[发明专利]一种巷道围岩变形实时预测方法

说明书

本发明涉及一种巷道围岩变形实时预测方法，包括以下步骤：1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入到历史数据库中；2)将历史数据库中存储的围岩变形数据作为时间序列进行处理提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据分别进行相空间重构；4)利用粒子群支持向量机对步骤3)得到的相空间重构得到的数据分别进行预测，获得预测值；5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

技术领域

本发明涉及矿山巷道围岩预测领域，特别是关于一种基于混沌-粒子群支持向量机的巷道围岩变形实时预测方法。

背景技术

随着国民经济的不断发展，对于矿产资源的需要也在日益增长，这样使得采矿技术不断发展和矿井开采深度不断增加。由于开采深度的持续增加，使得在开采过程巷道围岩的应力发生显著变化，导致围岩发生显著变形。巷道围岩变形有很多影响因素，如矿体的特性、岩层的特征、地应力的变化等，就现在的研究状况而言，对于这些特征与围岩变形之间的影响关系的研究仍十分有限，而且在实际的开采过程中，还存在着诸多不可预知的影响因素，如地层陷落、地下水涌出等，这些因素发生也使得我们使用传统方法无法对巷道围岩变形进行较为准确的预测，也就无法进行定量分析。鉴于现阶段的特殊条件，我们需要碍于现有阶段的特殊条件，急需一种能对非线性问题进行处理的学习系统，来解决现在面对的棘手问题。

近年来，随着各种新方法在采矿领域中的应用。巷道围岩变形预测也出现出了多种人工智能方法，如基于人工神经网络的巷道围岩变形预测、巷道围岩稳定性的模糊聚类方法研究、基于灰色系统理论围岩变形预测、基于神经网络的软岩巷道变形预测研究等。这些人工智能方法较传统的围岩预测方法有着一定优势：人工智能方法易于程序实现、精度有所提高等。然而，通过大量的实证研究表明，上述方法并未很好解决巷道围岩变形动态预测问题，这是因为巷道围岩变形与岩体特性、矿体特征、日进度和日产量等多种因素密切相关，而这些影响因素本身存在着复杂的非线性关系，传统方法已经无法对巷道围岩变形情况进行准确预测。

发明内容

针对上述问题，本发明的目的是提供一种能够对巷道围岩变形情况进行准确预测的基于混沌-粒子群支持向量机的巷道围岩变形实时预测方法。

为实现上述目的，本发明采取以下技术方案：一种巷道围岩变形实时预测方法，其特征在于包括以下步骤：1)位移传感器实时采集巷道围岩监测点的变形数据，并将实时采集的围岩变形数据存入历史数据库中；2)将历史数据库中存储的围岩变形数据作为时间序列进行处理并提取需要进行预测的某些监测点的围岩变形时间序列数据，其中，时间为通过位移传感器采集到围岩变形数据的实际时间，围岩变形监测值作为时间的因变量；3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据；4)利用粒子群支持向量机进行学习得到回归分类估计函数，并通过回归分类估计函数对步骤3)获得不同序列数据分别进行预测；5)判断是否还需对其他相关监测点进行变形预测，若需要，返回步骤1)，否则结束预测，并将各个预测值进行累加获得围岩变形预测结果。

进一步，所述步骤3)利用混沌理论对从历史数据库中提取的围岩变形时间序列数据进行相空间重构，得到在m维空间的若干不同序列数据，具体过程为：假定有一序列数据X_i,i＝1,2,…,n，n是序列长度，通过Takens定理获知，可以找到一个合适的嵌入维m，m≥2d+1，d为混沌吸引子的关联维数，可以用时间延迟τ对相空间R^m重构如下，重构后相空间为：

{Y_i}＝(X_i,X_i+τ,X_i+2τ,…,X_i+(m-1)τ),i＝1,2,…,n-(m-1)τ (1)