CN106250681A - 一种用于直接顶板稳定性的预测方法 - Google Patents
一种用于直接顶板稳定性的预测方法 Download PDFInfo
- Publication number
- CN106250681A CN106250681A CN201610592211.8A CN201610592211A CN106250681A CN 106250681 A CN106250681 A CN 106250681A CN 201610592211 A CN201610592211 A CN 201610592211A CN 106250681 A CN106250681 A CN 106250681A
- Authority
- CN
- China
- Prior art keywords
- immediate roof
- test sample
- top board
- sample
- mentioned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于直接顶板稳定性的预测方法,其包括以下步骤:将直接顶板类型分为极不稳定顶板、复合顶板、中下稳定顶板、中上稳定顶板、稳定顶板与非常稳定顶板这六个类型;获取多组直接顶板之测试样本的指标数据,从中选取部分直接顶板之测试样本的指标数据作为输入向量,建立贝斯分类器预测模型,将剩余的直接顶板之测试样本的指标数据导入上述贝斯分类器预测模型进行处理得到相应结果,将相应结果与上述六个类型相对应。具有算法简单,操作方便,逻辑清晰,容易实现,预测准确率达到88.89%以上,能非常准确的为煤矿现场直接顶板控制设计,比如直接顶板支架选型、支架阻力确定等设计提供准确而详尽的参数。
Description
技术领域
本发明涉及地下煤炭开采安全生产技术领域,尤其涉及一种用于直接顶板稳定性的预测方法。
背景技术
近年来随着煤炭产量的大幅提高,开采中的灾害事故也频频发生,煤矿安全变得越来越重要。直接顶板是工作面空间直接维护控制的对象,其完整程度及运动特征将直接影响回采工作面的安全。回采工作面直接顶板是影响工作面安全的重要因素,对直接顶板稳定性分类可以确定采场的支架类型,选取科学合理的支架参数。针对稳定性不同的各类直接顶采取不同的支架,确定科学合理的支护参数是保证工作面安全生产的有效途径,因此对于尚未开采的工作面采用技术手段对其进行稳定性分类,对于安全生产意义重大。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供一种用于直接顶板稳定性的预测方法,为煤矿现场直接顶板控制设计提供参数。
为解决上述技术问题,本发明方案包括:
一种用于直接顶板稳定性的预测方法,其包括以下步骤:
A、将直接顶板类型分为极不稳定顶板、复合顶板、中下稳定顶板、中上稳定顶板、稳定顶板与非常稳定顶板这六个类型;
B、获取多组直接顶板之测试样本的指标数据,从中选取部分直接顶板之测试样本的指标数据作为输入向量,建立贝斯分类器预测模型,将剩余的直接顶板之测试样本的指标数据导入上述贝斯分类器预测模型进行处理得到相应结果,将相应结果与上述六个类型相对应。
所述的预测方法,其中,上述步骤B中的指标数据包括直接顶板抗压强度、直接顶板强度指数、综合弱化常量与弱化系数。
所述的预测方法,其中,上述步骤B中建立贝斯分类器预测模型的步骤具体的包括:上述选取部分直接顶板之测试样本的指标数据作为训练样本,剩余的直接顶板之测试样本的指标数据作为待测样本;
将上述选取部分直接顶板之测试样本的指标数据导入式(1)进行归一化处理,
其中:xij是归一化前测试样本,sij是归一化后测试样本;min(xj)是原始测试样本中的最小值;max(xj)是原始测试样本中的最大值;
将归一化处理的数据导入式(2)进行离散化处理,得到训练样本数据;
其中:zij为离散化后样本,min(sj)为归一化后测试样本的最小值,max(sj)为归一化后测试样本的最大值,Q为步长,Q由下式所得:
通过上述训练样本数据建立上述贝斯分类器预测模型。
所述的预测方法,其中,上述步骤B中具体的还包括:
统计上述训练样本数S、类别为Ci的训练样本数Si、第k个属性Ak等于xk且类别为Ci的训练样本个数Sik,然后通过式(4)与式(5)获得直接顶板稳定等级;
其中:Sc为所有分类数量,Sk表示训练样本中第k个属性取值数目;
然后通过式(6)预测对应训练样本X的类型分类结果:
本发明提供的一种用于直接顶板稳定性的预测方法,具有算法简单,操作方便,逻辑清晰,容易实现;并且分类过程中时间、空间范围小,适用于小样本实例,分类性能稳定,对于不同类型的数据分类效果影响不大,即模型适应性比较好,预测准确率达到88.89%以上,能非常准确的为煤矿现场直接顶板控制设计,比如直接顶板支架选型、支架阻力确定等设计提供准确而详尽的参数。
附图说明
图1为本发明中预测方法的示意图。
具体实施方式
本发明提供了一种用于直接顶板稳定性的预测方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供了一种用于直接顶板稳定性的预测方法,如图1所示的,其包括以下步骤:
步骤101:将直接顶板类型分为极不稳定顶板、复合顶板、中下稳定顶板、中上稳定顶板、稳定顶板与非常稳定顶板这六个类型;
