Prediction of gas emission in mining face based on random forest regression algorithm
-
摘要:
回采工作面是矿井瓦斯涌出的主要场所，精准预测回采工作面的瓦斯涌出量，进而有针对性地提出防治措施，对保证矿井安全生产具有重要意义。提出了基于随机森林回归算法的回采工作面瓦斯涌出量预测方法。以工作面实测瓦斯涌出量数据为原始样本，利用Bootstrap抽样方法进行随机抽样，以袋外数据（OOB）评估分数oob_score作为随机森林回归模型调参、特征变量重要性的评判指标，计算得出模型的最佳参数、特征变量重要性占比。对各特征变量的重要性占比进行排序，并按排序进行随机森林回归模型性能分析，结果表明：随着特征变量数的增加，模型性能不会呈现规律性的变化；当特征变量数较少时，可能存在过拟合的情况。测试结果表明，所创建的随机森林回归模型预测值与实测值的平均绝对误差、平均相对误差随着特征变量数的增加呈下降趋势，特征变量数的增加可在一定程度上提高模型的预测效果。针对同一组数据，与主成分回归分析法相比，随机森林回归模型平均相对误差降低了14.29%，预测效果更好，且原理更简单、调参更容易、计算速度更快，能够为矿井回采工作面瓦斯涌出量预测提供有力的理论支撑。
Abstract:The mining face is the main place for gas emission in mines. Accurately predicting the amount of gas emission from the mining face and proposing targeted prevention and control measures are of great significance for ensuring mine safety production. A prediction method for gas emission in mining face based on random forest regression algorithm has been proposed. Using the measured gas emission data from the working face as the original sample, the Bootstrap sampling method is used for random sampling. The out-of-bag (OOB) data assessment score oob_score is used as an evaluation indicator for the random forest regression model tuning parameter and importance of feature variables. The optimal parameters of the model and the percentage of importance of feature variables are calculated. The method ranks the importance proportion of each feature variable and conducts performance analysis of the random forest regression model according to the ranking. The results show that as the number of feature variables increases, the model performance does not show a regular change. When the number of feature variables is small, there may be overfitting. The test results show that the average absolute error and relative error between the predicted and measured values of the created random forest regression model decrease with the increase of the number of feature variables. The increase of the number of feature variables can improve the predictive performance of the model to a certain extent. Compared with the principal component regression analysis method, the random forest regression model reduces the average relative error by 14.29% for the same set of data, resulting in better prediction performance. The principle is simpler, parameter adjustment is easier, and the calculation speed is faster. The results can provide strong theoretical support for predicting gas emission in mining face.
