煤巷支护参数预测研究

作者：陈攀; 马鑫民^*; 向俊杰; 陈莉影; 梁厅皓

来源：工矿自动化, 2023, 49(10): 133-141.

DOI：10.13272/j.issn.1671-251x.2022120047

• 煤矿巷道
• 机器学习
• 锚杆支护参数
• 合成少数类过采样
• 遗传算法优化支持向量机

目前支持向量机（SVM）和随机森林（RF）等算法在煤矿巷道支护领域应用较少。研究了不同的机器学习模型进行支护参数设计的适用性，以建立一个更高性能的模型来实现锚杆支护的合理、科学设计。首先建立煤巷支护智能预测数据库：采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本；采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理，建立煤巷支护数据库。提出一种基于合成少数类过采样（SMOTE）-遗传算法（GA）-SVM的煤巷支护参数预测模型：将数据库中的数据分成训练集与测试集，采用SMOTE技术平衡训练样本，提高模型对少数类样本的拟合能力；训练过程采用GA对SVM的超参数进行全局寻优，进一步提高模型整体性能。测试结果表明，SMOTE-GA-SVM模型的分类精度达到83.8%，比传统的SVM模型提高了21.8%。将SVM、人工神经网络（ANN）、RF、AdaBoost(ADA)和朴素贝叶斯分类器（NBC）等机器学习方法引入到煤巷锚杆支护参数预测中，建立对应的支护参数预测模型，比较结果表明：从最优到最差的预测模型排序分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA,6种模型的平均分类精度达69.9%，验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性。在山西霍宝干河煤矿有限公司对SMOTE-GA-SVM模型进行了应用，模型预测准确率达87.5%，具有较强的适用性和可靠性。

• 单位
  土木工程学院; 中国矿业大学（北京）