多模型融合風(fēng)化基巖富水性預(yù)測

羅曉霞　王萬

摘要：為解決陜北淺埋煤層開采過程中侏羅系風(fēng)化基巖含水層富水性預(yù)測問題，采用方差過濾和交叉遞歸特征消除算法研究風(fēng)化基巖含水層富水性特征。使用主要特征訓(xùn)練極限梯度提升樹（eXtreme Gradient Boosting，XGBoost）模型構(gòu)造高級特征，基于Stacking方式疊加隨機(jī)森林和SoftMax，構(gòu)建多模型融合的風(fēng)化基巖富水性預(yù)測模型。以紅柳林礦區(qū)實測水文地質(zhì)數(shù)據(jù)進(jìn)行分析，經(jīng)過5折交叉驗證，結(jié)果表明模型預(yù)測準(zhǔn)確率提升了27.8%和13.2%，micro-auc和macro-auc分別達(dá)到了0.94和0.93?？芍跈C(jī)器學(xué)習(xí)算法的特征選擇代替手工篩選特征可減少人為主觀性對預(yù)測模型的影響，采用XGBoost構(gòu)造的高級特征可更充分挖掘原始水文地質(zhì)數(shù)據(jù)中存在的富水性規(guī)律，融合模型可發(fā)揮不同基模型的優(yōu)勢，緩解基模型存在過擬合現(xiàn)象，增加模型整體的預(yù)測準(zhǔn)確率，為礦井防治水提供依據(jù)。

關(guān)鍵詞：礦井水害;富水性預(yù)測;多模型融合;特征構(gòu)造;隨機(jī)森林

中圖分類號：TP 399文獻(xiàn)標(biāo)志碼：A

文章編號：1672-9315（2022）03-0521-08

DOI：10.13800/j.cnki.xakjdxxb.2022.0315開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Water-rich prediction method of weathered

bedrock based on multi-model fusion

LUO Xiaoxia，WANG Wan

（College of Computer Science and Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：In order to solve the problem of water-rich prediction of Jurassic weathered bedrock aquifers during the mining process of shallow buried coal seams in northern Shaanxi，China，variance filtering and cross recursive feature elimination algorithms were used to obtain the main characteristics of water-richness of weathered bedrock aquifers，and the gradient boosting tree（eXtreme Gradient Boosting，XGBoost）model with the main features are used to construct advanced features，with a multi-model fusion weathered bedrock water-rich prediction model achieved by superimposing random forest and SoftMax based of the stacking method.The experimental analysis was made based on the measured hydrogeological data in Hongliulin mining area.A five-fold cross-validation showed that the prediction accuracy of the proposed model was improved by 27.8% and 13.2%，and the micro-auc and macro-auc reached 0.94 and 0.94 respectively.0.93.It can be seen that the feature selection based on machine learning algorithm can reduce the influence of human subjectivity on the prediction model，instead of manual feature selection.The advanced features constructed by XGBoost can more fully exploit the water-rich laws existing in the original hydrogeological data，and the fusion model has advantages over the base model：it can alleviate the over-fitting of the base model，increase the overall prediction accuracy of the model，and provide enough data for mine water control work.

Key words：mine water damage;water-rich prediction;multi-model fusion;feature structure;random forest

0引言

風(fēng)化基巖是在風(fēng)化作用條件下，物理性質(zhì)和化學(xué)成分發(fā)生變化的巖石[1]。風(fēng)化基巖具結(jié)構(gòu)疏松、孔隙度大、層滲透性強(qiáng)和裂隙發(fā)育的特點(diǎn)[2]。和正常的巖石相比，風(fēng)化巖石在顏色、結(jié)構(gòu)、含水率等方面與普通巖石相比都具有較大的差異。在陜北侏羅紀(jì)煤田風(fēng)化基巖大量發(fā)育，造成大量水害事故發(fā)生，侏羅系風(fēng)化基巖水害具持續(xù)時間久、涌水量大和較難防治的特點(diǎn)，給煤礦安全生產(chǎn)帶來了巨大的困難，因此風(fēng)化基巖含水層富水性研究對煤礦安全開采具有重大意義[3-4]。傳統(tǒng)的含水層富水性預(yù)測方法主要使用層次分析法等數(shù)學(xué)分析方法，通過構(gòu)建富水性影響因素權(quán)重矩陣，結(jié)合ArcGIS等建模軟件繪制富水性分區(qū)，但影響因素權(quán)重矩陣的構(gòu)建主觀性強(qiáng)，導(dǎo)致模型預(yù)測準(zhǔn)確率較低。50F41E50-E541-49DA-9C77-BB6E1B4440DC