-
0. 引言
冲击地压是井下煤岩体积聚的大量弹性变形能突然释放的动力现象，是矿井动力灾害之一[1]。近年来，煤矿冲击地压灾害频发。据统计，全国冲击地压矿井有146个，潜在冲击地压矿井有20个，分布在全国14个省、自治区、直辖市。断裂构造是诱发冲击地压的重要地质因素[2]，从空间关系的角度系统性研究断裂构造对冲击地压的影响，对冲击地压危险性预测及防治具有指导意义。
矿井断裂构造的复杂性和不规则性导致其难以定量分析。分形理论可定量描述分形几何不规则特征[3-6]，近年来被应用于断裂构造的研究。张永强等[7]基于分形理论，在龙滩煤矿地质构造发育特征的基础上，对矿井断裂构造进行定量分析，从而预测了矿井构造煤的分布。张元等[8]利用分形理论对西秦岭夏河−合作地区不同方向断裂构造进行定量分析，用来表征矿床的沉积部位，划分出3个有利成矿区。陈学华等[9]采用多重分形理论，分析了矿区的Ⅴ级断块分形维数与多重分形维数的特征。刘伟等[10]运用分形理论评价了矿井断裂构造的复杂程度，并分析了其与突水灾害的耦合关系。崔中良等[11]利用分形理论中的盒维法对川滇黔断裂构造分形特征进行了研究，探讨了断裂构造分形特征与成矿空间分布的关系。然而对矿井断裂构造分形特征与冲击地压关系研究的文献较少。
笔者基于地质动力区划法[12]，对峻德井田的地形地貌进行探查，确定断裂构造与断块间的相互作用方式，并对断裂构造进行划分[13]。以峻德井田Ⅴ级断块为研究对象，计算Ⅴ级断块构造分形维数，分析断裂构造分形特征，划分17煤层构造应力分区，揭示断裂分形维数与构造应力分布状态、冲击地压之间的耦合关系，以期为冲击地压危险性预测及防治提供地质依据。
1. 矿井概况
峻德井田在2004−2016年共发生26次冲击地压灾害，其中有18次冲击地压发生在17煤层，因此本文以17煤层为研究对象。17煤层属全区可采煤层，煤层厚度为1.99～15.83 m，平均厚度为10.03 m，属特厚煤层；煤层夹矸主要位于煤层的顶部和底部，含多层夹矸，夹矸为凝灰岩、炭页岩及粉砂岩，夹矸厚0.09～1.06 m。煤层倾角为29～34°，煤层走向为185～205°，煤层结构较复杂。煤系地层走向呈北北东向，向东倾斜的单斜构造，倾角为25～35°，平均倾角为30°。断裂构造分为2组：一组走向近南北，倾向西，倾角平缓；另一组走向近东西，倾向北或南，倾角较陡。井田内已编号断层123条，其中落差大于30 m的80条，落差为15～30 m的25条，落差为5～15 m的18条。矿井断层与断裂构造位置关系如图1所示。
![]()
图 1 峻德井田断层与断裂构造位置关系Figure 1. Location relationship between fault and fracture structure in Junde Mine Field2. 矿井断裂构造划分
地质动力区划法是基于地质构造形成原理，通过查明区域地形地貌的形态与特征，进而确定断裂构造及断块间相互作用方式[14]。利用地应力测试、数值仿真模拟、3S技术、无人机测量等手段，并结合影片判读、井上下考查、区域构造活动调查等方法，采用绘图法，对区域断裂构造进行趋势分析，划分出Ⅰ−Ⅴ级断块，见表1[15]。
表 1 断裂构造划分Table 1. Division of fracture structure断块 断块长度/km Ⅰ级断块 ≤1 000 Ⅱ级断块 ≤500 Ⅲ级断块 ≤200 Ⅳ级断块 ≤50 Ⅴ级断块 ≤10 峻德井田Ⅰ级断块如图2所示，可看出峻德井田受控于Ⅰ−1断裂和Ⅰ−2断裂，其中Ⅰ−1断裂与地质界查明的依兰−伊通断裂有直接联系，Ⅰ−2断裂与地质界查明的通河断裂、穆棱河断裂有直接联系。
峻德井田Ⅴ级断块如图3所示，包含15条断裂，其中Ⅲ级断裂1条，Ⅳ级断裂2条，Ⅴ级断裂12条。根据盆地构造断层配套模式[16]，将峻德井田的断裂划分为4组：Ⅳ−15，Ⅳ−19，Ⅴ−4为近南北向断裂；Ⅴ−10，Ⅴ−11，Ⅴ−9为北西西向断裂；Ⅴ−12，Ⅴ−17，Ⅴ−18，Ⅴ−23，Ⅴ−27为北西向断裂；Ⅲ−9，Ⅴ−7，Ⅴ−13，Ⅴ−14为北东向断裂。其中北西向断裂占多数。峻德井田Ⅴ级断块基本特征见表2。
表 2 峻德井田Ⅴ级断块基本特征Table 2. Basic characteristics of grade V fault block in Junde Mine Field断裂 断裂走向/（°） 断裂长度/km 地貌特征 Ⅲ−9 42 135.36 构造阶地 Ⅳ−15 6 14.66 构造阶地 Ⅳ−19 159 11.06 构造阶地 Ⅴ−4 80～90 8.12 构造阶地 Ⅴ−7 121～143 2.29 构造阶地 Ⅴ−9 8～177 3.05 — Ⅴ−10 17 2.39 — Ⅴ−11 0～10 2.70 坡脚 Ⅴ−12 58 6.31 构造阶地 Ⅴ−13 102 1.55 — Ⅴ−14 114～173 1.70 坡脚 Ⅴ−17 54～68 4.30 — Ⅴ−18 40 3.36 构造阶地 Ⅴ−23 58 2.71 构造阶地 Ⅴ−27 18 0.77 坡脚 峻德井田断裂走向如图4所示。Ⅲ级断裂以北东和近南东向为主；Ⅳ级断裂以北东、近南北向为主；Ⅴ级断裂在各个方位都有体现，北东和北北东向相对占优势。整体断裂走向主要为北东向分布。
