一种上隅角瓦斯浓度预测方法
【技术领域】
[0001]本发明涉及巷道通风工程，特别是涉及上隅角处的瓦斯浓度预测。
【背景技术】
[0002]近年来，随着煤炭开采机械化的发展，回采工作面逐渐具有采高大、采长大、走向长的特点，因而采空区面积增大，常造成回采工作面，尤其是上隅角瓦斯超限。采空区漏风流场易引起上隅角瓦斯积聚，各煤层瓦斯含量随之增大，瓦斯治理难度也逐渐增大，严重影响了综合机械化采煤方法的应用和煤矿企业安全、高效生产。
[0003]上隅角瓦斯浓度容易超限是某些通风方法的固有缺陷，但由于这些通风方法比较简单，一些煤矿仍在采用。治理上隅角瓦斯浓度超限比较有效的方法包括打高位钻孔抽采采动裂隙区瓦斯、上隅角插(埋)管抽采采空区瓦斯等。但是如何预测这些治理的效果如何；影响瓦斯综合治理措施效果的因素有很多，如何找出哪些因素重要，进而有的放矢的进行治理，成为了目前研究的重点。
[0004]近年来，灰色关联度分析在系统预测方面取得了一定的研究成果和应用效果。在采矿工程领域，灰色预测理论较多的应用于矿井瓦斯灾害的预测和评价研究。利用支持向量机方法建立煤与瓦斯突出预测模型；利用遗传算法同支持向量机方法相结合建立了瓦斯涌出量预测模型。但是这些方法无法满足对上隅角瓦斯浓度进行准确预测的同时，分析出影响瓦斯综合治理措施效果的重要因素。
[0005]针对上述问题，为了准确预测执行瓦斯综合治理措施后的工作面上隅角瓦斯浓度并找到影响治理效果的重要因素，认为矿井采煤工作面瓦斯涌出是一个非典型的时序序列，应利用相对变率关联度对原始样本进行分析，结合支持向量机方法进行预测。所以，建立了基于GA和SVR的矿井工作面在瓦斯综合治理措施下的上隅角瓦斯浓度预测模型。
【发明内容】
[0006]I相对变率关联度
设系统母因素行为时间序列为石 =(?⑴，^2),…，&如)，子因素行为时间序列为Xr (^i(I), Xi(2),…，xjn).、，…，m。
[0007]将时间序列作为时间的函数，表示某一事物的发展过程，而描述事物发展过程比较合理的指标是相对变化速率，若相对变化速率基本一致，则可认为两序列有较高的相关程度。关联系数如下式所示:
I/ ξ =1+ Ax0(t)/x0(t)- Axi(t)/xi(t) I,式中，Zl Xi (V=Xjit+!)-Xj(t)，i=0, I,…，m，AXi(t)/Xi (t)为序列在时刻拍勺相对变化速率。
[0008]相对变率关联度为如下式所不:(n-1) !Ttli= ξ U1⑴+ ξ。2 (t)+...+ ξ.D (t)。
[0009]将母因素序列、子因素序列归一化后，进行关联度计算，并定义序列的权重如下式所示:
9 i=r0i/( r01+ r02+—+ 式中，^表示第i个子因素序列的权重值。变换后的子因素序列如下式所示: X^=QiXi。
[0010]2 SVM 回归(SVR)
回归分析也称函数估计，指依据有限的实验数据(观测样本)来分析得出回归函数，从而用所求回归函数对所关心的数据(预测数据)进行预测。支持向量机回归分析的基本思想是:定义最优线性超平面，并把寻找最优线性超平面的算法归结为求解一个凸规划问题，进而基于Mercer核展开定理,通过非线性映射Φ，把样本空间映射到一个高维乃至于无穷维的特征空间(HiIbert空间)，使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性回归等问题。简单地说就是对样本数据进行升维和线性化。
[0011]给定一组训练样本集(Z1J1)，U，72)，…，(不，7/)，其中不e K为η维向量，通常为预测因子值；兄为预测对象；7为训练样本的个数。另外给出待预测数据集不+7，Xi+2，…，寻求对应的Λ输出值，m为待预测样本个数。其回归问题为寻求一个误差为ε -不敏感误差函数的最优回归超平面，使得其对训练样本数据拟合最好，其函数如下式所示:
