基于小樣本數(shù)據(jù)的礦井瓦斯突出風險評價.pdf

1、煤炭產(chǎn)業(yè)在今后相當長一段時期內(nèi)仍將是我國能源的主體產(chǎn)業(yè)，有著十分廣闊的發(fā)展前景。但是當前煤礦安全生產(chǎn)形勢依然非常嚴峻，煤礦安全事故頻繁發(fā)生。我國的煤礦安全管理水平與西方發(fā)達國家相比，還有很大的差距。瓦斯事故號稱煤礦安全生產(chǎn)的“第一殺手”，瓦斯突出在煤礦災害中危害性最大。
　　 許多學者和工程技術(shù)人員開展礦井瓦斯突出機理、評價及防治技術(shù)的研究，目前提出的關(guān)于礦井瓦斯突出機理的假說多達十幾種，在某些方面取得了一定的進展，但是由于礦井

2、瓦斯系統(tǒng)的非線性、多樣性和復雜性，瓦斯安全問題還沒有得到很好的解決。理論界必須加強對礦井瓦斯突出風險評價的研究，以給煤炭企業(yè)提供科學和有效的防治手段和方法，開展礦井瓦斯突出風險評價的研究具有重要的理論和現(xiàn)實意義。
　　 對于小樣本評價理論與方法的研究，多見于國防、航天、核設(shè)備等高科技領(lǐng)域。在這些領(lǐng)域因高昂的試驗費用使得試驗的次數(shù)盡可能少，得到的樣本數(shù)據(jù)相對來說十分有限。如何在有限的數(shù)據(jù)條件下挖掘更為廣泛的信息，這就是小樣本研究方

3、法需要解決的問題。礦井瓦斯安全系統(tǒng)廣泛存在著典型負類數(shù)據(jù)不足的問題，負類樣本如礦井瓦斯突出屬于偶發(fā)事件，事故現(xiàn)場即刻采集樣本數(shù)據(jù)十分困難，因此負類樣本相對于正類樣本來說必定是小樣本的。另外一些新建煤礦缺少礦井瓦斯突出的歷史數(shù)據(jù)資料，因此樣本數(shù)量十分有限，對其評價要考慮小樣本問題。再者因礦井瓦斯安全數(shù)據(jù)采集極具危險性，多樣本采集必定帶來高風險和高成本。由上分析，多因素決定了對于礦井瓦斯突出風險的科學評價理應是基于小樣本的評價，而傳統(tǒng)的評價

4、方法未能充分考慮到這一點，對此研究鮮見涉及?？梢?，基于小樣本的評價問題在現(xiàn)實中廣泛存在，但理論界未能給出有效地研究方法來解決這個問題。
　　 本文就基于小樣本的礦井瓦斯突出風險評價方法進行研究，屬于“情景嵌入型”的評價方法研究，研究具有鮮明的行業(yè)特色，注重理論與實踐的結(jié)合，論文主要開展了以下幾個方面的研究工作：
　　 （1）本文對可用于小樣本評價的理論與方法進行了比較研究。在描述各種小樣本評價方法數(shù)學原理的基礎(chǔ)上，分析比

5、較了各種評價方法的異同，指出各種方法在理論上和應用中存在的不足，研究并指出各種小樣本評價理論與方法的現(xiàn)狀及發(fā)展方向。
　　 （2）本文應用灰色關(guān)聯(lián)分析方法選擇礦井瓦斯突出風險評價指標?；疑到y(tǒng)理論適于解決貧信息的小樣本問題，而灰色關(guān)聯(lián)分析是灰色系統(tǒng)理論的主要內(nèi)容之一。本文運用灰色關(guān)聯(lián)分析方法分析瓦斯突出的各種影響因素，計算各影響因素的關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度，按關(guān)聯(lián)度大小進行影響因素排序，找出影響礦井瓦斯突出的主控因素，把主控因素作為小

6、樣本評價指標，并將主控因素的礦井實測數(shù)據(jù)作為小樣本評價模型的輸入進行風險評價。
　　 （3）本文建立了基于神經(jīng)網(wǎng)絡(luò)的礦井瓦斯突出風險評價模型。神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)驅(qū)動式“黑箱”建模，具有強大的非線性處理能力，適于解決礦井瓦斯突出系統(tǒng)的復雜性和非線性系統(tǒng)的評價問題。采用神經(jīng)網(wǎng)絡(luò)進行礦井瓦斯突出風險評價，能有效地減少主觀因素的影響，所建評價模型基本能夠真實地刻畫礦井瓦斯突出影響因素與礦井瓦斯突出風險實際水平之間的復雜非線性關(guān)系，研究的模型

