一種用於直接頂板穩定性的預測方法與流程
2023-06-29 06:26:06 1
本發明涉及地下煤炭開採安全生產
技術領域：
，尤其涉及一種用於直接頂板穩定性的預測方法。
背景技術：
：近年來隨著煤炭產量的大幅提高，開採中的災害事故也頻頻發生，煤礦安全變得越來越重要。直接頂板是工作面空間直接維護控制的對象，其完整程度及運動特徵將直接影響回採工作面的安全。回採工作面直接頂板是影響工作面安全的重要因素，對直接頂板穩定性分類可以確定採場的支架類型，選取科學合理的支架參數。針對穩定性不同的各類直接頂採取不同的支架，確定科學合理的支護參數是保證工作面安全生產的有效途徑，因此對於尚未開採的工作面採用技術手段對其進行穩定性分類，對於安全生產意義重大。技術實現要素：鑑於上述現有技術的不足，本發明的目的在於提供一種用於直接頂板穩定性的預測方法，為煤礦現場直接頂板控制設計提供參數。為解決上述技術問題，本發明方案包括：一種用於直接頂板穩定性的預測方法，其包括以下步驟：A、將直接頂板類型分為極不穩定頂板、複合頂板、中下穩定頂板、中上穩定頂板、穩定頂板與非常穩定頂板這六個類型；B、獲取多組直接頂板之測試樣本的指標數據，從中選取部分直接頂板之測試樣本的指標數據作為輸入向量，建立貝斯分類器預測模型，將剩餘的直接頂板之測試樣本的指標數據導入上述貝斯分類器預測模型進行處理得到相應結果，將相應結果與上述六個類型相對應。所述的預測方法，其中，上述步驟B中的指標數據包括直接頂板抗壓強度、直接頂板強度指數、綜合弱化常量與弱化係數。所述的預測方法，其中，上述步驟B中建立貝斯分類器預測模型的步驟具體的包括：上述選取部分直接頂板之測試樣本的指標數據作為訓練樣本，剩餘的直接頂板之測試樣本的指標數據作為待測樣本；將上述選取部分直接頂板之測試樣本的指標數據導入式(1)進行歸一化處理，其中：xij是歸一化前測試樣本，sij是歸一化後測試樣本；min(xj)是原始測試樣本中的最小值；max(xj)是原始測試樣本中的最大值；將歸一化處理的數據導入式(2)進行離散化處理，得到訓練樣本數據；其中：zij為離散化後樣本，min(sj)為歸一化後測試樣本的最小值，max(sj)為歸一化後測試樣本的最大值，Q為步長,Q由下式所得：通過上述訓練樣本數據建立上述貝斯分類器預測模型。所述的預測方法，其中，上述步驟B中具體的還包括：統計上述訓練樣本數S、類別為Ci的訓練樣本數Si、第k個屬性Ak等於xk且類別為Ci的訓練樣本個數Sik，然後通過式(4)與式(5)獲得直接頂板穩定等級；其中：Sc為所有分類數量，Sk表示訓練樣本中第k個屬性取值數目；然後通過式(6)預測對應訓練樣本X的類型分類結果：本發明提供的一種用於直接頂板穩定性的預測方法，具有算法簡單，操作方便，邏輯清晰，容易實現；並且分類過程中時間、空間範圍小，適用於小樣本實例，分類性能穩定，對於不同類型的數據分類效果影響不大，即模型適應性比較好，預測準確率達到88.89％以上，能非常準確的為煤礦現場直接頂板控制設計，比如直接頂板支架選型、支架阻力確定等設計提供準確而詳盡的參數。附圖說明圖1為本發明中預測方法的示意圖。具體實施方式本發明提供了一種用於直接頂板穩定性的預測方法，為使本發明的目的、技術方案及效果更加清楚、明確，以下對本發明進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。