步骤102:获取多组直接顶板之测试样本的指标数据,从中选取部分直接顶板之测试样本的指标数据作为输入向量,建立贝斯分类器预测模型,将剩余的直接顶板之测试样本的指标数据导入上述贝斯分类器预测模型进行处理得到相应结果,将相应结果与上述六个类型相对应。
更进一步的,上述步骤102中的指标数据包括直接顶板抗压强度、直接顶板强度指数、综合弱化常量与弱化系数。
在本发明的另一较佳实施例中,上述步骤102中建立贝斯分类器预测模型的步骤具体的包括:上述选取部分直接顶板之测试样本的指标数据作为训练样本,剩余的直接顶板之测试样本的指标数据作为待测样本;
将上述选取部分直接顶板之测试样本的指标数据导入式(1)进行归一化处理,
其中:xij是归一化前测试样本,sij是归一化后测试样本;min(xj)是原始测试样本中的最小值;max(xj)是原始测试样本中的最大值;
将归一化处理的数据导入式(2)进行离散化处理,得到训练样本数据;
其中:zij为离散化后样本,min(sj)为归一化后测试样本的最小值,max(sj)为归一化后测试样本的最大值,Q为步长,Q由下式所得:
通过上述训练样本数据建立上述贝斯分类器预测模型。
更进一步的,上述步骤102中具体的还包括:
统计上述训练样本数S、类别为Ci的训练样本数Si、第k个属性Ak等于xk且类别为Ci的训练样本个数Sik,然后通过式(4)与式(5)获得直接顶板稳定等级;
其中:Sc为所有分类数量,Sk表示训练样本中第k个属性取值数目;
然后通过式(6)预测对应训练样本X的类型分类结果:
为了更进一步的描述本发明之预测方法,以下列举更为详尽的实施例进行说明。
实施例1
本实施例涉及的预测方法,其具体步骤如下:
(1)直接顶稳定性数据处理
①获取样本数据:选取直接顶稳定性的影响因素4个,统计部分矿井的直接顶稳定性数据,形成样本数据;在本实施例中选择34个样本数据。
②对样本数据的各样本中的影响指标数据进行归一化处理,得到训练样本数据,为下面的离散化处理所使用;
其中,xij是归一化前样本,sij是归一化后样本;min(xj)是原始样本中的最小值;max(xj)是原始样本中的最大值。
③对归一化处理后的样本数据进行离散化处理,得到训练样本数据;
其中,zij为离散化后样本,min(sj)为归一化后样本的最小值,max(sj)为归一化后样本的最大值,Q为步长,如下式(3)所示:
(2)基于贝叶斯分类器对直接顶稳定性进行预测:
①模型的建立:选择直接顶板的抗压强度、直接顶板强度指数、综合弱化常量、弱化系数这四个指标的样本数据作为贝叶斯分类器模型的输入向量,同时,将煤层直接顶板稳定性等级分为极不稳定顶板、复合顶板、中下稳定顶板、中上稳定顶板、稳定顶板与非常稳定顶板等六个等级:
②预测模型训练:将样本数据进行了归一化、离散化处理,作为预测模型的训练样本:
③预测模型检验:检验直接顶稳定性的预测模型的准确性,一般从混淆矩阵和节点错误率两个方面来对比分析。
(3)直接顶板稳定性预测与分析
①利用贝叶斯公式法进行预测:
第一步:对提供的34组样本数据进行归一化、离散化处理;
第二步:统计出训练样本的个数S、类别为Ci的样本数Si、第k个属性Ak等于xk且类别为Ci的训练实例样本个数Sik;
第三步:分别计算:
式(4)与式(5)中,Sc为所有分类数量,Sk表示训练样本中第k个属性取值数目。
第四步:利用分类器:
通过式(6)得出预测实例样本X的归属分类结果。
②利用weka软件进行直接顶稳定性预测;
③预测结果分析对比。
实施例2
本实施例按照实施例1的步骤收集某典型矿井的直接顶稳定性样本数据,见表1,表1为矿井的直接顶板稳定性样本数据表。
表1:
为了保留数据的完整性和有效性,需要对样本数据进行归一化处理。为了使数据处理更加方便,将“抗压程度”记作“X1”、“强度指数”记作“X2”、“综合弱化常量”记作“X3”、“弱化系数”记作“X4”和“煤层直接顶板稳定程度”记作“Y”。归一化处理后的结果如表2所示,表2为归一化结果。
表2:
表2就是25组训练样本数据归一化之后的结果,最后保存成.arff格式文件,为下面的离散化处理所使用。为了更高抽象层次的离散数据值,能够更好的建立模型,我们下面还需要对训练样本数据进行离散化处理。表3为表2数据的离散化结果。
表3:
表3是训练样本数据离散化结果,保存为.arff文件。下面利用ULtraEdit软件对离散化样本数据进行编辑处理,使之得到更加清晰方便的离散化数据,为属性约简提供了便利的条件。在ULtraEdit中打开离散化样本数据(.arff文件),将“-inf-0.333333”、“0.333333-0.666667”、“0.666667-inf”三段分别替换为0、1、2。编辑完成后,就可以得到更加清晰方便的离散化结果,如表4所示,表4为编辑后的离散结果。
表4
通过weka软件(Waikato Environment for Knowledge Analysis:怀卡托智能分析环境)来检验基于贝叶斯分类器的直接顶稳定性预测模型的准确性,分别从混淆矩阵和节点错误率两个方面:
混淆矩阵
表5为节点错误率
表5
平均绝对误差 | 均方根误差 | 相对绝对误差 | 相对平方根误差 |
10.4% | 17.96% | 49.5677% | 59.428% |