隨著人工智能的不斷發(fā)展，越來越多的機(jī)器學(xué)習(xí)算法和神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到煤礦富水性預(yù)測中，侯恩科等選擇不同富水性影響特征，構(gòu)建Bayes判別模型[5]、Fisher模型[6]及SVM模型[7]預(yù)測風(fēng)化基巖富水性;紀(jì)卓晨等利用PCA降維得到4個主要富水性影響因素訓(xùn)練Logistci Regression模型[8]，建立判別模型預(yù)測富水性;安孝會基于Logistics回歸模型對頂板突水規(guī)則進(jìn)行分析[9];董麗麗等提出基于長短時記憶網(wǎng)絡(luò)LSTM的突水預(yù)測模型[10];周峰雷等建立BP神經(jīng)網(wǎng)絡(luò)對煤炭不同區(qū)域涌水量進(jìn)行預(yù)測[11];尹會永等利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行煤礦涌水早期預(yù)警[12]。

使用機(jī)器學(xué)習(xí)預(yù)測煤礦頂板風(fēng)化基巖富水性是目前常用的方法，這些方法大多采用單一模型，泛化性能差，忽視了特征選擇和參數(shù)組合對模型的影響。因此提出多模型融合的風(fēng)化基巖富水性預(yù)測模型。

1風(fēng)化基巖影響因素

1.1風(fēng)化系數(shù)

風(fēng)化之后的巖石內(nèi)部較為疏松、滲水性增強(qiáng)。厚度越大的風(fēng)化基巖內(nèi)部儲水空間也越大，富水性隨之增加;風(fēng)化程度越大，巖層儲水體積越大，對應(yīng)富水性也越強(qiáng)，因此綜合考量風(fēng)化基巖厚度和風(fēng)化程度，構(gòu)造風(fēng)化系數(shù)S。

S=∑s_ih_i/∑h_i （1）

式中s_i代表巖石風(fēng)化程度的強(qiáng)弱，根據(jù)風(fēng)化程度的不同，可分為1，2，3，分別對應(yīng)著弱、中、強(qiáng)3個風(fēng)化程度等級;h_i為對應(yīng)風(fēng)化基巖的巖層厚度，m。

1.2含水層厚度

由礦區(qū)鉆孔實測數(shù)據(jù)可知含水層基巖主要構(gòu)成為細(xì)、中和粗粒砂巖，厚度為3類砂巖的厚度之和。含水層厚度一定程度上反映巖層蓄水空間的大小，隨著含水層厚度的增加，巖層富水性增強(qiáng)，發(fā)生涌（突）水的可能性也就越大。

1.3巖芯采取率

巖芯采取率是鉆孔取出巖芯長度與鉆孔鉆入長度的比值，大小代表著基巖破壞程度。隨著巖芯采取率減小，意味著基巖破壞越嚴(yán)重，儲水面積增加，從而富水性越強(qiáng)。

1.4巖性組合指數(shù)

由抽水鉆孔資料可知，風(fēng)化基巖巖性不同，富水性不同。根據(jù)不同巖性組合，構(gòu)造巖性組合指數(shù)r，數(shù)值越大，富水性越強(qiáng)。

r=∑r_im_i/∑m_i（2）

式中r_i為巖性類別;mi為巖石厚度，m。

1.5脆性巖厚度比

脆性巖通過巖層破裂釋放巖石內(nèi)部張力，裂隙的發(fā)育程度較高;塑性巖釋放壓力的方式通常為塑性形變，巖石破壞程度不高，因此可用脆性巖厚度與巖層總厚度的比值來表示風(fēng)化程度，比值越大，富水性越強(qiáng)。