3. 断裂构造分形特征对冲击地压的影响
3.1 分形维数计算
分形维数是描述断裂构造特征的参数，能定量反映断裂构造的空间分布特征。计算分形维数的方法有盒维法、信息维法和相似维法，其中盒维法具有易操作、便于统计的特征，是断裂构造分形维数计算最常用的方法。
盒维法是以边长为r的正方形网格覆盖研究区，统计覆盖到断裂的网格数N（r）[15]。N（r）与r满足如下经验关系式：
$$ N\left( r \right) = C {r^{{{ - }}D}} $$ (1) 式中C，D为常数。
式（1）两边分别取对数，可得
$$ \ln N\left( r \right) = - D\ln (r/{\mathrm{m}}) + C $$ (2) 由式（2）可知，若ln （r/m）与ln N（r）为拟合线性关系，则斜率的绝对值D即分形维数。
分形维数D和相关系数R2的具体计算步骤：① 整体分形：以Ⅴ级断块图为研究底图，确定分形计算尺寸为8 000 m×5 000 m（实际尺寸），将由边长为r的正方形网格去覆盖底图，基于MapGIS空间分析[16]，分别计算边长r为1 000.000，500.000，250.000，125.000，62.500，31.250，15.625 m时整体断裂、北西向断裂、北东向断裂、南北向断裂和北西西向断裂的N（r）值，并拟合出不同边长的ln （r/m）与ln N（r）之间的线性关系。② 分区分形：将研究底图划分为40个分区单元，每个分区尺寸为1 000 m×1 000 m，分区结果如图5所示。在每个分区中，分别以边长为500，250，125，62.5，31.25，15.625 m的正方形网格去覆盖每个分区，并计算出对应的N（r）值，拟合出ln （r/m）与ln N（r）之间的线性关系，得到每个分区的分形维数和相关系数。
3.2 断裂整体分形特征
峻德井田Ⅴ级断块分形维数计算结果见表3，并根据表3绘制出不同走向断裂线性关系拟合，如图6所示。可看出整体断裂、南北向断裂、北东向断裂、北西向断裂、北西西向断裂5种类别的断裂构造拟合曲线的相关系数分别为0.995 4，0.999 9，0.999 0，0.998 7和0.999 7，表明V级断块与分形维数具有良好的线性关系，峻德井田的Ⅴ级断块具有统计自相似性和空间几何分形特征。整体断裂、南北向断裂、北东向断裂、北西向断裂、北西西向断裂分形维数分别为1.113 0，1.004 8，0.957 4，1.016 2，0.957 0，即整体断裂分形维数＞北西向断裂分形维数＞南北向断裂分形维数＞北东向断裂分形维数＞北西西向断裂分形维数，表明不同走向断裂在空间展布上表现出明显的差异性，反映出不同走向断裂的交织会增加断裂的复杂程度。如果分形维数接近1，说明断裂构造的变形和运动受控于某个断裂[17]。因此，从断裂分形维数角度看，断裂整体分形维数与北西向断裂分形维数有较好的一致性，表明峻德井田Ⅴ级断块受控于北西向断裂。从对冲击地压的影响来看，北西向断裂对峻德井田的冲击地压起控制作用。
表 3 峻德井田Ⅴ级断块分形维数计算结果Table 3. Calculation results of fractal dimension of grade V fault block in Junde Mine Field断裂类型 r/m N（r） ln r ln N（r） D R2 整体断裂 1000.000 37 6.9078 3.7377 1.1130 0.9954 500.000 106 6.2146 4.7791 250.000 247 5.5215 5.5872 125.000 529 4.8283 6.3404 62.500 1160 4.1352 7.0562 31.250 2345 3.4420 7.7600 15.625 4727 2.7489 8.4610 南北向
断裂1000.000 28 6.9078 3.3322 1.0048 0.9999 500.000 58 6.2146 4.0604 250.000 117 5.5215 4.7622 125.000 230 4.8283 5.4381 62.500 464 4.1352 6.1399 31.250 924 3.4420 6.8287 15.625 1859 2.7489 7.5278 北东向
断裂1000.000 14 6.9078 2.6391 0.9574 0.9990 500.000 24 6.2146 3.1781 250.000 47 5.5215 3.8501 125.000 92 4.8283 4.5218 62.500 180 4.1352 5.1930 31.250 361 3.4420 5.8889 15.625 719 2.7489 6.5779 北西向
