基于时序分解和机器学习的回采工作面绝对瓦斯涌出量预测研究

为提高瓦斯涌出量预测精度,提出一种基于集成经验模态分解(EEMD)、遗传算法(GA)优化支持向量回归机(SVR)的瓦斯涌出量时序预测模型。该模型利用EEMD对监测数据进行分解得到不同特征尺度的IMFs分量以及残差余量;利用GA-SVR模型对各分解分量、残差余量数据分别预测;最后等权叠加各预测数据得到绝对瓦斯涌出量预测结果。以陕西铜川玉华煤矿1417工作面绝对瓦斯涌出量监测数据为例,分别运用EEMD-GA-SVR、GA-SVR和SVR模型预测绝对瓦斯涌出量,并进行量化对比分析。结果表明:经EEMD分解后,所分解数据可以有效提升数据平稳性;EEMD-GA-SVR模型的预测绝对误差在0～0.33范围内,平均绝对误差为0.13,模型拟合度较高;所构建模型MAE值为0.1337、MAPE值为0.80%、RMSE值为0.1654、R²值为0.9879,优于对比模型,能够用于绝对瓦斯涌出量时间序列预测。     

基于特征选择与机器学习的煤与瓦斯突出危险等级协同预测方法

煤与瓦斯突出危险性预测可有效防止煤矿井下突出灾害事故。为进一步提高煤与瓦斯突出危险等级预测的科学性及准确性,构建了基于多算法和多元分析的煤与瓦斯突出动态预测模型。选择51组煤与瓦斯突出工程案例数据作为样本集,对样本数据进行空值填补、数据标准化等预处理,通过引入6种特征选择方法及6种有监督机器学习算法构建了42种煤与瓦斯突出危险等级预测模型。采用准确率、混淆矩阵、Kappa系数及F1值等指标对预测模型的性能进行验证与评估,筛选出精度及稳定度高的4种机器学习算法和3种特征参数组合,确定了8种最优分类模型,并对8组典型的煤与瓦斯突出事故案例进行等级预测。结果表明：8种最优分类预测模型准确率为0.667～0.961,Kappa系数为0.625～0.920,F1值为0.615～1;实际案例煤与瓦斯突出预测准确率为100%,突出等级预测准确率为87.5%。所构建的多参数、多算法、多组合、多判定指标的煤与瓦斯突出等级协同预测模型精度较高,且具有一定的普适性,可为煤与瓦斯突出危险等级预测提供一种新思路。