1.6地形地貌

礦區(qū)風(fēng)沙灘起伏較小，煤層覆巖主要為砂巖，降雨補(bǔ)給充足，有利于水源的存儲。中部地帶為溝谷地帶，自然降雨等水源不易流失，經(jīng)地表匯入煤層上覆巖，形成強(qiáng)富水性。其余地帶覆巖主要為黃土，且呈現(xiàn)溝壑狀分布，降雨難以存儲，較難滲入地下，不利于水源補(bǔ)給，富水性較差。以數(shù)值3，2，1分別對松散沙層、溝谷及黃土丘陵地貌進(jìn)行量化處理。

1.7隔水層厚度

隔水層是透水性較差的巖層和土層，由致密的巖石或黏土構(gòu)成，由于空隙較小，導(dǎo)致水源不易透過。

2預(yù)測模型構(gòu)建

2.1模型結(jié)構(gòu)

多模型融合的風(fēng)化基巖富水性預(yù)測是利用XGBoost模型構(gòu)造高級特征，然后基于Stacking方式融合隨機(jī)森林和SoftMax完成對富水性類別預(yù)測。融合模型由數(shù)據(jù)處理模塊、特征選擇模塊、特征構(gòu)造模塊和富水性預(yù)測模塊組成（圖1）。數(shù)據(jù)處理模塊對鉆孔數(shù)據(jù)進(jìn)行缺失值填補(bǔ)、歸一化和富水性類別編碼;特征選擇模塊使用方差過濾和交叉遞歸特征消除算法確定影響風(fēng)化基巖富水性的最優(yōu)特征子集;特征構(gòu)造模塊使用篩選的最優(yōu)子集訓(xùn)練XGBoost[13-14]模型，利用XGBoost模型構(gòu)造高級特征，基于Stacking[15]集成策略融合不同分類器對構(gòu)造的高級特征進(jìn)行訓(xùn)練。為克服傳統(tǒng)集成模型融合時使用簡單集成加權(quán)平均的缺點(diǎn)，富水性預(yù)測模塊第1層使用隨機(jī)森林分類算法和SoftMax算法相結(jié)合，分別得到模型對分類結(jié)果的預(yù)測概率，同時SoftMax算法抑制隨機(jī)森林分類算法存在的過擬合問題，第2層將首層的輸出作為輸入，訓(xùn)練SoftMax多分類器，即可得到風(fēng)化基巖富水性的類別。

2.1.1對輸入原始數(shù)據(jù)進(jìn)行處理

刪除異常值，使用隨機(jī)森林算法填補(bǔ)缺失值，并進(jìn)行歸一化處理，按照單位涌水量的大小將富水性分為3類，得到新的數(shù)據(jù)集D1和特征集F1。

2.1.2特征選取

使用方差過濾和交叉遞歸特征消除算法對特征集F1進(jìn)行特征篩選，得到新的數(shù)據(jù)集D2和特征集F2。

2.1.3特征構(gòu)造

利用數(shù)據(jù)集D2和特征集F2訓(xùn)練XGBoost模型，根據(jù)樣本點(diǎn)在XGBoost各棵樹中葉子結(jié)點(diǎn)的位置進(jìn)行One-Hot編碼構(gòu)造出新的數(shù)據(jù)集D3和特征集F3。

2.1.4富水性預(yù)測

基于Stacking集成策略，利用D3和F3訓(xùn)練隨機(jī)森林分類算法和SoftMax算法，得到對應(yīng)的各個類別的預(yù)測概率值，縱向拼接不同模型的預(yù)測概率值，作為輸入訓(xùn)練SoftMax多分類模型，得到富水性類別。

2.2特征選擇模塊

利用方差過濾和交叉遞歸特征消除算法選擇影響風(fēng)化基巖富水性最優(yōu)特征子集。計算每個特征的方差，設(shè)定方差閾值為0，選擇方差大于0的特征，得到新的特征集合y={f₁，f₂，…，f_n}，使用交叉遞歸特征消除算法從y篩選出特征子集y^*。利用特征集合訓(xùn)練評估器，剔除特征重要性最低的特征，直到所需的特征數(shù)量為止。50F41E50-E541-49DA-9C77-BB6E1B4440DC

2.3特征構(gòu)造模塊

在風(fēng)化基巖鉆孔數(shù)據(jù)集樣本數(shù)一定的情況下，數(shù)據(jù)集的質(zhì)量和有效特征的數(shù)量對模型最終的預(yù)測結(jié)果起決定性的作用[16-17]。根據(jù)樣本點(diǎn)在XGBoost中每棵樹模型葉節(jié)點(diǎn)的索引位置，對位置進(jìn)行編碼，構(gòu)造出新特征。XGBoost基于前一棵樹的殘差通過不斷迭代構(gòu)建多棵串行決策樹以減小殘差值，初始時根節(jié)點(diǎn)包含樣本集所有樣本點(diǎn)，經(jīng)過決策樹之后，葉子節(jié)點(diǎn)僅包含單一類別樣本點(diǎn)，從根節(jié)點(diǎn)到葉子結(jié)點(diǎn)的決策過程即為尋找多個特征間隱含關(guān)系的過程，隱藏的多元高級特征即為區(qū)分各個樣本點(diǎn)的特征。以原始風(fēng)化基巖富水性數(shù)據(jù)集D為例，D={X，Y}，X為樣本集合，包含5個樣本點(diǎn)X={a，b，c，d，e};Y為富水性標(biāo)簽集合，包含3類標(biāo)簽Y={0，1，2}分別代表弱富水性、中等富水性和強(qiáng)富水性。F代表X中每個樣本的特征集，包含了7個原始特征F={f₁，f₂，f₃，f₄，f₅，f₆，f₇}。根據(jù)XGBoost模型特征構(gòu)造算法，以包含3棵決策樹{t₁，t₂，t₃}為例（圖2），展示了數(shù)據(jù)集D基于構(gòu)造算法生成F1的過程，其中w={w₁，w₂，w₃，w₄，w₅，w₆，w₇}為當(dāng)前分裂節(jié)點(diǎn)特征的特征值。

在XGBoost分裂過程中，從根節(jié)點(diǎn)到葉子節(jié)點(diǎn)不斷分支的過程即為樣本的分類過程，也是不同特征間組合高級特征的過程。例如t₁樹中（f₁1

3.3實驗結(jié)果分析

3.3.1單模型對比

利用5折交叉驗證分別訓(xùn)練Fisher算法、邏輯回歸分類算法（LR）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短時記憶網(wǎng)絡(luò)（LSTM）、支持向量機(jī)分類算法（SVM）、BP神經(jīng)網(wǎng)絡(luò)以及所提的模型進(jìn)行對比，實驗結(jié)果見表3、圖4。

各項評估指標(biāo)明顯高于其他對比模型，Precison_macro提高了27.8%，證明模型在風(fēng)化基巖富水性類別預(yù)測方面具有較高的穩(wěn)定性和準(zhǔn)確性，同時對比實驗所需時間，雖然Fisher，LR模型5折交叉驗證所需時間較短，預(yù)測準(zhǔn)確率較低;SVM，BP神經(jīng)網(wǎng)絡(luò)算法所需時間過長，煤礦安全生產(chǎn)中不利于實時預(yù)測系統(tǒng)的構(gòu)建，通過融合多種機(jī)器學(xué)習(xí)模型在風(fēng)化基巖含水層富水性預(yù)測問題上是可行且具有較高準(zhǔn)確率。

3.3.2多模型對比

富水性預(yù)測模塊第1層模型的融合方式有多種，為驗證所提融合模型跟其他對比模型相比的優(yōu)越性，使用同一數(shù)據(jù)集分別利用XGBoost+SoftMax（XGB+S）、LightGBM+SoftMax（LGB+S）和RF進(jìn)行對比實驗，比較不同的模型融合在預(yù)測風(fēng)化基巖富水性類別上的性能，實驗結(jié)果見表4、如圖5所示。