由前面得知,我们选用34组训练样本中的25组作为训练样本,第26-34共9组作为待测样本。煤层直接顶板稳定性等级分为六级,类别记为Y={Y1,Y2,Y3,Y4,Y5,Y6}={极不稳定顶板,较不稳定顶板,中下稳定顶板,中上稳定顶板,稳定顶板,非常稳定顶板},属性记为X={X1,X2,X3,X4}={直接顶抗压强度、直接顶强度指数、综合弱化常量、弱化系数}。对于直接顶抗压强度(X1)、直接顶强度系数(X2)、综合弱化常量(X3)、弱化系数(X4)共四个数值型属性我们进行归一化、离散化处理后分为三段,分别用(X11,X12,X13)、(X21,X22,X23)、(X31,X32,X33)、(X41,X42,X43)表示直接顶抗压强度、直接顶强度系数、综合弱化常量、弱化系数的三个级别。因此训练样本数据如表6所示,表6为训练样本数据。
表6
由贝斯分类器预测模型分别计算煤层直接顶板稳定程度等级发生概率P(Yi)及P(Yi)的后验概率,由上述得到的概率,结合贝斯分类器预测模型,我们对第26-34组待测样本进行煤层直接顶板稳定性预测,得到9组待测样本的预测结果如表7所示。
表7
将前面利用贝斯分类器预测模型的结果与实际情况的结果相比较,表8为预测结果与实际结果对比表。
表8
通过分析上述实施例可知,预测结果与实际结果基本相同,预测的正确率达88.89%。由此可以得出,本发明的预测方法具有较好的预测结果,能为煤矿现场直接顶板控制设计提供准确而详尽的参数。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (4)
1.一种用于直接顶板稳定性的预测方法,其包括以下步骤:
A、将直接顶板类型分为极不稳定顶板、复合顶板、中下稳定顶板、中上稳定顶板、稳定顶板与非常稳定顶板这六个类型;
B、获取多组直接顶板之测试样本的指标数据,从中选取部分直接顶板之测试样本的指标数据作为输入向量,建立贝斯分类器预测模型,将剩余的直接顶板之测试样本的指标数据导入上述贝斯分类器预测模型进行处理得到相应结果,将相应结果与上述六个类型相对应。
2.根据权利要求1所述的预测方法,其特征在于,上述步骤B中的指标数据包括直接顶板抗压强度、直接顶板强度指数、综合弱化常量与弱化系数。
3.根据权利要求2所述的预测方法,其特征在于,上述步骤B中建立贝斯分类器预测模型的步骤具体的包括:上述选取部分直接顶板之测试样本的指标数据作为训练样本,剩余的直接顶板之测试样本的指标数据作为待测样本;
将上述选取部分直接顶板之测试样本的指标数据导入式(1)进行归一化处理,
其中:xij是归一化前测试样本,sij是归一化后测试样本;min(xj)是原始测试样本中的最小值;max(xj)是原始测试样本中的最大值;
将归一化处理的数据导入式(2)进行离散化处理,得到训练样本数据;
其中:zij为离散化后样本,min(sj)为归一化后测试样本的最小值,max(sj)为归一化后测试样本的最大值,Q为步长,Q由下式所得:
通过上述训练样本数据建立上述贝斯分类器预测模型。
4.根据权利要求3所述的预测方法,其特征在于,上述步骤B中具体的还包括:
统计上述训练样本数S、类别为Ci的训练样本数Si、第k个属性Ak等于xk且类别为Ci的训练样本个数Sik,然后通过式(4)与式(5)获得直接顶板稳定等级;
其中:Sc为所有分类数量,Sk表示训练样本中第k个属性取值数目;然后通过式(6)预测对应训练样本X的类型分类结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592211.8A CN106250681A (zh) | 2016-07-26 | 2016-07-26 | 一种用于直接顶板稳定性的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610592211.8A CN106250681A (zh) | 2016-07-26 | 2016-07-26 | 一种用于直接顶板稳定性的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106250681A true CN106250681A (zh) | 2016-12-21 |
Family
ID=57604698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610592211.8A Pending CN106250681A (zh) | 2016-07-26 | 2016-07-26 | 一种用于直接顶板稳定性的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106250681A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942383A (zh) * | 2017-11-13 | 2018-04-20 | 山东科技大学 | 煤层顶板砂岩富水性等级预测方法 |
CN111911191A (zh) * | 2020-07-15 | 2020-11-10 | 中国矿业大学 | 一种过泥化松散顶板巷道的控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
CN103984788A (zh) * | 2013-12-31 | 2014-08-13 | 中国矿业大学(北京) | 一种煤巷锚杆支护自动智能设计与优化系统 |
