煤巷支护参数预测研究

摘要

目前支持向量机(SVM)和随机森林(RF)等算法在煤矿巷道支护领域应用较少。研究了不同的机器学习模型进行支护参数设计的适用性,以建立一个更高性能的模型来实现锚杆支护的合理、科学设计。首先建立煤巷支护智能预测数据库:采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本;采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理,建立煤巷支护数据库。提出一种基于合成少数类过采样(SMOTE)-遗传算法(GA)-SVM的煤巷支护参数预测模型:将数据库中的数据分成训练集与测试集,采用SMOTE技术平衡训练样本,提高模型对少数类样本的拟合能力;训练过程采用GA对SVM的超参数进行全局寻优,进一步提高模型整体性能。测试结果表明,SMOTE-GA-SVM模型的分类精度达到83.8%,比传统的SVM模型提高了21.8%。将SVM、人工神经网络(ANN)、RF、AdaBoost(ADA)和朴素贝叶斯分类器(NBC)等机器学习方法引入到煤巷锚杆支护参数预测中,建立对应的支护参数预测模型,比较结果表明:从最优到最差的预测模型排序分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA,6种模型的平均分类精度达69.9%,验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性。在山西霍宝干河煤矿有限公司对SMOTE-GA-SVM模型进行了应用,模型预测准确率达87.5%,具有较强的适用性和可靠性。