基于WOA-KELM煤與瓦斯突出預(yù)測(cè)

趙 帥

（河北工程大學(xué) 土木工程學(xué)院，河北 邯鄲 056038）

1.引言

煤與瓦斯突出是礦井開采時(shí)，因巖層受到擾動(dòng)，煤巖層迅速噴出大量瓦斯的動(dòng)力失穩(wěn)過程[1-2]。目前國(guó)內(nèi)外學(xué)者在煤與瓦斯突出預(yù)測(cè)方面進(jìn)行大量的研究工作，BP神經(jīng)網(wǎng)絡(luò)[3]、GAELM 法[4]、IPSO-Powell-SVM 法[5]、missForest-EGWO-SVM 法[6]、小 波 KPCA-IQGA-ELM 法[7]、AHP-TOPSIS法[8]、Fisher逐步判別法[9]、可拓模式識(shí)別[10]等模型被提出。然而，上述方法預(yù)測(cè)的準(zhǔn)確度往往受限于致突因素的復(fù)雜性與隨機(jī)性。因此需要深入研究致突指標(biāo)與致突等級(jí)間的非線性映射關(guān)系，提出高效準(zhǔn)確的預(yù)測(cè)模型。

核 極 限 學(xué) 習(xí) 機(jī)（Kernel Based Extreme Learning Machine，KELM）是基于極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）并結(jié)合核函數(shù)所提出的改進(jìn)算法，KELM能夠在保留ELM優(yōu)點(diǎn)的基礎(chǔ)上提高模型的預(yù)測(cè)性能。鑒于此，本文將基于KELM對(duì)煤與瓦斯突出強(qiáng)度進(jìn)行預(yù)測(cè)，為解決因核函數(shù)存在導(dǎo)致KELM對(duì)參數(shù)設(shè)置的敏感性，通過鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）優(yōu)化KELM的正則化系數(shù)C和核函數(shù)參數(shù)S從而提高其預(yù)測(cè)精度。

2.KELM理論基礎(chǔ)

ELM[11]是一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)，其學(xué)習(xí)目標(biāo)函數(shù)F(x)可用矩陣表示為：

式中：x為輸入向量，h(x)、H為隱層節(jié)點(diǎn)輸出，β為輸出權(quán)重，L為期望輸出。

將網(wǎng)絡(luò)訓(xùn)練變?yōu)榫€性系統(tǒng)求解的問題，β根據(jù)β=H*·L確定，其中，H*為H的廣義逆矩陣。為增強(qiáng)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性，引入正則化系數(shù)C和單位矩陣I，則輸出權(quán)值的最小二乘解為：

引入核函數(shù)到ELM中，核矩陣為：

式中：xi，xj為試驗(yàn)輸入向量，則可將式（1）表達(dá)為：

式中：(x1,x2, …,xn)為給定訓(xùn)練樣本，n為樣本數(shù)量。核函數(shù)選用高斯核函數(shù)即：

正則化系數(shù)C和核函數(shù)參數(shù)S需要人為設(shè)定，兩者的設(shè)定將對(duì)KELM[12]的預(yù)測(cè)性能具有一定影響。

3.煤與瓦斯突出強(qiáng)度仿真實(shí)驗(yàn)

3.1 致突指標(biāo)分析及選取

煤與瓦斯突出是復(fù)雜的動(dòng)力失穩(wěn)過程，致突因素?cái)?shù)量多并且因素間相互關(guān)聯(lián)。為提高模型預(yù)測(cè)的準(zhǔn)確度，建立煤與瓦斯突出預(yù)測(cè)綜合評(píng)價(jià)系統(tǒng)，故選?。浩瑤偷粼?、軟分層厚度、瓦斯壓力等共10個(gè)影響因素，作為煤與瓦斯突出預(yù)測(cè)模型的輸入指標(biāo)并收集20例突出實(shí)例如表1所示。突出強(qiáng)度分類為Ⅰ類（無(wú)突出）、Ⅱ類（一般突出，拋煤量≤50t）、Ⅲ類（中等突出，50t＜拋煤量≤100t）、Ⅳ類（強(qiáng)烈突出，100t＜拋煤量）。

地質(zhì)構(gòu)造、片帶掉渣、瓦斯?jié)舛鹊膶傩苑譃閮深?，用?shù)值1或0表示，具體如表2所示。

表1 煤與瓦斯突出樣本

表2 基于0/1屬性值的狀態(tài)判定結(jié)果劃分

3.2 WOA優(yōu)化KELM模型

設(shè)置WOA[13]參數(shù)，變量數(shù)dim=2、鯨魚數(shù)量SearchAgents_no=30、最大迭代次數(shù)tMaxlter=150變量下限lb=[30,0.2]和變量上限ub=[500,0.7]。鯨魚的位置表示KELM模型的參數(shù)C和s，將預(yù)測(cè)值和真實(shí)值通過交叉驗(yàn)證獲得適應(yīng)度值，適應(yīng)度曲線如圖1所示，利用WOA尋優(yōu)得到最優(yōu)C=10、s=0.37代入KELM得到WOA-KELM預(yù)測(cè)模型。

圖1 鯨魚優(yōu)化適應(yīng)度曲線

3.3 WOA-KELM仿真結(jié)果分析

選取初始樣本空間的后5組數(shù)據(jù)作為測(cè)試樣本集，使用訓(xùn)練后的KELM模型對(duì)其進(jìn)行仿真預(yù)測(cè)，并將其與傳統(tǒng)單一的SVM、KNN、random subspace算法的預(yù)測(cè)結(jié)果做對(duì)比分析表3所示。

表3 模型突出類型預(yù)測(cè)結(jié)果對(duì)比

研究表明，WOA-KELM算法的預(yù)測(cè)準(zhǔn)確率為80%，而采用KELM、KNN、random subspace算法預(yù)測(cè)準(zhǔn)確率僅為60%。說明WOA-KELM算法對(duì)煤與瓦斯突出強(qiáng)度的分類預(yù)測(cè)具有較優(yōu)的預(yù)測(cè)精度，可對(duì)煤與瓦斯突出災(zāi)害的風(fēng)險(xiǎn)預(yù)控提供較為可靠的參考依據(jù)。

4.結(jié)語(yǔ)

利用WOA算法能有效避免局部最優(yōu)解的特點(diǎn)優(yōu)化KELM預(yù)測(cè)模型的參數(shù)，避免因人工設(shè)置參數(shù)影響KELM模型的預(yù)測(cè)性能。結(jié)果表明，相較于傳統(tǒng)的KNN、random subspace、KELM，WOA-KELM算法的預(yù)測(cè)準(zhǔn)確率較高，在煤與瓦斯突出災(zāi)害預(yù)測(cè)方面有較強(qiáng)的適用性，能夠較好地適用于煤與瓦斯突出危險(xiǎn)性預(yù)測(cè)。