7、具有一定的應用價值。
　　 （4）本文對訓練樣本的規(guī)范化方法進行了改進，改進的規(guī)范化方法具有保序性、差異比不變性、平移無關(guān)性、縮放無關(guān)性和區(qū)間穩(wěn)定性等優(yōu)良特性。各評價指標訓練樣本之間往往不具備可比性，無法進行綜合評價。本文提出了改進的訓練樣本規(guī)范化方法，并分別為神經(jīng)網(wǎng)絡(luò)和支持向量機小樣本評價方法的訓練樣本提出了具體的改進公式。針對神經(jīng)網(wǎng)絡(luò)評價模型面言，改進的方法避免了S 型活化函數(shù)取極值及連接權(quán)足夠大的邊緣和苛刻條件，提高了訓練

8、速度。
　　 對支持向量機評價模型來說，在核計算中會用到內(nèi)積運算或exp 運算，不平衡的數(shù)據(jù)可能造成計算困難。改進的方法更好地保持了原始數(shù)據(jù)的關(guān)系、消除量綱影響和變量自身變異大小和數(shù)值大小的影響，有效地降低了計算難度。
　　 （5）本文提出了一種選取支持向量機核函數(shù)參數(shù)的新方法，即調(diào)步長網(wǎng)格搜索與K CV ? 交叉驗證組合的方法。這種方法先在一個大區(qū)域選定Gauss 徑向基核函數(shù)參數(shù)σ和懲罰參數(shù)C的取值范圍，設(shè)定一個大的

9、搜索步長，對每對參數(shù)組合()，C σ進行訓練，并計算風險評價準確率。風險評價準確率的計算采用K CV ? 交叉驗證方法，K CV ? 方法可以有效地避免過學習以及欠學習狀態(tài)的發(fā)生，最后得到的結(jié)果也比較具有說服性。在大區(qū)域上找出模型評價性能好（參數(shù)組合相對較優(yōu)）的一個好區(qū)域，再在這個小區(qū)域上的參數(shù)范圍進一步細分網(wǎng)格，調(diào)整步長應用網(wǎng)格搜索法尋找最優(yōu)參數(shù)組合，根據(jù)K CV ? 交叉驗證評價準確率排序，選擇評價準確率最高的參數(shù)組合作為模型的最優(yōu)

10、參數(shù)。該法將兩個參數(shù)同時考慮可以建立具有最佳評價能力的基于支持向量機的礦井瓦斯突出風險評價模型。
　　 （6）本文建立了擅長解決小樣本問題的C SVM ? 支持向量機瓦斯突出風險評價模型。C SVM ? 支持向量機方法不僅能夠解決復雜非線性系統(tǒng)的評價問題，其優(yōu)勢還在于能夠解決小樣本的分類、函數(shù)逼近和模式識別問題，對于礦井瓦斯突出風險評價來說，支持向量機無疑是最好的研究工具和方法。本文建立了基于小樣本的C SVM ? 支持向量機瓦

11、斯突出風險評價模型，應用礦井實測數(shù)據(jù)研究表明，該模型用于實際評價具有很好的泛化能力，可用于礦井瓦斯突出風險的實際評價，可以有效地指導礦井及時正確地開展瓦斯突出防治工作。
　　 （7）本文對多種可用于礦井瓦斯突出風險評價的方法進行了實證比較研究。
　　 得出：單項指標法和綜合指標，D K法的評價結(jié)果與實際結(jié)果并不完全一致，因為這兩種方法只是強調(diào)其中的個別因素對礦井瓦斯突出的影響，而不能全面系統(tǒng)地刻畫礦井瓦斯突出復雜系統(tǒng)多因

12、素的非線性關(guān)系，不能把握礦井瓦斯突出風險評價的本質(zhì)。C SVM ? 支持向量機方法評價準確率比神經(jīng)網(wǎng)絡(luò)方法略高，顯示出支持向量機模型具有更高的泛化能力。尤其是在小樣本數(shù)據(jù)情況下C SVM ? 支持向量機仍然具有較高的評價精度。而神經(jīng)網(wǎng)絡(luò)在小樣本訓練樣本條件下建立評價模型的泛化能力有較明顯的下降。說明：支持向量機在解決小樣本評價問題時較其他模型有明顯優(yōu)勢，可用來對礦井瓦斯突出風險進行評價，該方法是基于小樣本的評價，不僅可以解決礦井安全系統(tǒng)