断裂1000.000 21 6.9078 3.0445 1.0162 0.9987 500.000 51 6.2146 3.9318 250.000 97 5.5215 4.5747 125.000 196 4.8283 5.2781 62.500 388 4.1352 5.9610 31.250 773 3.4420 6.6503 15.625 1547 2.7489 7.3441 北西西向
断裂1000.000 12 6.9078 2.4849 0.9570 0.9997 500.000 22 6.2146 3.0910 250.000 44 5.5215 3.7842 125.000 83 4.8283 4.4188 62.500 162 4.1352 5.0876 31.250 320 3.4420 5.7683 15.625 637 2.7489 6.4568 3.3 断裂分区分形特征
各分区断裂构造分形维数及相关系数见表4，可看出有断裂分布的分区的相关系数均较高，只有12分区的相关系数最小，且8分区、36分区和38分区的相关系数为1，表明各分区的线性拟合程度高，各断裂在各分区中具有空间几何分形特征的一致性和统计自相似性。各分区断裂构造分形维数不同，其中，最小分形维数为0.880 1，最大分形维数为1.530 1，表明断裂构造在不同分区的空间分布具有差异性。
表 4 各分区断裂构造分形维数及相关系数Table 4. Fractal dimension and correlation coefficient of fracture structure in each zone分区号 D R2 分区号 D R2 4 1.4577 0.9916 24 0.9528 0.9455 5 1.3564 0.9993 26 1.4577 0.9916 6 1.0766 0.9544 27 1.3275 0.9892 7 1.2948 0.9995 28 1.1921 0.9996 8 1.0000 1.0000 29 1.1197 0.9978 10 1.0537 0.9971 30 1.1197 0.9978 11 1.5301 0.9986 31 1.1197 0.9978 12 0.9911 0.9320 32 1.1921 0.9996 14 1.1517 0.9811 33 1.1921 0.9996 15 0.9955 0.9455 34 1.2045 0.9998 16 1.4465 0.9999 35 1.2948 0.9995 17 1.2282 0.9936 36 1.0000 1.0000 19 0.9426 0.9959 37 1.1517 0.9811 21 1.2922 0.9968 38 1.0000 1.0000 22 1.1517 0.9811 39 1.1517 0.9811 23 0.8801 0.9715 40 1.4764 0.9940 由图5可知，西南部的1，2，3，4，9，10，12，17，25等分区穿过的断裂数目较少。由前文分析可知，Ⅴ−12，Ⅴ−17，Ⅴ−18和Ⅴ−23断裂穿过的15，21，27，28，29，30，31和38分区的分形维数相近。由前所述，北西向断裂对峻德井田冲击地压的发生起控制作用，而北西向断裂主要为Ⅴ−12，Ⅴ−17，Ⅴ−18，Ⅴ−23，Ⅴ−27，其中，Ⅴ−27断裂位于井田外，对冲击地压发生的影响较小，因此分析得出峻德井田的Ⅴ−12，Ⅴ−17，Ⅴ−18和Ⅴ−23断裂控制着冲击地压的发生。
由图5和表4分析得出，分形维数与断裂构造复杂程度呈正相关。例如12分区与23分区的分形维数分别为0.991 1和0.880 1，小于整体断裂分形维数，且在分区单元内只有1条断裂通过，表明分形维数越小，断裂越稀少；11分区、16分区、26分区与40分区的分形维数分别为1.530 1，1.446 5，1.457 7和1.476 4，大于整体断裂分形维数，且在分区单元内有多条断裂穿过，表明分形维数越大，断裂越密集。为了量化分析断裂构造的复杂程度，将各分区的分形维数赋给相应分区的中点，在Surfer软件上实现样条插值，绘制出断裂分形维数等值线，如图7所示。
根据图7，并基于ArcGIS自然间断分级法，对构造复杂程度进行划分：分形维数小于0.8为简单构造区，分形维数介于0.8～1.1为中等构造区，分形维数大于1.1为复杂构造区。由图7可知，峻德井田构造复杂程度以中等和复杂构造为主：中等构造区主要分布在井田南北两翼，其中有Ⅴ−10，Ⅴ−11，Ⅴ−12，Ⅴ−17，Ⅴ−18和Ⅴ−23断裂穿过；复杂构造区分布在井田中部区域，其中有Ⅴ−9，Ⅴ−13，Ⅴ−17和Ⅴ−23断裂穿过。前文已述，峻德井田的Ⅴ−12，Ⅴ−17，Ⅴ−18和Ⅴ−23断裂控制着冲击地压的发生，因此确定中等构造区是冲击地压发生的潜在区域。
3.4 断裂构造分形特征与冲击地压的关系
断裂构造控制着岩体构造应力分布状态，冲击地压主要发生在构造应力集中程度较高的区域，并且构造应力是引发冲击地压的主导因素[18]。因此，要建立断裂构造分形特征与冲击地压之间的关系，基础在于分析构造应力的分布状态[19]。
峻德井田地应力测量结果：最大主应力为33.42 MPa，方位角为87°；垂直应力为10.81 MPa，方位角为267°；最小主应力为18.73 MPa，方位角为177°。通过确定的地应力参数、岩体变形参数和断裂构造影响范围，利用岩体应力状态分析系统软件[20]，计算得到17煤层的最大主应力，之后在Surfer软件上实现样条插值，绘制17煤层最大主应力等值线，如图8所示。