融合模型在整體預(yù)測準(zhǔn)確率優(yōu)于其他模型包括基模型在內(nèi)，準(zhǔn)確率提升了13.2%。模型第1層使用的基學(xué)習(xí)器在抑制模型過擬合的同時也會損失一定的預(yù)測準(zhǔn)確率，第2層學(xué)習(xí)器的再次訓(xùn)練使得最終模型的整體預(yù)測準(zhǔn)確性高于單一機(jī)器學(xué)習(xí)模型和其他對比模型。模型出現(xiàn)了過擬合的現(xiàn)象，首層使用的是強(qiáng)學(xué)習(xí)器，模型整體往減少偏差方向移動，訓(xùn)練集預(yù)測率很高，在測試集上預(yù)測性能較差，驗證了使用SoftMax去抑制融合模型的過擬合現(xiàn)象是正確的。

融合模型對弱和中等富水性的預(yù)測能力較強(qiáng)，對強(qiáng)富水性的預(yù)測能力相對較弱，可能礦區(qū)內(nèi)強(qiáng)富水性的數(shù)據(jù)量較少，經(jīng)過模型融合之后，強(qiáng)富水性數(shù)據(jù)的特征被稀釋，導(dǎo)致融合模型對強(qiáng)富水性數(shù)據(jù)特征學(xué)習(xí)能力變?nèi)酰▓D6）。

4結(jié)論

1）與其他組合模型對比，使用SoftMax可抑制基模型過擬合，增加對少數(shù)類樣本的學(xué)習(xí)能力，泛化性較強(qiáng)。

2）風(fēng)化基巖富水性預(yù)測是一個高維且非線性過程。利用多模型疊加預(yù)測富水性規(guī)律，預(yù)測準(zhǔn)確率提升了27.8%。

3）利用多模型融合預(yù)測風(fēng)化基巖富水性取得較好的效果，對礦井防治水具現(xiàn)實意義和推廣價值。由于采礦地質(zhì)條件復(fù)雜，采集數(shù)據(jù)困難，在建模之前需要做大量精細(xì)化的數(shù)據(jù)收集工作。

參考文獻(xiàn)（References）：

[1]楊帆.張家峁井田二盤區(qū)風(fēng)化基巖水文地質(zhì)特征[J].煤炭技術(shù)，2021，40（9）：64-66.YANG Fan.Hydrogeological characteristics of weathered bedrock in the second area of Zhangjiamao coal mine[J].Coal Technology，2021，40（9）：64-66.

[2]古瑤，王施智，耿清，等.小保當(dāng)井田基巖風(fēng)化帶含水層富水性分析[J].陜西煤炭，2020，39（1）：89-91，107.GU Yao，WANG Shizhi，GENG Qing，et al.Analysis on the water abundance of aquifer in bedrock weathered zone in Xiaobaodang minefield[J].Shaanxi Coal，2020，39（1）：89-91，107.

[3]張彬，張剛，徐帥康.定邊地區(qū)中侏羅統(tǒng)延安組辮狀河沉積模式[J].西安科技大學(xué)學(xué)報，2021，41（5）：845-852.ZHANG Bin，ZHANG Gang，XU Shuaikang.Braided rivers sedimentary models of Middle Jurassic Yanan Formation in Dingbian area[J].Journal of Xian University of Science and Technology，2021，41（5）：845-852.

[4]占惠珠，尚慧，甘智慧.采煤沉陷區(qū)高分遙感數(shù)據(jù)融合方法[J].西安科技大學(xué)學(xué)報，2021，41（4）：673-681.ZHAN Huizhu，SHANG Hui，GAN Zhihui.Fusion method of high-resolution remote sensing data in coal mining subsidence area[J].Journal of Xian University of Science and Technology，2021，41（4）：673-681.

[5]侯恩科，閆鑫，鄭永飛，等.Bayes判別模型在風(fēng)化基巖富水性預(yù)測中的應(yīng)用[J].西安科技大學(xué)學(xué)報，2019，39（6）：942-949.HOU Enke，YAN Xin，ZHENG Yongfei，et al.Application of Bayes discriminant model in? prediction of water enrichment of weathered bedrock[J].Journal of Xian University of Science and Technology，2019，39（6）：942-949.

