论文题目：基于算法融合的深部煤矿煤与瓦斯突出风险评价研究
摘要：我国“富煤”“贫油”“少气”的现实国情决定了一段时间内,煤炭在我国化石能源中仍处于重要战略位置。随着优质浅埋藏煤层逐步枯竭,中东部省区将逐步进入深部煤开采阶段。受煤质松软、低煤岩渗透性、高地应力、高瓦斯含量、高瓦斯压力等共同作用,深部煤矿在开采掘进过程中井下煤层积存的大量瓦斯气体能量瞬间爆发,发生煤与瓦斯突出事故。损坏矿井内部设施、瓦解矿井支撑结构、造成人员伤亡并对井下安全生产产生十分不利的影响。目前我国煤与瓦斯突出研究处于世界领先水平,但研究局限于浅部煤矿瓦斯突出风险评价,涉及深部煤矿灾害风险评价的研究较少,对深部煤矿安全风险评价方法的研究刚刚兴起。因此,在算法融合的基础上开展创新研究,运用前沿而适用的理论和方法,提出一套紧密结合深部煤矿情景的瓦斯突出安全评价方法体系,实现深部煤矿瓦斯安全风险数据的整合、融通和共享,由深部煤矿安全风险的被动管控转向安全风险的综合治理、风险预控和源头预防,对提升煤矿安全管控能力,保障深部矿井安全生产具有重要现实意义。文章主要围绕深部煤矿煤与瓦斯突出评价展开,遵循评价模型嵌入目标矿井的一般思路:理论分析与实证研究相结合,以管理科学、安全科学和矿业工程理论方法为基础,结合智能信息技术、数理统计和系统工程等多学科技术方法,在数据处理、评价准则和算法优化等方面开展创新性研究,充分考虑深部煤矿情景,综合各阶段研究成果开展客观组合评价,构建了具有前沿性、系统性的深部煤矿瓦斯突出风险安全评价方法。首先,可视化展现了国内外煤与瓦斯突出研究现状、热点和前沿方法,运用Citespace和Vosviewer相结合的方式绘制煤矿瓦斯突出知识图谱,总结了该领域研究脉络、趋势和热点前沿,直观定量的展现了煤与瓦斯突出研究状况。其次,提出了一套深部煤与瓦斯突出高维数据降维方法,通过系统梳理深部煤矿煤与瓦斯突出机理和影响因素,针对目标煤矿特点确定初始评价的14项指标体系并开展数据收集。同时针对深部煤矿煤与瓦斯突出复杂、高维、客观的样本数据特征,考虑到熵权法和灰色系统在处理客观数据和未知不确定信息方面的独特优势,首先采用基于熵权改进的灰色关联分析进行数据降维处理,然后通过遗传算法改进粗糙集,仿照物种演进的发展历程,按照相互竞争、择优改进的选择方式,在保留有用信息的前提下进行数据化简和近似模式分类;实现对目标煤矿数据的二次降维处理。经过EWM-GRA和GA-RS二次降维,最终从14项影响因素中筛选出开采深度、原始瓦斯压力、原始瓦斯含量和可解析瓦斯含量4项主控因素作为关键评价指标。最后,针对深部煤与瓦斯突出的复杂非线性特征开展了一系列智能组合评价,深部煤矿煤与瓦斯突出具有典型的非线性特征,对深部煤与瓦斯突出进行准确评价的前提是运用合适的方法捕捉到深部煤与瓦斯突出非线性变化规律。基于此,本文在复杂系统理论的基础上将智能算法和深度学习有效融合,通过适当变换,把深部煤矿煤与瓦斯突出评价转化为适合某种具体智能优化算法的模型,通过对深部煤矿煤与瓦斯突出各要素之间的相互关系设计确定描述深部煤矿瓦斯突出过程中的各适应性性能指标,并在进一步的深度学习和模型训练中结合算法设计解决好全局搜索与局部搜索的辩证关系。达到全面提高数据处理的智能化水平、提升评价模型的评判精度和泛化能力,实现对深部煤矿瓦斯突出有效预防和管控的研究目的。为此,本文基于遗传算法、粒子群优化算法、神经网络、支持向量机等机器学习算法对解决非线性问题的独特优势,在确定深部煤矿瓦斯突出风险关键评价指标体系的基础上构建了基于GA-BP的深部煤与瓦斯突出评价模型,针对GA-BP不足进行了训练模型的PSO-ELM改进,结合数据自身特点设计了基于小样本特征的IQPSO-ELM模型,提出了一套既能处理未确知信息又能给出定量风险概率值的智能评价方法,实现了深部煤矿煤与瓦斯突出评价的“预测—应对”型向“情景—应对”型转化,有效地解决了深部煤矿瓦斯突出风险评价问题。总之,本文针对深部矿井面临的高地温、高地压、高瓦斯以及低煤炭渗透性这一复杂客观现实,以深部煤矿瓦斯突出安全评价与应用为研究对象,基于复杂系统理论,在样本数据处理、数据规范化方法改进、复杂系统评价准则和智能评价算法优化等方面开展了创新性研究,根据深部煤矿瓦斯突出风险评价系统数据特征,从神经网络和支持向量机两个方面对降维后的深部煤与瓦斯突出数据进行模型训练和评价应用,改进了传统数据规范化处理的方法,拓展了评价理论与方法的研究范围,运用科学合理的系统设计,将文献梳理、数据降维、机器学习和智能算法有效结合在一起,探索并提出了一套既能处理未确知信息又能给出定量风险概率值的智能评价方法,不但为科学评价深部煤与瓦斯突出危险性、促进深部煤矿安全管理提供了一种新思路,而且为其他高维、非线性领域的科学评价提供了重要参考。图[54]表[21]参[251]