由于构造复杂程度、断块间的作用及岩体力学性质的多样性，构造应力常表现出区域性特点[21]。将应力集中系数作为划分应力区域的标准：应力集中系数＞1.2的区域为高应力区；应力集中系数＜0.8的区域为低应力区；1≤应力集中系数≤1.2的区域为应力梯度区。17煤层最大主应力区域划分结果如图9所示。
![]()
图 9 17煤层最大主应力区域划分Figure 9. Division of the maximum principal stress area of No.17 coal seam![]()
图 10 Ⅴ级断块构造分区与应力分区叠合Figure 10. Superposition of grade V fault block zone and stress zone从图10可看出，17煤层冲击地压主要发生在高应力区，且处于Ⅴ−18断裂影响范围内；构造复杂程度较高的区域，也是构造应力集中程度较高的区域，构造复杂程度与构造应力集中程度具有很好的一致性。
4. 结论
1） 用分形维数作为量化断裂构造特征的参数，揭示了断裂构造统计自相似性和空间分布特征：峻德井田断裂整体分形维数与北西向断裂分形维数具有良好的一致性，北西向断裂对峻德井田的冲击地压起控制作用；分形维数与断裂构造复杂程度呈正相关，即分形维数越大，断裂构造空间分布特征越复杂，越容易诱发冲击地压。
2） 对V级断块构造分区和应力分区综合研究可知，构造复杂程度越高，构造应力集中程度越高，越容易发生冲击地压。
-
![]()
图 2 随机森林回归模型参数关系热力图
Figure 2. Thermodynamic diagram of random forest regression model parameter relationship
![]()
图 3 n_estimators与obb_score的关系曲线
Figure 3. The relationship curves of n_estimators and obb_score
![]()
图 5 特征变量数与oob_score关系
Figure 5. The relationship between the number of characteristic variables and oob_score
![]()
图 6 特征变量数与误差平均值关系曲线
Figure 6. The relationship between the number of characteristic variables and mean value of error
表 1 回采工作面瓦斯涌出量特征样本数据
Table 1 Sample data of gas emission characteristics in the mining face
序号 X1/（m³·t−1） X2/m X3/m X4/（°） X5/m X6/m X7/m X8 X9/t X10 X11/（m³·t−1） X12/m X13/m X14 Y/（m³·min−1） 1 1.92 408 2.0 10 2.0 4.42 155 0.96 1825 1 2.02 1.5 20 5.03 3.34 2 2.15 411 2.0 8 2.0 4.16 140 0.95 1527 1 2.1 1.21 22 4.87 2.97 3 2.14 420 1.8 11 1.8 4.13 175 0.95 1751 1 2.64 1.62 19 4.75 3.56 4 2.58 432 2.3 10 2.3 4.67 145 0.95 2078 1 2.4 1.48 17 4.91 3.62 5 2.40 456 2.2 15 2.2 4.51 160 0.94 2104 1 2.55 1.75 20 4.63 4.17 6 3.22 516 2.8 13 2.8 3.45 180 0.93 2242 1 2.21 1.72 12 4.78 4.6 7 2.80 527 2.5 17 2.5 3.28 180 0.94 1979 1 2.81 1.81 11 4.51 4.92 8 3.35 531 2.9 9 2.9 3.68 165 0.93 2288 1 1.88 1.42 13 4.82 4.78 9 3.61 550 2.9 12 2.9 4.02 155 0.92 2352 1 2.12 1.6 14 4.83 5.23 10 3.68 563 3.0 11 3.0 3.53 175 0.94 2410 1 3.11 1.46 12 4.53 5.56 
下载: 导出CSV
表 2 随机森林回归模型主要待调参数
Table 2 The main parameters to be adjusted in the random forest regression model
序号 参数 参数说明 1 n_estimators 随机森林中决策树的数量 2 criterion 回归树衡量回归质量的指标 3 random_state 生成的森林模式 4 max_features 最佳分支时的特征个数 5 max_depth 决策树剪枝参数，防止模型过拟合。本次
原始样本数量较少，不进行剪枝Min_sample_leaf Min_sample_spit Min_impurity_decrease
