CN104268647A - 一种小断层走向延展长度的检测方法 - Google Patents

Abstract

本发明属于矿井断层参数要素检测技术领域，涉及一种小断层走向延展长度预测方法；先对断层要素进行统计和分析，然后利用灰色关联分析法，确定小断层走向延展长度与其他断层要素的关联度，后对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集并选定训练集和测试集，再利用训练集和遗传算法对SVM模型进行优化，建立SVM模型，最后利用测试集对SVM模型进行检验；其总体设计原理可靠，计算方法成熟，建模技术安全，预测数据准确，检测环境友好。

Description

一种小断层走向延展长度的检测方法

技术领域：

本发明属于矿井中断层参数要素检测技术领域，涉及一种小断层走向延展长度预测方法，特别是一种基于遗传算法优化支持向量机(SVM)的小断层走向延展长度检测方法。

背景技术：

随着采煤机械化和自动化程度的不断提高，采掘部门对工程的设计与布置、开采方法的选择等的需求，愈来愈关注到地质检测的准确程度，断层走向延展长度与落差是断层预测的两个重要参数，断层走向长度与落差越大，断层对煤炭生产的影响也越大；现实中，随着矿井勘探、巷道掘进及工作面回采，可以较容易的查明小断层的落差、倾角、倾向和走向，但其延展长度往往难以确定，找出断层走向延展长度与断层落差、倾角、倾向和走向等其它断层要素之间的统计关系，就可以利用断层落差等其它断层要素来预测其延展长度，尤其当工作面周围巷道掘好后，根据已揭露的小断层落差等其它断层要素预测其在未采的采区及工作面内的延展长度，可以为采区及工作面的开采提供地质依据。在现有技术中，邱梅等在《煤田地质与勘探》期刊2013年第40卷第6期上公开了一种小断层延展长度的预测方法，论文名为：矿井小断层延展长度的多元线性回归预测模型，但由于断层要素之间的相关性并非简单的线性关系，大多情况是相当复杂的非线性关系，使得回归预测的精度并不高；2013年山东科技大学徐东晶等在《煤矿安全》期刊第44卷第2期中公开了一篇名称为《基于BP神经网络的矿井小构造预测》的小断层延展长度的预测方法，文章提出可以利用BP神经网络建立矿井小断层延展长度预测模型，但神经网络法具有自身固有的缺陷：其权值的初始化是随机的，而且易陷入局部极小，其学习过程中隐含层的节点数和其它参数的选择只能根据经验和试验来选择，且收敛时间长、鲁棒性差；常规支持向量机(SVM)仅能够处理小样本、非线性、高维数的问题，能够克服如神经网络中局部极小值的问题，但支持向量机训练模型有许多参数要进行选择，比如核函数的相关参数等，这些参数直接影响SVM的预测能力，因此，现有的小断层走向延展长度预测方法中尚未见有成熟技术解决断层延展长度预测准确性问题。

发明内容：

本发明的目的在于克服现有技术存在的缺陷，针对现有小断层走向延展长度的预测模型准确度不高的问题，设计提供一种基于遗传算法优化SVM的小断层走向延展长度预测方法，能够有效的提高预测准确度。

为了实现上述目的，本发明涉及的预测方法包括以下工艺步骤：

(1)统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延展长度、走向、倾向、倾角和落差5个断层要素进行统计和分析；

(2)确定小断层延展长度的相关因子：利用灰色关联分析法，确定小断层走向延展长度与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0.5的要素作为小断层走向延展长度的相关因子，所述灰色关联分析法步骤如下：

①构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列断层走向、倾向、倾角和落差4个要素构成子序列(i＝1,2,…,m,t＝1,2,…,n)，其中i为m个子因素的标号，t为n个统计单元号，原始数据矩阵为：

$X_i^{\left(0\right)}=\left[\begin{array}{cccc}{x}_1^{\left(0\right)}\left(0\right)& x_1^{\left(0\right)}\left(1\right)& ...& x_1^{\left(0\right)}\left(m\right)\\ x_2^{\left(0\right)}\left(0\right)& x_2^{\left(0\right)}\left(1\right)& ...& x_2^{\left(0\right)}\left(m\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_n^{\left(0\right)}\left(0\right)& x_n^{\left(0\right)}\left(1\right)& ...& x_n^{\left(0\right)}\left(m\right)\end{array}\right]$