[6]侯恩科，姚星，文強(qiáng).檸條塔煤礦水化學(xué)特征及水源識別模型[J].西安科技大學(xué)學(xué)報，2021，41（4）：624-631.HOU Enke，YAO Xing，WEN Qiang.Hydrochemical characteristics and water source identification model in Ningtiaota coal mine[J].Journal of Xian University of Science and Technology，2021，41（4）：624z-631.50F41E50-E541-49DA-9C77-BB6E1B4440DC

[7]侯恩科，童仁劍，王蘇健，等.陜北侏羅紀(jì)煤田風(fēng)化基巖富水性Fisher模型預(yù)測方法[J].煤炭學(xué)報，2016，41（9）：2312-2318.HOU Enke，TONG Renjian，WANG Sujian，et al.Prediction method for the water enrichment of weathered bedrock based on Fisher model in Northern Shaaxi Jurassic coalfield[J].Journal of China Coal Society，2016，41（9）：2312-2318.

[8]紀(jì)卓辰，丁湘，侯恩科，等.納林河二號煤礦涌水水源判別的PCA-Logistic方法[J].煤田地質(zhì)與勘探，2020，48（5）：97-105.JI Zhuochen，DING? Xiang，HOU Enke，et al.The PCA-Logistic method for identification? of? water burst in Nalinhe No.2 coal mine[J].Coal Geology and Prospecting，2020，48（5）：97-105

[9]安孝會.基于Logistic回歸分析的崔木煤礦頂板突水時間序列神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)預(yù)測[D].西安：西安科技大學(xué)，2020.AN Xiaohui.Neural net time series? of water inrush forecasting based on logistic regressive[D].Xian：Xian University of Science and Technology，2020.

[10]董麗麗，費(fèi)城，張翔，等.基于LSTM神經(jīng)網(wǎng)絡(luò)的煤礦突水預(yù)測[J].煤田地質(zhì)與勘探，2019，47（2）：137-143.DONG Lili，F(xiàn)EI Cheng，ZHANG Xiang，et al.Coal mine water inrush prediction based on LSTM? network[J].Coal Geology and Prospecting，2019，47（2）：137-143.

[11]周峰雷，李新春，裴麗莎.基于遺傳算法-BP神經(jīng)網(wǎng)絡(luò)的煤礦透水事故涌水量預(yù)測模型研究[J].煤炭技術(shù)，2015，34（11）：169-170.ZHOU Fenglei，LI Xinchun，PEI Lisha.Prediction model of coal mine water inflow based on GA-BP neural network[J].Coal Technology，2015，34（11）：169-170.

[12]尹會永，周鑫龍，郎寧，等.基于SSA優(yōu)化的GA-BP神經(jīng)網(wǎng)絡(luò)煤層底板突水預(yù)測模型與應(yīng)用[J].煤田地質(zhì)與勘探，2021，49（6）：175-185.YIN Huiyong，ZHOU Xinlong，LANG Ning，et al.Prediction model? of water inrush from coal? floor based on GA-BP neural network optimizied by SSA and its application[J].Coalfield Geology and Exploration，2021，49（6）：175-185.

[13]鐘穎，邵毅明，吳文文，等.基于XGBoost的短時交通流預(yù)測模型[J].科學(xué)技術(shù)與工程，2019，19（30）：337-342.ZHONG Ying，SHAO Yiming，WU Wenwen，et al.Short-term traffic flow prediction model based on XGBoost[J].Science Technology and Engineering，2019，19（30）：337-342.

[14]代業(yè)明，周瓊.基于改進(jìn)Bi-LSTM和XGBoost的電力負(fù)荷組合預(yù)測方法[J].上海理工大學(xué)學(xué)報，2022，44（2）：138-147.DAI Yeming， ZHOU Qiong.Power load combination forecasting method based on improved Bi-LSTM and XGBoost[J].Journal of University of Shanghai for Science and Technology，2022，44（2）：138-147.

[15]徐國天，沈耀童.基于XGBoost與Stacking融合模型的惡意程序多分類檢測方法[J].信息網(wǎng)絡(luò)安全，2021，21（6）：52-62.XU Guotian，SHEN Yaotong.Multiple classification detection method for malware based on XGBoost and Stacking fusion model[J].Information Network Security，2021，21（6）：52-62.