本發明提供了一種用於直接頂板穩定性的預測方法，如圖1所示的，其包括以下步驟：步驟101:將直接頂板類型分為極不穩定頂板、複合頂板、中下穩定頂板、中上穩定頂板、穩定頂板與非常穩定頂板這六個類型；步驟102：獲取多組直接頂板之測試樣本的指標數據，從中選取部分直接頂板之測試樣本的指標數據作為輸入向量，建立貝斯分類器預測模型，將剩餘的直接頂板之測試樣本的指標數據導入上述貝斯分類器預測模型進行處理得到相應結果，將相應結果與上述六個類型相對應。更進一步的，上述步驟102中的指標數據包括直接頂板抗壓強度、直接頂板強度指數、綜合弱化常量與弱化係數。在本發明的另一較佳實施例中，上述步驟102中建立貝斯分類器預測模型的步驟具體的包括：上述選取部分直接頂板之測試樣本的指標數據作為訓練樣本，剩餘的直接頂板之測試樣本的指標數據作為待測樣本；將上述選取部分直接頂板之測試樣本的指標數據導入式(1)進行歸一化處理，其中：xij是歸一化前測試樣本，sij是歸一化後測試樣本；min(xj)是原始測試樣本中的最小值；max(xj)是原始測試樣本中的最大值；將歸一化處理的數據導入式(2)進行離散化處理，得到訓練樣本數據；其中：zij為離散化後樣本，min(sj)為歸一化後測試樣本的最小值，max(sj)為歸一化後測試樣本的最大值，Q為步長,Q由下式所得：通過上述訓練樣本數據建立上述貝斯分類器預測模型。更進一步的，上述步驟102中具體的還包括：統計上述訓練樣本數S、類別為Ci的訓練樣本數Si、第k個屬性Ak等於xk且類別為Ci的訓練樣本個數Sik，然後通過式(4)與式(5)獲得直接頂板穩定等級；其中：Sc為所有分類數量，Sk表示訓練樣本中第k個屬性取值數目；然後通過式(6)預測對應訓練樣本X的類型分類結果：為了更進一步的描述本發明之預測方法，以下列舉更為詳盡的實施例進行說明。實施例1本實施例涉及的預測方法，其具體步驟如下：(1)直接頂穩定性數據處理①獲取樣本數據：選取直接頂穩定性的影響因素4個，統計部分礦井的直接頂穩定性數據，形成樣本數據；在本實施例中選擇34個樣本數據。②對樣本數據的各樣本中的影響指標數據進行歸一化處理，得到訓練樣本數據，為下面的離散化處理所使用；其中，xij是歸一化前樣本，sij是歸一化後樣本；min(xj)是原始樣本中的最小值；max(xj)是原始樣本中的最大值。③對歸一化處理後的樣本數據進行離散化處理，得到訓練樣本數據；其中，zij為離散化後樣本，min(sj)為歸一化後樣本的最小值，max(sj)為歸一化後樣本的最大值，Q為步長,如下式(3)所示：(2)基於貝葉斯分類器對直接頂穩定性進行預測：①模型的建立：選擇直接頂板的抗壓強度、直接頂板強度指數、綜合弱化常量、弱化係數這四個指標的樣本數據作為貝葉斯分類器模型的輸入向量，同時，將煤層直接頂板穩定性等級分為極不穩定頂板、複合頂板、中下穩定頂板、中上穩定頂板、穩定頂板與非常穩定頂板等六個等級：②預測模型訓練：將樣本數據進行了歸一化、離散化處理，作為預測模型的訓練樣本：③預測模型檢驗：檢驗直接頂穩定性的預測模型的準確性，一般從混淆矩陣和節點錯誤率兩個方面來對比分析。(3)直接頂板穩定性預測與分析①利用貝葉斯公式法進行預測：第一步：對提供的34組樣本數據進行歸一化、離散化處理；第二步：統計出訓練樣本的個數S、類別為Ci的樣本數Si、第k個屬性Ak等於xk且類別為Ci的訓練實例樣本個數Sik；第三步：分別計算：式(4)與式(5)中，Sc為所有分類數量，Sk表示訓練樣本中第k個屬性取值數目。第四步：利用分類器：通過式(6)得出預測實例樣本X的歸屬分類結果。