其中：i＝0,1,2,…,m，是主因素(i＝0)及m个子因素的标号，t＝1,2,…,n，为统计单元号，是对第i个因素在第t个统计单元内得到的观测值；

②对原始数据矩阵进行无量纲化处理，采用公式如下：

$x_t^{\left(1\right)}\left(i\right)=x_t^{\left(0\right)}\left(i\right)/\left[\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^{\left(0\right)}\left(i\right)\right]$

③计算子序列与母序列之间的关联度为：

$r_{i,0}=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ξ\Δ}}_{\max }}{{\mathrm{\Δ}}_{i,0}\left(i\right)+{\mathrm{\ξ\Δ}}_{\max }}$

其中： ${\mathrm{\Δ}}_{i,0}\left(i\right)=|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)|,$ ${\mathrm{\Δ}}_{\max }=\underset{i}{\max }\left\{\underset{t}{\max }\right|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)\left|\right\},$ i＝1,2,…,m；t＝1,2,…,n，ξ为分辨系数，分辨系数取值范围0.1～0.5，通常取0.5；

(3)归一化与选定训练集：对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集，并选定训练集和测试集；

(4)SVM参数优化：输入训练集样本，利用遗传算法对SVM模型的惩罚参数C和核函数参数g(其中g＝1/2σ²，σ为RBF核函数的核参数)进行优化，其步骤如下：

①设置初始值：设定遗传算法的种群最大数量、最大遗传代数T、交叉概率、变异概率和优化参数的变化范围；

②随机产生一组支持向量机参数，采用二进制编码对每个参数进行编码，构造初始种群，其染色体为各参数二进制顺序排列组成，长度为各参数二进制长度之和，设置遗传迭代计数器t＝0；

③计算种群中每个个体的适应度：将训练样本的预测平均相对误差函数作为目标函数，确定其适应度，平均相对误差越大，适应度越小；

④根据个体适应度，按照轮盘赌法从当前种群中选出个体进入下一代；

⑤从步骤④选出的个体中随机选择两个个体作为父体，以设定的交叉概率进行交叉操作，产生两个新个体；

⑥从步骤⑤产生的新个体中随机选择个体以设定的变异概率进行变异操作，通过随机改变个体中的基因产生新一代个体；

⑦终止条件判断：若t≤T，重复步骤②，并使t＝t+1；若t>T或平均适应度值变化持续小于常数10^-4而t超过最大遗传代数T的一半，则所得到的具有最大适应度的个体作为最优值输出，算法终止；

⑧对得到的最优值解译码，得到优化参数；

(5)SVM建模：输入训练集样本，利用步骤(4)得到的优化参数，进行SVM建模；

(6)模型检验：利用测试集对步骤(5)建立的SVM模型进行检验，若测试结果相对误差＜15％，模型可应用，否则返回步骤(2)重新建模。

本发明与现有技术相比，提出了一种基于SVM建立回归预测模型的新方法，选择遗传算法对SVM模型的参数进行优化选择，避免了人为选择SVM模型参数的盲目性，提高了预测的精度和推广泛化能力，其总体设计原理可靠，计算方法成熟，建模技术安全，预测数据准确，检测环境友好。

附图说明：

图1为本发明方法的工艺流程原理示意框图。

图2为本发明涉及的遗传算法寻优结果示意图。

图3为本发明涉及的训练集预测的实验结果示意图。

具体实施方式：

下面结合附图并通过实施例对本发明做进一步说明。

实施例1：

本实施例涉及的预测方法的具体技术方案，包括下列步骤：

(1)统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延展长度、走向、倾向、倾角和落差5个断层要素进行统计和分析；

(2)确定小断层延展长度的相关因子：利用灰色关联分析法，确定小断层走向延展长度与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0.5的要素作为小断层走向延展长度的相关因子，所述灰色关联分析法步骤如下：

①构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列断层走向、倾向、倾角和落差4个要素构成子序列(i＝1,2,…,m,t＝1,2,…,n)，其中i为m个子因素的标号，t为n个统计单元号，原始数据矩阵为：

$X_i^{\left(0\right)}=\left[\begin{array}{cccc}{x}_1^{\left(0\right)}\left(0\right)& x_1^{\left(0\right)}\left(1\right)& ...& x_1^{\left(0\right)}\left(m\right)\\ x_2^{\left(0\right)}\left(0\right)& x_2^{\left(0\right)}\left(1\right)& ...& x_2^{\left(0\right)}\left(m\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_n^{\left(0\right)}\left(0\right)& x_n^{\left(0\right)}\left(1\right)& ...& x_n^{\left(0\right)}\left(m\right)\end{array}\right]$