F(X)=WX+b
为排除回归问题中的噪音干扰，使得模型更具准确性，引入松弛变量ξ i和惩罚系数C，则上述寻求最优回归超平面的问题转化为求解一个二次凸规划问题如下式所示:
Min1.5 W '+ΟΚξ?+ξ；)}
Subject to:Jrj-(W.X) ε + ξ yiW.X1) +b-yf ε +ξ \ξ ^ 0，ξ O
通过对上式进行拉格朗日函数转换及应用KKT条件 α i ( ε + I ?_Υ?+ (WXi) +b) =0 α *i ( ε + I i+Y1- (WXi) -b) =0 (C- a J ξ i=0
(C-Qii) ξ>0
最后可求得最优回归超平面的解析表达式如下式所示:
F⑴=Σ(α「α') (XXi)+b 式中，a jP α '为Lagrange系数。
[0012]3 GA-SVR建模及实例分析
利用基于相对变率关联度分析后的序列数据作为支持向量机的学习样本，从而可以得到GA-SVR预测模型。
[0013]以矿井工作面瓦斯综合治理措施后的上隅角瓦斯浓度检测数据为模型学习样本，建立上隅角瓦斯浓度的GA-SVR预测模型，分析其应用效果。某矿井A4煤层可采厚度2.67m，煤层倾角14~15°，有1~2层夹矸，赋存较稳定，煤层瓦斯含量3.2 m3/t。顶板以粉砂岩、粗砂岩、砂碌岩和细砂岩组成，底板以粉砂岩、粗砂岩组成，为易冒落的顶板(II类)。其0.6~lm的直接顶上部赋有0.7-1.2m的X煤层，煤层瓦斯含量未知。
【附图说明】
[0014]图1惩罚因子C对模型预测标准差的影响。
[0015]图2真实值与预测值曲线。
【具体实施方式】
[0016]I相对变率关联度
设系统母因素行为时间序列为石 =(?⑴，^2),…，&如)，子因素行为时间序列为Xr (^i(I), Xi(2),…，xjn).、，…，m。
[0017]将时间序列作为时间的函数，表示某一事物的发展过程，而描述事物发展过程比较合理的指标是相对变化速率，若相对变化速率基本一致，则可认为两序列有较高的相关程度。关联系数如下式所示:
I/ ξ =1+| Ax0(t)/x0(t)- Axi(t)/xi(t) ，式中，Zl (^=ZiU+I)-ZiU)，i=0, 1，…，取Axi (t)/Xi (t)为序列在时刻拍勺相对变化速率。
[0018]相对变率关联度为如下式所不:(n-1) rQi= ξ Q1⑴+ ξ Q2 (t)+...+ ξ.d (t)。
[0019]将母因素序列、子因素序列归一化后，进行关联度计算，并定义序列的权重如下式所示:
9 i=r0i/( r01+ r02+—+ ι^))
式中，^表示第i个子因素序列的权重值。变换后的子因素序列如下式所示:
X i= Θ
2 SVM 回归(SVR)
回归分析也称函数估计，指依据有限的实验数据(观测样本)来分析得出回归函数，从而用所求回归函数对所关心的数据(预测数据)进行预测。支持向量机回归分析的基本思想是:定义最优线性超平面，并把寻找最优线性超平面的算法归结为求解一个凸规划问题，进而基于Mercer核展开定理,通过非线性映射Φ，把样本空间映射到一个高维乃至于无穷维的特征空间(HiIbert空间)，使在特征空间中可以应用线性学习机的方法解决样本空间中的高度非线性回归等问题。简单地说就是对样本数据进行升维和线性化。
[0020]给定一组训练样本集(Z1J1)，U，72)，…，(不，乃)，其中不e K为η维向量，通常为预测因子值；兄为预测对象；7为训练样本的个数。另外给出待预测数据集不+7，Xi+2，…，寻求对应的Λ输出值，m为待预测样本个数。其回归问题为寻求一个误差为ε -不敏感误差函数的最优回归超平面，使得其对训练样本数据拟合最好，其函数如下式所示:
