本发明设计煤矿安全开采,具体涉及一种基于深度学习的煤岩瓦斯复合动力灾害预测方法。
背景技术:
1、深部高瓦斯压力、高地应力、低渗透性煤层及其围岩之间的耦合作用孕育出一种兼具煤与瓦斯突出和冲击地压两种典型动力灾害部分特征的复合型动力灾害,称为煤岩瓦斯复合动力灾害。深部高瓦斯压力与地应力条件使得灾害的发生机理复杂,导致灾害发生的频率不断攀升,威胁矿井的生产安全。目前,由于煤岩瓦斯复合动力灾害影响因素复杂繁多,灾害发生、发展过程尚未明朗,无法充分挖掘指标特征信息与灾害发生、发展的内在联系。传统复合动力灾害预测手段存在预测指标单一、预测准确率不理想等缺点,而以深度学习为代表的数学方法进行煤岩瓦斯复合动力灾害的智能预测方式目前鲜有报道。
2、gra能够得到与灾害关联度高的影响因素,建立预测指标体系。cnn具有局部感知与权重共享的优点,其独有的卷积层能够有效减少连接权值的数量并挖掘非线性数据的特征规律;池化层可有效降低多重共线性与模型过拟合等问题,提高模型的泛化能力与鲁棒性,该算法可以弥补其他模型对参数敏感,易出现过拟合等缺陷。考虑到模型参数的差异会影响模型准确率,故需要对参数进行优选,达到准确控制模型的内部运行并且快速获得模型的最优参数的目的。选用ssa对模型参数进行优化,利用麻雀的生物特性进行迭代寻优,得到更加可靠与精确的预测模型参数。因此,以某矿区为研究对象,提出了基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法。
技术实现思路
1、本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
2、因此,本发明的目的是针对上述现有技术的不足,提供一种基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法,本发明的预测模型训练时间短,泛化性好且鲁棒性强,能够快速准确的预测出煤岩瓦斯复合动力灾害预测。
3、为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
4、一种基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法,包括如下步骤:
5、s1,准备煤岩瓦斯复合动力灾害影响因素的数据,对数据进行预处理,运用boxplot剔除错误数据,运用mice填补缺失数据,得到可用于指标选取与模型训练的数据集;
6、s2:运用gra对数据集进行数据分析,选取关联度高的指标,保留10个影响因素,建立煤岩瓦斯复合动力灾害预测指标体系;
7、s3:搭建初始cnn预测模型;
8、s4:运用ssa优化算法得到模型最优超参数;
9、s5:运用训练样本训练模型,建立基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测模型;
10、s6:运用测试集输入模型进行预测,将预测结果与实际结果进行,验证模型的预测精度。
11、优选的,s1包括:
12、s101,建立煤岩瓦斯复合动力灾害指标数据库;
13、s102,运用boxplot找到超出上下界的离群点并将其剔除;
14、s103,运用mice填补原本空缺的数据与被boxplot剔除的数据;
15、s104,对完整的初始数据进行标准化处理。
16、优选的,s103的mice中,选用极限树et作为估计器进行插补。
17、优选的,s2包括:
18、s201,确定母序列y0与子序列y1;
19、s202,分别对两个序列进行标准化得到母序列x0与子序列x1;
20、s203,计算每个因素的关联系数;
21、s204,计算每个因素的关联度,对各因素按关联度大小排序;
22、s205,筛除灰色关联度值小的因素,保留前10个影响因素,建立包含10个指标的煤岩瓦斯复合动力灾害指标体系。
23、优选的,s202中数据集选用z-score标准化处理方法,其公式如下:
24、
25、其中,x'为标准化处理后的数据集,x为标准化处理前的数据集,μ为均值,σ为标准差。
26、优选的,s3中cnn预测模型的搭建步骤包括:
27、s301,数据集切分为训练集,验证集与测试集;
28、s302,搭建cnn模型的初始架构,确定初始的超参数,卷积层数,随机失活层大小,步长,特征边缘处理方法,激活函数,优化器。
29、优选的,s301中数据集按照大约8:1:1的比例划分训练集,验证集与测试集。
30、优选的,s4中ssa网络搭建的步骤包括:
31、s401,确定需要优化的模型参数有7个,分别为:学习率(lr);迭代次数(iter);批大小(mini batch);第一层卷积核大小(kernel1_size);第一层卷积核数量(kernel1_num);第二层卷积核大小(kernel2_size);第二层卷积核数量(kernel2_num);
32、s402,确定麻雀种群规模,最大迭代次数,捕食者数量占种群总数的比值,预警值;
33、s403,运用训练样本对模型进行训练,得到各参数最优值。
34、由于采用上述的技术方案,本发明专利的有益效果是:
35、提出运用boxplot,mice进行数据清洗,运用gra进行数据分析,建立能够有效预测煤岩瓦斯复合动力灾害的指标体系,提出了基于优化算法与深度学习的煤岩瓦斯复合动力灾害预测方法,ssa运用麻雀的生物特性进行迭代寻优,能够得到更加可靠与精确的预测模型参数,cnn拥有局部感知与权重共享的优点,能够有效减少连接权值的数量并挖掘非线性数据的特征规律,且能够降低多重共线性与模型过拟合等问题。相比于传统的煤岩瓦斯复合动力灾害的预测方法以及机器学习的预测方法,训练时间短,泛化性好且鲁棒性强,能够快速准确地进行煤岩瓦斯复合动力灾害预测。
1.一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,s1包括:
3.根据权利要求2所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,s103的mice中,选用极限树et作为估计器进行插补。
4.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,s2中gra的步骤主要为:
5.根据权利要求4所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,步骤s202中数据集选用z-score标准化处理方法,其公式如下:
6.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,步骤s3中cnn预测模型的搭建步骤包括:
7.根据权利要求5所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,步骤s301中数据集按照8:1:1的比例划分训练集,验证集与测试集。
8.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法,其特征在于,步骤s4中ssa网络搭建的步骤包括: