[发明专利]一种矿井突水水源层识别方法

说明书

技术领域

本发明涉及一种矿井突水水源层识别方法。

背景技术

在煤矿生产过程中，矿井突水是一种发生频率高且危害严重的自然灾害，矿井一旦突水，将会对煤矿安全开采造成威胁，造成巨大的经济损失，甚至会危及矿工人身安全。及时有效地识别矿井水源的变化可以为突水的判别和预测提供依据，是防治突水灾害的前提，而选择合适的水源识别方法则是矿井水源识别的关键。

目前，有很多种判别突水水源的方法，如模糊评价法，模糊聚类分析，灰色关联度法等，但这些方法都要事先假定模式或主观规定一些参数，致使评价的主观性很强。可以考虑将SVM模型应用到矿井突水水源识别研究中；同时可以利用水化学法来判别矿井的突水水源，其基本依据是：由于受到含水层的沉积期、地质岩性、建造和地化学环境等诸多因素的影响，使存储在不同含水层中的地下水主要化学成分有所不同。

获取矿井水源信息的方法通常有水温、同位素、地下水水位动态、水化学分析法等，由于不同含水层的水化学成分复杂，为了准确识别矿井水源，必须对获取的多种水源信息进行融合识别。

发明内容

本发明的目的是为了解决目前判别突水水源的方法中存在的评价方法的主观性太强的问题，而提供了一种基于粒子群优化LS-SVM模型的矿井突水水源层识别方法。

为了实现上述目的，本发明采取的技术方案是：提供一种矿井突水水源层识别方法，按如下步骤操作：

步骤一、获取已知的矿井水源样本数据及水源层信息，对数据进行预处理；

将获取的矿井水源层数据采用基于粒子群优化LS-SVM分类模型进行分类并编号，以矿井各个水源层的所有离子浓度作为判别因素，输入为列向量，其输出层为对应的水源层编号；

步骤二、将获取的数据分为两部分，一部分作为LS-SVM训练样本，另一部分作为测试样本，并通过粒子群算法算法，即PSO算法对LS-SVM参数进行优化；将训练样本用于支持向量回归机，测试样本用于验证模型的精度；

(1)对数据预处理：将训练样本和测试样本分开进行归一化处理；

(2)通过PSO优化LS-SVM参数；

步骤三、获得LS-SVM最优参数；

步骤四、采用支持向量机的最优网络模型对训练样本进行训练建模，建立矿井突水水源识别模型；

步骤五、采用建立的矿井突水水源识别模型对测试样本进行检测；

步骤六、给出矿井突水水源识别结果。

本发明的步骤二中所述的通过PSO算法对LS-SVM模型参数优化，其具体步骤如下：

步骤①、对训练集样本给定最大的迭代次数，最大、最小加权因子，随机产生n个粒子，每个粒子分别代表SVM的参数γ和σ；

步骤②、根据当前参数γ和σ计算适应度值；

步骤③、记忆个体和群体所对应的最佳适应度值的位置；

步骤④、更新粒子的位置，速度，搜寻更优的γ和σ；

步骤⑤、重复步骤②直到达到最大的迭代次数；

步骤⑥、利用训练好的LS-SVM模型对测试样本进行预测；

步骤⑦、输出最优参数。

本发明上述步骤②中所述的根据当前参数γ和σ计算适应度值，其具体步骤如下：

第一步：初始化粒子群，即随机产生一组初始值，包括微粒的速度和位置；设定粒子群参数，在空间Rⁿ中随机产生n个粒子x₁，x₂，…，x_n，组成初始种群X(t)；随机产生各粒子的初始速度v₁，v₂，…，v_n，组成速度矩阵V(t)；每个粒子的个体最优值P_besti的初始值为x_i的初始值；