基于贝叶斯算法优化的CatBoost矿压显现预测

通过传统的监测手段获取矿压数据并采用统计学或机器学习算法对矿压进行预测已不能满足矿山智能化发展要求,需要寻求新的方法提升矿压数据监测及矿压预测的准确性和实时性。基于三维相似物理模型试验,搭建分布式光纤监测系统,沿模型走向和高度2个方向预埋分布式光纤,在模拟工作面开采过程中采集来压数据,并引入光纤布里渊频移平均变化度作为判断是否来压的指标;通过对光纤监测数据进行噪声去除、归一化及相空间重构等预处理,将一维初始监测数据转换为三维数据;使用贝叶斯算法对CatBoost算法进行迭代参数寻优,在达到最大迭代次数后将最优参数组合装载到CatBoost算法中,通过训练得到矿压显现预测模型。结果表明:贝叶斯算法比传统网格搜索法的迭代次数更少、误差更小;与随机森林(RF)、梯度提升决策树(GBDT)和极值梯度提升树(XGBoost)算法相比,CatBoost算法的预测精度更高、泛化能力更强;基于贝叶斯算法优化的CatBoost矿压显现预测模型能准确预测出测试集中的3次来压,且整体预测趋势与实测值较为吻合,平均绝对误差为0.0091,均方根误差为0.0077,决定系数为0.9339。

胡家河煤矿综放工作面矿压显现规律预测及主控因素研究

现有工作面矿压显现规律预测方法中,基于数值模拟与统计回归的方法无法实现对工作面矿压显现规律的实时精准预测,深度学习方法存在超参数较多且难以设置、模型训练速度慢等问题。针对上述问题,以胡家河煤矿402102回采工作面采动过程中监测到的煤体内部应力变化时序数据为基础,将基于粒子群优化的门控循环单元(PSO-GRU)应用到回采工作面矿压显现规律预测中。采用PSO算法对GRU进行优化,构建PSO-GRU模型,实现对超参数的自动寻优,从而提高GRU的训练速度和预测精度。以预测结果为依据,采用层次分析法建立402102回采工作面矿压主控因素评价指标体系,将顶板条件、回采工艺、煤层赋存、地质构造确定为影响工作面矿压的一级指标,进一步细分出具有代表性的14个二级指标。测试结果表明:(1)与未经优化的GRU模型相比,PSO-GRU模型的均方误差(MSE)降低了83.9%,均方根误差(RMSE)降低了59.8%,平均绝对误差(MAE)降低了59.0%,决定系数R2提升了28.9%。(2)PSO-GRU模型对矿压数据预测的拟合度达0.980以上,具有良好的非线性拟合能力和泛化能力。(3)地质条件中的煤层赋存因素对回采工作面矿压的影响最大,权重为0.47;可人为干预的影响因素中工作面推进速度对矿压的影响最大,权重为0.13。