基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补(MICE_SVM)的鲸鱼优化算法(WOA)-极限学习机(ELM)预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。

基于MICE_RF的组合赋权—极限随机树岩爆预测模型

目前岩爆预测的真实训练数据量小、数据存在缺失,为了更加准确地预测岩爆等级,提出了一种基于链式随机森林多重插补(MICE_RF)算法的组合赋权—极限随机树(ET)预测模型。首先,在选取岩爆灾害主要评判指标的基础上,采用MICE_RF算法插补缺失数据;然后,由改进层次分析法(IAHP)和基于指标相关性的权重确定方法(CRITIC)确定指标主、客观权重,并引入权向量距离概念对指标组合赋权;最后,将插补和赋权后数据集采用ET算法,构建岩爆等级预测模型。利用国内外工程实例数据进行20次随机抽样试验,并与其他模型进行对比分析。结果表明:MICE_RF插补后可显著提高岩爆模型预测效果;改进AHPCRITIC法较改进前更具优势,该模型平均预测准确率为93.10%,各比较指标结果均优于对比模型,预测结果更稳定。