论文部分内容阅读
采场覆岩变形是矿山压力驱动下岩体变形、破裂与失稳过程,表现在覆岩大范围变形、离层发展、裂隙等方面,造成工作面强压等矿井灾害。因此,为了掌握矿山压力显现规律,针对岩石内部变形预测难的问题,采用分布式光纤监测岩石内部变形,引入光纤平均频移变化度作为判断周期来压指标,验证光纤表征覆岩变形机理,并将监测到的数据作为样本集,结合机器学习算法构建矿压预测模型。本文以大柳塔煤矿浅埋煤层地质条件实验的39组开挖数据,为实验样本。对其数据相空间重构,重构后的数据,取后11次开挖为测试集,共出现2次矿压显现。采用多种机器学习算法如:神经网络、支持向量机,集成算法:随机森林、GBDT、XGBoost算法,建立矿山压力显现规律时间序列预测模型。在训练样本和测试样本不变的前提下,BP神经网络类回归模型(BPNN)成功预测出1次周期来压、支持向量机类回归模型(SVR)预测出2次周期来压,相比于前两种算法,集成学习表现更好,其中以XGBoost回归算法(XGBR)为代表集成算法在预测矿压表现最优,不仅成功预测出两次周期来压,而且在计算速度和模型指标都是最优,明显高于其他模型。单一地质资料还不能说明XGBoost的预测性能,因此,以义马煤田巨厚砾岩为地质条件的三维模型监测数据的60组开挖数据为样本,取后12开挖为测试集共5次矿压显现,建立不同地质资料模型才能说明算法的普遍适用性。实施大型三维立体模型,获取光纤传感数据,根据其表征覆岩变形的频移值为数据集,建立机器学习模型。比较神经网络、支持向量机和XGBoost三种具有代表的机器学习方法来做预测模型。试验结果表明,集成类算法XGBoost效果好于其他两种算法,成功预测出5次矿压显现规律。在不同地质条件下结合光纤可以做很好的矿压预测,为矿压预测提供科学方法。通过本文研究,建立了光纤感知-自学习-矿压预测为一体的预测模型,揭示了其之间存在响应关系,可以很好的结合来解决矿压预测的问题,为智能化开采上覆岩层变形引起的矿压预测提供定量化科学依据。