关键词：深部煤矿;煤与瓦斯突出;评价方法;遗传算法;粒子群算法;神经网络;支持向量机
学科专业：矿业管理工程
摘要
Abstract
1 绪论
1.1 研究背景及课题来源
1.2 研究综述
1.2.1 煤与瓦斯突出研究现状
1.2.2 煤与瓦斯突出风险评价研究现状
1.2.3 煤与瓦斯突出风险评价研究不足
1.3 研究目的与意义
1.3.1 研究目的
1.3.2 研究意义
1.4 研究的理论基础
1.4.1 系统科学理论
1.4.2 复杂适应系统理论
1.5 研究内容
1.6 技术路线
1.7 创新点
2 深部煤矿煤与瓦斯突出风险评价指标体系研究
2.1 煤与瓦斯突出概述
2.2 煤与瓦斯突出风险机理
2.2.1 单一因素理论
2.2.2 综合作用理论
2.3 深部煤矿煤与瓦斯突出风险影响因素
2.3.1 地质因素
2.3.2 煤的物理性质
2.3.3 瓦斯因素
2.4 深部煤矿煤与瓦斯突出数据的采集
2.5 深部煤矿煤与瓦斯突出风险评价指标筛选
2.5.1 基于熵权改进的深部煤矿煤与瓦斯突出灰色关联分析
2.5.2 基于遗传算法改进粗糙集的风险评价指标确定
2.6 本章小结
3 基于GA-BP的深部煤矿煤与瓦斯突出风险评价模型构建
3.1 BP神经网络
3.1.1 神经细胞的结构与功能
3.1.2 人工神经网络模型
3.1.3 BP神经网络算法
3.2 遗传算法(GA)
3.2.1 遗传算法简介
3.2.2 遗传算法主要术语
3.2.3 遗传算法运算流程
3.3 GA-BP在深部煤矿煤与瓦斯突出风险评价中的应用
3.3.1 GA-BP算法
3.3.2 GA-BP隐含层层数选择
3.3.3 GA-BP神经网络模型参数设定
3.3.4 算法实现和仿真结果分析
3.4 本章小结
4 基于PSO-ELM的深部煤矿煤与瓦斯突出风险评价模型改进
4.1 极限学习机
4.1.1 极限学习机相较于传统BP算法的优势
4.1.2 极限学习机的网络结构
4.2 粒子群优化算法(PSO)
4.2.1 PSO算法原理及优势
4.2.2 PSO算法模型
4.2.3 PSO参数分析与设置
4.3 PSO-ELM在深部煤矿煤与瓦斯突出风险评价中的应用
4.3.1 PSO-ELM算法
4.3.2 数据导入
4.3.3 网络设计
4.3.4 标准ELM、PSO-ELM、标准BP、GA-BP模型拟合对比
4.4 本章小结
5 基于IQPSO-SVM的深部煤矿煤与瓦斯突出风险评价模型优化
5.1 支持向量机(SVM)
5.1.1 SVM的产生与发展
5.1.2 最优分类面
5.1.3 非线性映射
5.1.4 核函数的选取
5.1.5 松弛变量、惩罚因子和数据偏斜
5.2 改进的量子粒子群优化算法(IQPSO)
5.2.1 量子粒子群优化算法(QPSO)
5.2.2 δ势阱模型
5.2.3 量子粒子群算法的改进(IQPSO)
5.3 IQPSO-SVM在深部煤矿煤与瓦斯突出风险评价中的应用
5.4 本章小结
6 结论与展望
6.1 深部煤矿煤与瓦斯突出风险评价方法间的逻辑关联
6.2 本文的主要贡献
6.2.1 提出了一套深部煤矿煤与瓦斯突出高维数据降维方法
6.2.2 构建了基于GA-BP的深部煤矿煤与瓦斯突出风险评价模型
6.2.3 针对GA-BP不足进行了训练模型的PSO-ELM改进
6.2.4 结合数据特点建构了基于小样本特征的IQPSO-SVM模型
6.3 工作展望
6.3.1 深部煤矿灾害多灾种耦合评价问题
6.3.2 神经网络和支持向量机的算法优劣问题
6.3.3 其他高维、非线性领域的适用性问题
参考文献
致谢
作者简介及读研期间主要科研成果