论文部分内容阅读
冲击地压(Rockburst)灾害给矿山安全带来严重威胁,开展冲击地压危险预测能够减少冲击地压灾害,维护矿山人员和财产安全。冲击地压形成机理非常复杂,现有方法主要集中在理论预测研究方面,存在预测效率低,预测准确度不高,适应性差等问题。同时,现有研究往往只使用了微震能量数据,忽略了微震原始波数据,造成对微震数据(Microseismic Data)的分析不够全面,微震数据没有得到充分有效的利用。针对上述问题,本文基于Bagging-SVM集成分类器,对多源微震数据在冲击地压危险预测中的作用进行了研究,主要工作如下:(1)针对现有研究忽略微震原始波数据,对微震数据的利用不全面的问题,本文从对多源微震数据蕴含的丰富信息进行充分有效利用的角度出发,研究除微震能量数据外,由微震原始波数据和微震能量数据组成的多源微震数据在冲击地压危险预测中的作用。首先通过现场监测的方法,从微震监测(Microseismic Monitoring)系统中收集到大量的微震原始波数据,结合微震能量数据,组合成多源微震数据。然后,充分挖掘多源微震数据中的丰富信息,从频域、熵和时频域等多特征域分别提取了微震原始波数据和微震能量数据的132个和24个特征,构建基于多源微震数据的多维组合特征矩阵。最后,基于同样的实验条件,使用多源微震数据进行冲击地压危险预测,并与单独使用微震原始波数据或微震能量数据进行冲击地压危险预测的结果进行对比,分析探索多源微震数据对冲击地压危险预测的重要作用。实验表明微震原始波数据是多源微震数据的重要组成部分,在冲击地压危险预测中不应忽略。(2)针对现有研究预测效率低,预测准确度不高,适应性差等问题,本文提出一种基于Bagging-SVM集成分类器的冲击地压危险预测模型。首先,通过分析多源微震数据的特点,合理选择适用于高维小样本问题的支持向量机(Support Vector Machine,SVM)作为集成分类器的基学习器。其次,通过对比研究选择适用于非线性问题的径向基函数(Radial Basis Function,RBF)作为SVM基学习器的内核函数。然后,利用Bagging集成学习方法的投票机制对预测模型进行改进,建立Bagging-SVM集成分类预测模型,并与SVM分类预测模型进行对比,研究模型的改进效果。最后,创新性地结合遗传算法(Genetic Algorithm,GA)进行特征选择和Bagging-SVM集成分类器的超参数优化,避免人工选参的经验依赖。实验表明,该方法能有效提高冲击危险预测的准确度和稳定性。经过多组对比实验证明,多源微震数据在冲击地压危险预测中具有重要作用,使用多源微震数据基于Bagging-SVM集成分类器进行冲击地压危险预测能取得良好的预测效果。