基于特征选择和机器学习融合的煤层瓦斯含量预测

摘要

煤层瓦斯含量是矿井瓦斯灾害防治及煤层气勘探开发的基础参数,为提高其预测精度及科学性,对典型矿井煤层瓦斯含量的35组实测数据进行了零-均值规范化处理,通过全子集回归和随机森林2种特征选择方法对11类影响煤层瓦斯含量的参数进行不同规律组合,得到17种瓦斯含量特征参数组合.运用高斯过程回归、最小二乘支持向量机、梯度提升回归树和极限回归机等4种经典有监督机器学习算法,分别对17种特征参数组合进行预测,得到68种瓦斯含量预测模型.根据各机器学习算法平均判定系数≥0.800,对68种瓦斯含量预测模型进行初步筛选.综合归一化均方误差≤0.01以及希尔不等系数≤0.01,得到21种基于特征选择和机器学习融合的最优预测模型,并取平均值得到了最终预测序列.结果表明:最终预测序列的归一化均方误差为0.007,希尔不等系数为0.005,判定系数为0.993,平均绝对误差为0.170 m3/t,平均相对误差为0.75％,各精度评估指标均符合要求,所构建的多参数组合多算法融合的预测模型具有广泛的普适性且精度较高.