化SVM的小断层走向延展长度预 测方法，能够有效的提高预测准确度。
[0004] 为了实现上述目的，本发明涉及的预测方法包括以下工艺步骤：
[0005] (1)统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延 展长度、走向、倾向、倾角和落差5个断层要素进行统计和分析；
[0006] (2)确定小断层延展长度的相关因子：利用灰色关联分析法，确定小断层走向延 展长度与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0. 5的要素作为 小断层走向延展长度的相关因子，所述灰色关联分析法步骤如下：
[0007] ①构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列
【权利要求】
1. 一种小断层走向延展长度的检测方法，其特征在于包括以下工艺步骤： (1) 统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延展长 度、走向、倾向、倾角和落差5个断层要素进行统计和分析； (2) 确定小断层延展长度的相关因子：利用灰色关联分析法确定小断层走向延展长度 与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0. 5的要素作为小断层 走向延展长度的相关因子，所述灰色关联分析法步骤如下： ① 构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列，断层走 向、倾向、倾角和落差4个要素构成子序列(i= 1，2,…，m,t= 1，2,…，n)，其中i为m个子因素的标号，t为n个统计单元号，原始数据矩阵为：
其中：i= 0, 1，2, "'m,是主因素（i= 0)及m个子因素的标号，t= 1，2, "'n,为统 计单元号，x,TO(/)是对第i个因素在第t个统计单元内得到的观测值； ② 对原始数据矩阵进行无量纲化处理，采用公式如下：
③ 计算子序列与母序列之间的关联度为：
为分辨系数，分辨系数 取值范围〇. 1?〇. 5,通常取0. 5 ; (3) 归一化与选定训练集：对小断层走向延展长度的相关因子数据进行归一化预处 理,生成数据集,并选定训练集和测试集； (4) SVM参数优化：输入训练集样本，利用遗传算法对SVM模型的惩罚参数C和核函数 参数g进行优化，其中g= 1/2 〇 2, 〇为RBF核函数的核参数，其优化步骤如下： ① 设置初始值：设定遗传算法的种群最大数量、最大遗传代数T、交叉概率、变异概率 和优化参数的变化范围； ② 随机产生一组支持向量机参数，采用二进制编码对每个支持向量机参数进行编码， 构造初始种群，其染色体为各参数二进制顺序排列组成，长度为各参数二进制长度之和，设 置遗传迭代计数器t= 0 ; ③ 计算种群中每个个体的适应度：将训练样本的预测平均相对误差函数作为目标函 数，确定其适应度，平均相对误差越大，适应度越小； ④ 根据个体适应度，按照轮盘赌法从当前种群中选出个体进入下一代； ⑤ 从步骤④选出的个体中随机选择两个个体作为父体，以设定的交叉概率进行交叉操 作，产生两个新个体； ⑥ 从步骤⑤产生的新个体中随机选择个体以设定的变异概率进行变异操作，通过随机 改变个体中的基因产生新一代个体； ⑦ 终止条件判断：若t<T，重复步骤②，并使t=t+1 ;若t>T或平均适应度值变化持 续小于常数1〇_4而t超过最大遗传代数T的一半，则所得到的具有最大适应度的个体作为 最优值输出，算法终止； ⑧ 对得到的最优值解译码，得到优化参数； (5) SVM建模：输入训练集样本，利用步骤（4)得到的优化参数，进行SVM建模； (6) 模型检验：利用测试集对步骤（5)建立的SVM模型进行检验，若测试结果相对误差 < 15%，模型能够应用，否则返回步骤（2)重新建模。
【文档编号】G06Q50/02GK104268647SQ201410503652
【公开日】2015年1月7日 申请日期:2014年9月28日 优先权日:2014年9月28日
【发明者】于小鸽, 施龙青, 邱梅, 韩进 申请人:山东科技大学