F(X)=WX+b
为排除回归问题中的噪音干扰，使得模型更具准确性，引入松弛变量ξ i和惩罚系数C，则上述寻求最优回归超平面的问题转化为求解一个二次凸规划问题如下式所示:
Min1.5 W 2+〇Σ(ξ?+ξ;)}
Subject to:Jrj-(W.X) ε + ξ yiW.X1) +b-yf ε +ξ \ξ ^ 0，ξ O
通过对上式进行拉格朗日函数转换及应用KKT条件 α i ( ε + I ?_Υ?+ (WXi) +b) =0 α *i ( ε + I i+Y1- (WXi) -b) =O (C- α J ξ i=0
(C-Qii) ξ>0
最后可求得最优回归超平面的解析表达式如下式所示:
F⑴=Σ(α「α') (XXi)+b 式中，a jP α '为Lagrange系数。
[0021]3 GA-SVR建模及实例分析
利用基于相对变率关联度分析后的序列数据作为支持向量机的学习样本，从而可以得到GA-SVR预测模型。
[0022]以矿井工作面瓦斯综合治理措施后的上隅角瓦斯浓度检测数据为模型学习样本，建立上隅角瓦斯浓度的GA-SVR预测模型，分析其应用效果。某矿井A4煤层可采厚度2.67m，煤层倾角14~15°，有1~2层夹矸，赋存较稳定，煤层瓦斯含量3.2 m3/t。顶板以粉砂岩、粗砂岩、砂碌岩和细砂岩组成，底板以粉砂岩、粗砂岩组成，为易冒落的顶板(II类)。其0.6~lm的直接顶上部赋有0.7-1.2m的X煤层，煤层瓦斯含量未知。
【主权项】
1.一种上隅角瓦斯浓度预测方法，其特征在于，为了准确预测执行瓦斯综合治理措施后的工作面上隅角瓦斯浓度，提出了一种基于灰色关联分析的支持向量机预测模型 '龅蕾勿70步Jf:以矿井工作面上隅角瓦斯浓度测试数据为训练样本，通过编制Matlab计算程序，实现了 GA-SVM模型的建立与预测;农贫矽上隅角处的瓦斯浓度预测，样本参数包括:上隅角瓦斯浓度％，产量t，风量m3.mirT1，高位钻孔抽放量m3.mirT1，上隅角抽放量m3相对变率关联度的确定，将时间序列作为时间的函数，表示某一事物的发展过程，而描述事物发展过程比较合理的指标是相对变化速率，若相对变化速率基本一致，则可认为两序列有较高的相关程度，关联系数为 1/ξ=1+| Ax0(t)/x0(t)- AXi(t)/Xi(t) |，式?^,Δ X1CO=X1 (?+l)-Xi(t), i=0, I, ''',/!!,Ax1 (t)/Xi (t)为序列在时亥Ij ?的相对变化速率，相对变率关联度为O1-Drtli= ξ 01 (t)+ ξ C12 (t)+…+ ξ O^1) (t)，将母因素序列、子因素序列归一化后，进行关联度计算，并定义序列的权重如式⑶所示，0i=rOi/( r01+ r02+...+ I^1))式中，^表示第i个子因素序列的权重值。
【专利摘要】本发明公开了一种上隅角瓦斯浓度预测方法，其特征在于，为了准确预测执行瓦斯综合治理措施后的工作面上隅角瓦斯浓度，提出了一种基于灰色关联分析的支持向量机预测模型；其包括如下步骤：以矿井工作面上隅角瓦斯浓度测试数据为训练样本，通过编制Matlab计算程序，实现了GA-SVM模型的建立与预测；本发明可用于上隅角处的瓦斯浓度预测。
【IPC分类】G06F19-00
【公开号】CN104598738
【申请号】CN201510038158
【发明人】荣德生, 贺莹, 崔铁军, 赫飞, 马恒
【申请人】辽宁工程技术大学
【公开日】2015年5月6日
【申请日】2015年1月26日