②利用weka軟體進行直接頂穩定性預測；③預測結果分析對比。實施例2本實施例按照實施例1的步驟收集某典型礦井的直接頂穩定性樣本數據，見表1，表1為礦井的直接頂板穩定性樣本數據表。表1：為了保留數據的完整性和有效性，需要對樣本數據進行歸一化處理。為了使數據處理更加方便，將「抗壓程度」記作「X1」、「強度指數」記作「X2」、「綜合弱化常量」記作「X3」、「弱化係數」記作「X4」和「煤層直接頂板穩定程度」記作「Y」。歸一化處理後的結果如表2所示，表2為歸一化結果。表2：表2就是25組訓練樣本數據歸一化之後的結果，最後保存成.arff格式文件，為下面的離散化處理所使用。為了更高抽象層次的離散數據值，能夠更好的建立模型，我們下面還需要對訓練樣本數據進行離散化處理。表3為表2數據的離散化結果。表3:表3是訓練樣本數據離散化結果，保存為.arff文件。下面利用ULtraEdit軟體對離散化樣本數據進行編輯處理，使之得到更加清晰方便的離散化數據，為屬性約簡提供了便利的條件。在ULtraEdit中打開離散化樣本數據(.arff文件)，將「-inf-0.333333」、「0.333333-0.666667」、「0.666667-inf」三段分別替換為0、1、2。編輯完成後，就可以得到更加清晰方便的離散化結果，如表4所示，表4為編輯後的離散結果。表4通過weka軟體(WaikatoEnvironmentforKnowledgeAnalysis：懷卡託智能分析環境)來檢驗基於貝葉斯分類器的直接頂穩定性預測模型的準確性，分別從混淆矩陣和節點錯誤率兩個方面：混淆矩陣表5為節點錯誤率表5平均絕對誤差均方根誤差相對絕對誤差相對平方根誤差10.4％17.96％49.5677％59.428％由前面得知，我們選用34組訓練樣本中的25組作為訓練樣本，第26-34共9組作為待測樣本。煤層直接頂板穩定性等級分為六級，類別記為Y＝{Y1,Y2,Y3,Y4,Y5,Y6}＝{極不穩定頂板,較不穩定頂板,中下穩定頂板，中上穩定頂板，穩定頂板，非常穩定頂板}，屬性記為X＝{X1,X2,X3,X4}＝{直接頂抗壓強度、直接頂強度指數、綜合弱化常量、弱化係數}。對於直接頂抗壓強度(X1)、直接頂強度係數(X2)、綜合弱化常量(X3)、弱化係數(X4)共四個數值型屬性我們進行歸一化、離散化處理後分為三段，分別用(X11，X12，X13)、(X21，X22，X23)、(X31，X32，X33)、(X41，X42，X43)表示直接頂抗壓強度、直接頂強度係數、綜合弱化常量、弱化係數的三個級別。因此訓練樣本數據如表6所示，表6為訓練樣本數據。表6由貝斯分類器預測模型分別計算煤層直接頂板穩定程度等級發生概率P(Yi)及P(Yi)的後驗概率，由上述得到的概率，結合貝斯分類器預測模型，我們對第26-34組待測樣本進行煤層直接頂板穩定性預測，得到9組待測樣本的預測結果如表7所示。表7將前面利用貝斯分類器預測模型的結果與實際情況的結果相比較，表8為預測結果與實際結果對比表。表8通過分析上述實施例可知，預測結果與實際結果基本相同，預測的正確率達88.89％。由此可以得出，本發明的預測方法具有較好的預測結果，能為煤礦現場直接頂板控制設計提供準確而詳盡的參數。當然，以上說明僅僅為本發明的較佳實施例，本發明並不限於列舉上述實施例，應當說明的是，任何熟悉本領域的技術人員在本說明書的教導下，所做出的所有等同替代、明顯變形形式，均落在本說明書的實質範圍之內，理應受到本發明的保護。當前第1頁1 2 3