其中：i＝0,1,2,…,m，是主因素(i＝0)及m个子因素的标号，t＝1,2,…,n，为统计单元号，是对第i个因素在第t个统计单元内得到的观测值；

②对原始数据矩阵进行无量纲化处理，采用公式如下：

$x_t^{\left(1\right)}\left(i\right)=x_t^{\left(0\right)}\left(i\right)/\left[\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^{\left(0\right)}\left(i\right)\right]$

③计算子序列与母序列之间的关联度为：

$r_{i,0}=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ξ\Δ}}_{\max }}{{\mathrm{\Δ}}_{i,0}\left(i\right)+{\mathrm{\ξ\Δ}}_{\max }}$

其中： ${\mathrm{\Δ}}_{i,0}\left(i\right)=|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)|,$ ${\mathrm{\Δ}}_{\max }=\underset{i}{\max }\left\{\underset{t}{\max }\right|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)\left|\right\},$ i＝1,2,…,m；t＝1,2,…,n，ξ为分辨系数，分辨系数取值范围0.1～0.5，通常取0.5；

(3)归一化与选定训练集：对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集，并选定训练集和测试集；

(4)SVM参数优化：输入训练集样本，利用遗传算法对SVM模型的惩罚参数C和核函数参数g(其中g＝1/2σ²，σ为RBF核函数的核参数)进行优化，其步骤如下：

①设置初始值：设定遗传算法的种群最大数量、最大遗传代数T、交叉概率、变异概率和优化参数的变化范围；

②随机产生一组支持向量机参数，采用二进制编码对每个参数进行编码，构造初始种群，其染色体为各参数二进制顺序排列组成，长度为各参数二进制长度之和，设置遗传迭代计数器t＝0；

③计算种群中每个个体的适应度：将训练样本的预测平均相对误差函数作为目标函数，确定其适应度，平均相对误差越大，适应度越小；

④根据个体适应度，按照轮盘赌法从当前种群中选出个体进入下一代；

⑤从步骤④选出的个体中随机选择两个个体作为父体，以设定的交叉概率进行交叉操作，产生两个新个体；

⑥从步骤⑤产生的新个体中随机选择个体以设定的变异概率进行变异操作，通过随机改变个体中的基因产生新一代个体；

⑦终止条件判断：若t≤T，重复步骤②，并使t＝t+1；若t>T或平均适应度值变化持续小于常数10^-4而t超过最大遗传代数T的一半，则所得到的具有最大适应度的个体作为最优值输出，算法终止；

⑧对得到的最优值解译码，得到优化参数；

(5)SVM建模：输入训练集样本，利用步骤(4)得到的最优参数，进行SVM建模；

(6)模型检验：利用测试集对步骤(5)建立的SVM模型进行检验，若测试结果相对误差＜15％，模型可应用，否则返回步骤(2)重新建模。

实施例2：

本实施例按照实施例1的步骤对某煤矿7煤层小断层走向延展长度进行预测，图2是本实施例遗传算法寻优结果示意图，图3是本实施例训练集预测的实验结果示意图，表1是统计的断层要素数据：

表1  断层要素统计样本表

利用表1的数据进行灰色关联分析，确定小断层走向延展长度与断层走向、倾向、倾角和落差4个要素的关联度，结果见表2，可见断层走向、倾向、倾角、落差与断层走向延展长度的关联度均大于0.75，相关性较大，因此，选取断层走向、倾向、倾角、落差作为走向延展长度的预测参数；

表2：断层走向、倾向、倾角、落差与延展长度的关联度表

参数	断层走向	断层倾向	断层倾角	断层落差
					关联度	0.77	0.76	0.80	0.75

利用表1中的训练集样本数据，选取断层走向、倾向、倾角和落差为输入向量，断层走向延展长度为目标向量，利用遗传算法对SVM参数寻优，设置种群最大数量为40、最大遗传代数T＝500、交叉概率为0.7、变异概率为0.01，优化参数C和g的变化范围分别为[0,100]、[0,1000]，寻得最优参数：惩罚参数为C＝56.283，核函数参数为g＝8.2922，利用寻得的最优参数进行SVM建模，利用测试集对模型检验，结果见表3，遗传算法优化的SVM预测模型的相对误差绝对值为1.3％～8.5％，平均误差为4.4％，而多元回归拟合模型的相对误差绝对值为8.8％～89.4％，平均误差为36.2％，BP(Back Propagation)神经网络模型的相对误差绝对值为5.1％～21.3％，平均误差为10.6％，测试集检验结果表明遗传算法优化的SVM预测模型的精度高于多元回归模型和BP神经网络模型。

