矿区地表沉陷预测的KPCA-LSSVM模型

作者：刘福臻; 耿波涛; 刘丹

来源：金属矿山, 2018, (05): 130-134.

DOI：10.19614/j.cnki.jsks.201805027

• 开采沉陷
• 地下开采
• 核主成分分析
• 最小二乘法支持向量机
• 预测模型

针对矿山地下开采引起的地表沉降问题,考虑到影响地表下沉量的多元因素,将核主成分分析法(Kernel principal component analysis,KPCA)与最小二乘支持向量机(Least squares support vector macine,LSSVM)相结合,构建了矿区地表沉陷预测的KPCA-LSSVM模型。该模型首先采用KPCA法对地表沉陷的影响因素进行分析,然后基于LSSVM理论,根据确定的主成分因子,构建了矿区地表沉陷预测模型。研究表明:(1)煤层赋存深度、煤柱宽度、煤层倾角为影响矿区地表最大下沉量的主要因素;(2)通过将华北某矿区煤层赋存深度、煤柱宽度、煤层倾角作为自变量,地表最大沉陷量作为因变量,构建的矿区地表沉陷KPCA-LSSVM预测模型得出的最大沉陷量与实测值的绝对误差为0.0060.009 m,远小于FLAC3D模拟值与实测值的误差(0.1080.217 m),表明该模型可以对矿区地表沉陷进行高精度预测。

• 单位
  土木工程与建筑学院; 西南石油大学