[发明专利]一种矿井导水裂隙带高度预测方法

摘要

本发明提供一种矿井导水裂隙带高度预测方法，搜集矿井导水裂隙带高度的影响因素指标，包括采高、硬岩岩性比例系数、工作面斜长和采深；对矿井导水裂隙带的各影响因素指标数据进行归一化处理，归一化处理后的各影响因素指标数据作为样本数据；建立基于支持向量机的矿井导水裂隙带高度预测函数并利用改进的果蝇算法对该预测函数进行优化，利用优化后的矿井导水裂隙带高度预测函数进行矿井导水裂隙带高度预测，得到矿井导水裂隙带高度预测值。通过建立基于支持向量机的矿井导水裂隙带高度预测函数得到矿井导水裂隙带高度预测值，为确定合理煤层的安全开采上限和采煤方法提供指导，对实现矿井安全生产、保水采煤及地面生态环境保护都有实际价值。

主权项

1.一种矿井导水裂隙带高度预测方法，其特征在于：包括以下步骤：步骤1：搜集矿井导水裂隙带高度的影响因素指标，影响因素指标包括采高、硬岩岩性比例系数、工作面斜长和采深；步骤2：对矿井导水裂隙带的各影响因素指标数据进行归一化处理，归一化处理后的各影响因素指标数据作为样本数据，将样本数据划分为训练集和预测集；步骤3：对矿井导水裂隙带高度进行预测：建立基于支持向量机的矿井导水裂隙带高度预测函数并对该预测函数进行优化，利用优化后的矿井导水裂隙带高度预测函数进行矿井导水裂隙带高度预测，得到矿井导水裂隙带高度预测值；步骤3.1：建立基于支持向量机的矿井导水裂隙带高度预测函数f(x)：f(x)=Σi=1n(ai-ai*)K(xi,x)+b]]>其中，x为预测集中的样本数据的输入量，a_i，为拉格朗日系数，a_i，C为惩罚因子，K(x_i，x)为核函数，K(x_i，x)=exp(-g|x_i-x|²)，x_i为预测集中第i个样本的输入量，g为核函数的参数宽度，b为阈值，利用Karush-Kuhn-Tucker条件计算出：b=yi-ϵ-(ω·θ(xi)),ai,ai*∈[0,C]b=yi+ϵ-(ω·θ(xi)),ai,ai*∈[0,C],]]>ε为不敏感损失函数参数，ω为权向量，θ(x_i)为非线性映射函数，该函数将预测集中的各样本数据输入量x_i映射到高维特征空间；步骤3.2：采用改进的果蝇算法对矿井导水裂隙带高度预测函数f(x)中的惩罚因子C和核函数的参数宽度g进行优化；步骤3.2.1：将每一组惩罚因子C和核函数的参数宽度g数据映射为一个果蝇个体，果蝇群体寻找的食物即优化得到的惩罚因子C和核函数的参数宽度g，果蝇个体的个数为m₁，迭代次数N₁和果蝇初始位置X₁，Y₁与Z₁；X(j,:)=X1+RranY(j,:)=Y1+RranZ(j,:)=Z1+Rran]]>式中：R_ran为随机数；j=1，2，…，m₁，X(j，：)、Y(j，：)和Z(j，：)均为m₁行2列矩阵；步骤3.2.2：估计果蝇与原点的距离D(j，：)，并获得味道浓度判定值S，进而获得惩罚因子C和核函数的参数宽度g；D(j,:)=[X(j,:)]2+[Y(j,:)]2+[Z(j,:)]2]]>S(j,:)=1D(j,:)]]>C=20S(j，1)    g=S(j，2)步骤3.2.3：采用3折交叉验证法计算果蝇个体的味道浓度F(j)，对训练集中样本数据进行训练和验证：F(j)=13Σl=131n1Σk=1n1[f(xlk)-ylk]2]]>式中：n₁为各个交叉验证训练集的果蝇个数；y_lk为导水裂隙带高度真实值；f(x_lk)为交叉训练后的导水裂隙带高度预测值；步骤3.2.4：寻找果蝇个体中的味道浓度的最小值，将该最小值作为最佳的味道浓度值；[b_F，b_I]=min(F)式中：b_F为F的最小值；b_I为F最小值所处的位置；步骤3.2.5：保留最佳的味道浓度值F_best及其对应果蝇所处的位置，此时果蝇个体通过视觉向该位置飞去；F_bsst=b_FX1=X(bI)Y1=Y(bI)Z1=Z(bI)]]>步骤3.2.6：通过循环迭代对果蝇进行寻优，重复步骤3.2.2～步骤3.2.5，同时判定味道浓度是否优于上一次迭代的味道浓度，如果是，则转至步骤3.2.5，否则继续循环，直至达到最大迭代次数N₁时终止；步骤3.2.7：得到最佳的味道浓度值及其对应果蝇所处的位置，即得到惩罚因子C优化值和核函数的参数宽度g优化值；步骤3.3：根据惩罚因子C优化值、核函数的参数宽度g优化值及矿井导水裂隙带高度预测函数f(x)，进行矿井导水裂隙带高度预测，得到矿井导水裂隙带高度预测值。