表3  测试集检验结果表

Claims (1)

1.一种小断层走向延展长度的检测方法，其特征在于包括以下工艺步骤：

(1)统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延展长度、走向、倾向、倾角和落差5个断层要素进行统计和分析；

(2)确定小断层延展长度的相关因子：利用灰色关联分析法确定小断层走向延展长度与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0.5的要素作为小断层走向延展长度的相关因子，所述灰色关联分析法步骤如下：

①构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列断层走向、倾向、倾角和落差4个要素构成子序列(i＝1,2,…,m,t＝1,2,…,n)，其中i为m个子因素的标号，t为n个统计单元号，原始数据矩阵为：

$X_i^{\left(0\right)}=\left[\begin{array}{cccc}{x}_1^{\left(0\right)}\left(0\right)& x_1^{\left(0\right)}\left(1\right)& ...& x_1^{\left(0\right)}\left(m\right)\\ x_2^{\left(0\right)}\left(0\right)& x_2^{\left(0\right)}\left(1\right)& ...& x_2^{\left(0\right)}\left(m\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_n^{\left(0\right)}\left(0\right)& x_n^{\left(0\right)}\left(1\right)& ...& x_n^{\left(0\right)}\left(m\right)\end{array}\right]$

其中：i＝0,1,2,…,m，是主因素(i＝0)及m个子因素的标号，t＝1,2,…,n，为统计单元号，是对第i个因素在第t个统计单元内得到的观测值；

②对原始数据矩阵进行无量纲化处理，采用公式如下：

$x_t^{\left(1\right)}\left(i\right)=x_t^{\left(0\right)}\left(i\right)/\left[\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^{\left(0\right)}\left(i\right)\right]$

③计算子序列与母序列之间的关联度为：

$r_{i,0}=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ξ\Δ}}_{\max }}{{\mathrm{\Δ}}_{i,0}\left(i\right)+{\mathrm{\ξ\Δ}}_{\max }}$

其中： ${\mathrm{\Δ}}_{i,0}\left(i\right)=|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)|,$ ${\mathrm{\Δ}}_{\max }=\underset{i}{\max }\left\{\underset{t}{\max }\right|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)\left|\right\},$ i＝1,2,…,m；t＝1,2,…,n，ξ为分辨系数，分辨系数取值范围0.1～0.5，通常取0.5；

(3)归一化与选定训练集：对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集，并选定训练集和测试集；

(4)SVM参数优化：输入训练集样本，利用遗传算法对SVM模型的惩罚参数C和核函数参数g进行优化，其中g＝1/2σ²，σ为RBF核函数的核参数，其优化步骤如下：

①设置初始值：设定遗传算法的种群最大数量、最大遗传代数T、交叉概率、变异概率和优化参数的变化范围；

②随机产生一组支持向量机参数，采用二进制编码对每个支持向量机参数进行编码，构造初始种群，其染色体为各参数二进制顺序排列组成，长度为各参数二进制长度之和，设置遗传迭代计数器t＝0；

③计算种群中每个个体的适应度：将训练样本的预测平均相对误差函数作为目标函数，确定其适应度，平均相对误差越大，适应度越小；

④根据个体适应度，按照轮盘赌法从当前种群中选出个体进入下一代；

⑤从步骤④选出的个体中随机选择两个个体作为父体，以设定的交叉概率进行交叉操作，产生两个新个体；

⑥从步骤⑤产生的新个体中随机选择个体以设定的变异概率进行变异操作，通过随机改变个体中的基因产生新一代个体；

⑦终止条件判断：若t≤T，重复步骤②，并使t＝t+1；若t>T或平均适应度值变化持续小于常数10^-4而t超过最大遗传代数T的一半，则所得到的具有最大适应度的个体作为最优值输出，算法终止；

⑧对得到的最优值解译码，得到优化参数；

(5)SVM建模：输入训练集样本，利用步骤(4)得到的优化参数，进行SVM建模；

(6)模型检验：利用测试集对步骤(5)建立的SVM模型进行检验，若测试结果相对误差＜15％，模型能够应用，否则返回步骤(2)重新建模。