[16]王成，王昌琪.一種面向網(wǎng)絡(luò)支付反欺詐的自動化特征工程方法[J].計算機(jī)學(xué)報，2020，43（10）：1983-2001.WANG Cheng，WANG Changqi.An automated feature engineering method for online payment fraud detection[J].Chinese Journal of Computers，2020，43（10）：1983-2001.50F41E50-E541-49DA-9C77-BB6E1B4440DC

[17]李占山，姚鑫，劉兆賡，等.基于LightGBM的特征選擇算法[J].東北大學(xué)學(xué)報（自然科學(xué)版），2021，42（12）：1688-1695.LI Zhanshan，YAO Xin，LIU Zhaogeng，et al.Feature selection algorithm based on LightGBM[J].Journal of Northeastern University（Natural Science Edition），2021，42（12）：1688-1695.

[18]HOU S K，LIU Y R，YANG Q.Real-time prediction of rock mass classification based on TBM operation big data and stacking technique of ensemble learning[J].Journal of Rock Mechanics and Geotechnical Engineering，2022，14（1）：123-143.

[19]陸萬榮，許江淳，李玉惠.面向Stacking集成的改進(jìn)分類算法及其應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2022，39（2）：281-286.LU Wanrong，XU Jiangchun，LI Yuhui.Improved classification algorithm for stacking integration and its application[J].Computer Applications and Software，2022，39（2）：281-286.

[20]ERDOGAN E G，BOZKURT K S，YAVUZ M.Grid search optimised artificial neural network for open stope stability prediction[J].International Journal of Mining，Reclamation and Environment，2021，35（8）：600-617.

[21]袁穎，于少將，王晨暉，等.基于網(wǎng)格搜索法優(yōu)化支持向量機(jī)的圍巖穩(wěn)定性分類模型[J].地質(zhì)與勘探，2019，55（2）：608-613.YUAN Ying，YU Shaojiang，WANG Chenhui，et al.Evaluation model for surrounding rock stability based on support vector machine optimized by grid search method[J].Geology and Exploration，2019，55（2）：608-613.

[22]王星東，段智永，王成，等.物理模型結(jié)合SVM的格陵蘭島冰蓋凍融探測[J].西安科技大學(xué)學(xué)報，2017，37（6）：912-918.WANG Xingdong，DUAN Zhiyong，WANG Cheng，et al.Ice-sheet freeze-thaw detection based on physical model combined with SVM in Greenland[J].Journal of Xian University of Science and Technology，2017，37（6）：912-918.

[23]王蘇健，賈澎濤，金聲堯.基于隨機(jī)森林回歸的圍巖應(yīng)力插值方法[J].西安科技大學(xué)學(xué)報，2021，41（2）：274-281.WANG Sujian，JIA Pengtao，JIN Shengyao.An interpolation method of surrounding rock stress based on random forest regression[J].Journal of Xian University of Science and Technology，2021，41（2）：274-281.

[24]ALIZADEH B，GHADERI? B A，KAMANGIR H，et al.A novel attention-based LSTM cell post-processor coupled with bayesian optimization for streamflow prediction[J].Journal of Hydrology，2021，6（1）：126526-126554.

[25]劉守強(qiáng)，武強(qiáng)，曾一凡.《煤礦防治水細(xì)則》修訂要點(diǎn)解析[J].煤炭工程，2019，51（3）：1-4.LIU Shouqiang，WU Qiang，ZENG Yifan.Dissection of the main points in “detailed rules for coal mine water prevention and control” modification[J].Coal Engineering，2019，51（3）：1-4.

[26]孫魁，夏玉成，李成，等.綜放開采條件下煤層頂板涌（突）水危險性評價[J].西安科技大學(xué)學(xué)報，2019，39（3）：452-460.SUN Kui，XIA Yucheng，LI Cheng，et al.Risk assessment of water inflow（inrush） from coal seam roof under fully mechanized caving mining[J].Journal of Xian University of Science and Technology，2019，39（3）：452-460.50F41E50-E541-49DA-9C77-BB6E1B4440DC