巷道围岩稳定性分类的GSM-SVM预测模型
Prediction Model for Stability Classification of Roadway Surrounding Rock Based on Grid Search Method and Support Vector Machine
-
摘要: 为准确预测巷道围岩稳定性类别，提出了基于网格搜索法（GSM）优化支持向量机（SVM）的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本，以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入，巷道围岩稳定程度作为模型输出，同时为增强模型的泛化性能和预测精度，采用改进的网格搜索方法优化支持向量机参数，最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测，并同BP神经网络模型的结果进行对比。结果表明，GSM-SVM模型的预测结果与实际结果吻合，正确率达98%，具有比BP神经网络模型更高的精度。Abstract: In order to predict the stability classification of roadway surrounding rock accurately and rapidly, a prediction model for stability classification of roadway surrounding rock based on support vector machine (SVM) optimized by grid search method (GSM) was proposed. Twenty-two groups of roadway surrounding rock data were chosen as learning samples, four indexes including angle between the horizontal crustal stress and roadway, roof lithologic character, water effect and basal area of roadway were chosen as model input, and roadway surrounding rock stability was chosen as model output. Meanwhile, in order to improve generalization and prediction precision of the model, the SVM parameters were optimized by improved grid search method, finally the roadway surrounding rock prediction model based on GSM-SVM was established. Then using this model to predict eight groups of roadway surrounding rock data, the prediction results were compared with those predicted by BP neural network model. The results show that the prediction results of GSM-SVM model accord with the actual results, and the correct rate reaches to 98%, so GSM-SVM model has higher accuracy than BP neural network model.
-
-
[1] 邓声君,陆晓敏,黄晓阳.地下洞室围岩稳定性分析方法简述[J].地质与勘探,2013,49(3):541-547. [2] 朱一丁,马文涛.回采巷道围岩分类的支持向量机方法[J].采矿与安全工程学报,2006,23(3):362-365. [3] 赵洪波.围岩破坏模式识别的支持向量机研究[J].岩土力学,2005,26(2):235-238. [4] 蒋金泉,冯增强,韩继胜.跨采巷道围岩结构稳定性分类与支护参数决策[J].岩石力学与工程学报,1999,18(1):81-85. [5] 宁云才,邢中光.煤矿矿区回采巷道围岩稳定性分类的灰色Fuzy聚类分析及应用[J].系统工程理论与实践,1997,17(8):115-124. [6] 张士科,黄增慧,孙海建,等.基于遗传算法和人工神经网络的巷道支护研究[J].煤炭与化工,2016,39(1):1-4. [7] 郑美田,陈乐求,王曰国.洞室围岩质量多因素模糊综合评价模型及应用[J].地质与勘探,2007,43(5):101. [8] 张国云.支持向量机算法及其应用研究[D].长沙:湖南大学,2006:1-33. [9] Vapnik V N. The nature of statistical learning theory [M]. New York:Springer-Verlag, 1995: 23-105. [10] Steve R Gunn. Support Vector Machines for classification and regression [R].University of Southampton,1998: 23-65. [11] 郭超,宋卫华,魏威.基于网格搜索-支持向量机的采场顶板稳定性预测[J].中国安全科学学报,2014,24(8):31-36. [12] 王威,苏经宇,韩阳,等.支持向量机在城市震后火灾损失预测中的应用[J].灾害学,2008,23(1):6-9. [13] 刘俊娥,杨晓帆,郭章林.基于FIG-SVM的煤矿瓦斯浓度预测[J].中国安全科学学报,2013,23(2):80. [14] 郭瑞,徐广璐.基于信息融合与GA-SVM的煤矿瓦斯浓度多传感器预测模型研究[J].中国安全科学学报,2013,23(9):33-38. [15] 牛文林,李天斌,熊国斌,等.基于支持向量机的围岩定性智能分级研究[J].工程地质学报,2011,19(1):88-92. [16] 邱道宏,李术才,张乐文,等.基于TSP203系统和GA-SVM的围岩超前分类预测[J].岩石力学与工程学报,2010,29(S1):3221-3226. [17] 刘会林,朱明,张爱霞.应用神经网络方法评定巷道围岩稳定性[J].矿业安全与环保,2006,33(4):37. -
期刊类型引用(11)
1. 安南，陈俊智，任春芳，杨立新，魏行，陈祯. 铁矿软岩巷道失稳机理与支护技术优化. 矿冶. 2025(01): 34-42+51 . 
百度学术
2. 周长伟，张松涛. 深部软岩底抽巷支护结构及数值模拟研究. 低温建筑技术. 2024(06): 48-51+56 . 百度学术
3. 薛志胜，韩国新，张扬，张安福，高祥祥，董一辉. 风氧化区巷道围岩失稳特征分析与注浆加固技术. 采矿技术. 2024(06): 248-256 . 百度学术
4. 柳长荣. 软岩巷道支护方案实施及变形监测. 机械管理开发. 2023(07): 301-302 . 百度学术
5. 赵斌，王朋卫. 巷道易风化围岩薄层快速喷涂封闭技术研究. 煤炭工程. 2021(02): 60-64 . 百度学术
6. 赵斌，王朋卫. 底抽巷防风化新型喷涂材料研究及应用. 煤矿安全. 2021(03): 55-60 . 本站查看
7. 张继龙. 深井高应力破碎软岩巷道过断层支护技术研究. 能源与环保. 2021(04): 249-254 . 百度学术
8. 谢鹏飞，鄢德恒. 掘进工作面过风氧化带顶板支护技术研究. 煤矿现代化. 2021(06): 85-89 . 百度学术
9. 王炎. 煤矿巷道锚杆支护材料合理化研究分析. 山西冶金. 2020(03): 54-56 . 百度学术
10. 许得河. 软岩大变形巷道围岩稳定性技术研究. 采矿技术. 2020(05): 54-56 . 百度学术
11. 郝鹏程. 21117辅运顺槽围岩控制技术研究. 内蒙古煤炭经济. 2020(08): 152 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 255
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 13
下载:
