Vol. 45 No. 2 Apr.2018
矿业安全与环保
MINING SAFETY & ENVIRONMENTAL PROTECTION
第45卷第2期 2018年4月
张良良，石永奎，李像勇.基于混合核函数支持向量机的项板砂岩富水性研究[J].矿业安全与环保,2018,45(2)：72-76 文章编号：10084495(2018)02007205
基于混合核函数支持向量机的顶板砂岩富水性研究
张良良’，石永奎"，2，李俊勇1
（1.山东科技大学矿业与安全工程学院，山东青岛266590；
2.山东省矿山灾害预防控制国家重点实验实培育基地，山东青岛266590）
摘要：为了寻求一种能够较好地预测煤层顶板砂岩富水性等级的方法，以桑树坪煤矿为例，分别采用BP神经网络、K最近邻分类法、决策树和支持向量机算法对其顶板砂岩富水性进行预测。比较发现，基于支持向量机的预测模型准确率收高为87.5%，节点错误率最低，优于其他3种模型。为了进一步提高模型预测准确率，建立了煤层顶板砂岩富水性的混合核函数支持向量机预测模型，当入，=0.05 与入，=0.95时预测准确率达到100%。研究结果表明，以条件属性作为输入、决策属性作为输出的混合核函数支持向量机预测模型能较好地预测煤层顶板砂岩富水性等级，效果较好。
关键词：砂岩富水性：BP神经网络：朴素贝叶斯分类器：支持向量机；混合核函数
中图分类号：TD745
文献标志码：A
Study on Water-Richness of Roof Sandstone Based on Hybrid Kernel
FunctionSupportVectorMachine ZHANG Liangliang ,SHI Yongkui'2,LI Junyong
( I. College of Mining and Safety Engineering , Shandong Unieersity of Science and Technology, Qingdao 266590, Chind ; 2. State Key Laboratory Breeding Base for Mine Disaster Prezention and Control in Shandong Prowince , Qingdao 266590, China)
Abstract: In order to find a better method to predict the level of sandstone water enrichment of coal roof, taking Sangshuping Coal Mine as an example, the BP neural network,Knearest neighbor classification, decision tree and support vector machine algorithm were used to establish the level of sandstone water enrichment of coal roof. By comparison, the accuracy of prediection model based on SVM was 87. 5% ,the node error rate was the lowest, better than the other three models. In order to further improve the prediction aceuracy ,a predictive model of mixed kemel function support vector machine was established, and the prediction accuracy was 100% when A, = 0. 05 and A, = 0. 95. The results showed thal:; the mixed kemel function with conditional attribute as input and decision attribute as output can predict the grade of sandstone water enrichment in coal seam roof, and the effect is good.
Keywords : sandstone water enrichment; BP neural network ; naive bayes classifier; support vector machine; mixed kernel function
我国许多煤矿水文地质条件非常复杂，导致矿井突水事故时有发生，制约了煤矿企业的健康发展，矿井水害问题一直是煤炭行业的主要攻关课题之_[1-4]。文献[5]在单因素分析的基础上,应用模糊聚类方法对含水层富水性进行评价，但未能全面体现出砂岩富水性各指标的综合影响。文献[6]建立
收稿日期：20170807；20171225修订
作者简介：张良良（1990一），女，山东济宁人，硕士研究生，研究方向为系统优化理论与方法。E-mail；810881323@
qq.eom· 72 ·
万方数据
了基于PNN的煤层顶板砂岩含水层富水性预测模型，预测结果和实际结果相符，证明该方法是可行的，但是预测样本较少，不能全面评价整个研究区的富水性。文献[7-8]指出了砂岩裂隙型含水层富水性分布范围，但不能定量得到研究区的富水性强弱。文献[9-10]采用了综合评价方法对煤层顶板岩石富水性进行预测，但考虑的指标和样本数量较少。尽管上述文献对煤层顶板砂岩富水性进行了研究探讨，并取得了大量成果，但研究方法较为单一，选取的指标和样本数量较少，不能全面评价煤层顶板砂岩富水性。因此，笔者运用BP神经网络、K最近邻