-
2016
- 2016-07-26 CN CN201610592211.8A patent/CN106250681A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
CN103984788A (zh) * | 2013-12-31 | 2014-08-13 | 中国矿业大学(北京) | 一种煤巷锚杆支护自动智能设计与优化系统 |
Non-Patent Citations (3)
Title |
---|
《煤炭学报》 * |
朱永建 等: "锚杆支护超长煤巷顶板稳定性动态分类研究", 《煤炭学报》 * |
边平勇 等: "基于朴素贝叶斯分类器的冲击地压危险程度预测研究", 《山东煤炭科技》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942383A (zh) * | 2017-11-13 | 2018-04-20 | 山东科技大学 | 煤层顶板砂岩富水性等级预测方法 |
WO2019091134A1 (zh) * | 2017-11-13 | 2019-05-16 | 山东科技大学 | 煤层顶板砂岩富水性等级预测方法 |
CN111911191A (zh) * | 2020-07-15 | 2020-11-10 | 中国矿业大学 | 一种过泥化松散顶板巷道的控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633255B (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
Faradonbeh et al. | Genetic programming and gene expression programming for flyrock assessment due to mine blasting | |
CN110232406B (zh) | 一种基于统计学习的液晶面板cf图片识别方法 | |
Jian et al. | Feasibility of stochastic gradient boosting approach for predicting rockburst damage in burst-prone mines | |
CN107820620A (zh) | 用于缺陷分类的方法和系统 | |
US7797260B2 (en) | Automated document classifier tuning including training set adaptive to user browsing behavior | |
CN109376247B (zh) | 一种基于关联规则的软件缺陷自动分类方法 | |
CN111222683A (zh) | 一种基于pca-knn的tbm施工围岩综合分级预测方法 | |
CN109753286A (zh) | 一种基于功能标签的代码方法统计其调用次数的方法 | |
CN109754392A (zh) | 一种缺陷图像自动分析的装置及方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
Li et al. | An empirical study for software fault-proneness prediction with ensemble learning models on imbalanced data sets. | |
Brinkman | Improving the rigor and reproducibility of flow cytometry-based clinical research and trials through automated data analysis | |
CN109656615A (zh) | 一种基于代码方法重要程度进行权限预警的方法 | |
CN107168868A (zh) | 一种基于采样和集成学习的软件更改缺陷预测方法 | |
CN106250681A (zh) | 一种用于直接顶板稳定性的预测方法 | |
CN113157564B (zh) | 一种基于特征分布对齐和邻域实例选择的跨项目缺陷预测方法 | |
CN110427957A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
CN112966921A (zh) | 一种基于编程能力评估的创新能力评估方法 | |
CN106096635A (zh) | 基于阈值操作的代价敏感神经网络的警告分类方法 | |
CN107957944B (zh) | 面向用户数据覆盖率的测试用例自动生成方法 | |
CN109376080A (zh) | 时间适配的自动化缺陷定位方法和装置 | |
CN106055483A (zh) | 基于欠采样操作的代价敏感神经网络的警告分类方法 | |
KR101414502B1 (ko) | 국제특허분류를 이용하는 기술 파급관계 분석방법 및 장치 | |
CN113448840A (zh) | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161221 |