下载: 导出CSV
表 3 随机森林回归模型调参结果
Table 3 Parameter adjustment results of random forest regression model
criterion n_estimators max_
featuresrandom_state 最大obb_score mse 23 11 165 0.91575566 mae 20 14 70 0.92116429 friedman_mse 34 14 34 0.91395423
下载: 导出CSV
表 4 随机森林回归模型预测误差
Table 4 Prediction error of random forest regression model
特征变量个数 平均绝对误差/（m³·min−1） 平均相对误差/% 3 0.228 5.030 4 0.174 3.72 5 0.109 3.21 6 0.091 2.36 7 0.090 2.32 8 0.147 3.38 9 0.124 3.05 10 0.083 2.15 11 0.053 1.72 12 0.109 2.73 13 0.026 1.28 14 0.005 0.77
下载: 导出CSV
表 5 不同预测模型预测结果对比
Table 5 Comparison of prediction results of different prediction models
实测值/
（m³·min−1）随机森林回归模型 主成分回归分析法 预测值/
（m³·min−1）绝对误差/
（m³·min−1）相对误差/% 预测值/
（m³·min−1）绝对误差/
（m³·min−1）相对误差/% 4.06 3.85 −0.21 5.17 4.01 −0.05 1.23 4.92 4.84 −0.08 1.63 5.30 0.38 7.72 8.04 7.56 −0.48 5.97 7.56 −0.48 5.97
下载: 导出CSV
-
[1] AQ 1018−2006矿井瓦斯涌出量预测方法[S AQ 1018-2006 Prediction method of mine gas emission rate[S
[2] 国家煤矿安全监察局. 防治煤与瓦斯突出细则[M]. 北京:煤炭工业出版社,2019. State Administration of Coal Mine Safety. Rules of coal and gas outburst prevention[M]. Beijing:China Coal Industry Publishing House,2019.
[3] 国家安全生产监督管理总局. 煤矿安全规程[M]. 北京:煤炭工业出版社,2022. State Administration of Work Safety. Coal mine safety regulations[M]. Beijing:China Coal Industry Publishing House,2022.
[4] 秦玉金,苏伟伟,姜文忠,等. 我国矿井瓦斯涌出量预测技术研究进展及发展方向[J]. 煤矿安全,2020,51(10):52-59. QIN Yujin,SU Weiwei,JIANG Wenzhong,et al. Research progress and development direction of mine gas emission forecast technology in China[J]. Safety in Coal Mines,2020,51(10):52-59.
[5] 余永强,李伟雄,邱贤德,等. 用灰色系统理论预测平顶山一矿戊_8煤层瓦斯涌出[J]. 煤炭科学技术,2002,30(3):53-55,46. YU Yongqiang,LI Weixiong,QIU Xiande,et al. Application of gray system theory to predict gas emission from Wu_8 seam in No.1 Mine of Pingdingshan[J]. Coal Science and Technology,2002,30(3):53-55,46.
[6] 伍爱友,田云丽,宋译,等. 灰色系统理论在矿井瓦斯涌出量预测中的应用[J]. 煤炭学报,2005,30(5):47-50. WU Aiyou,TIAN Yunli,SONG Yi,et al. Application of the grey system theory for predicting the amount of mine gas emission in coal mine[J]. Journal of China Coal Society,2005,30(5):47-50.
[7] 徐刚,王磊,金洪伟,等. 因子分析法与BP神经网络耦合模型对回采工作面瓦斯涌出量预测[J]. 西安科技大学学报,2019,39(6):965-971. XU Gang,WANG Lei,JIN Hongwei,et al. Gas emission prediction in mining face by factor analysis and BP neural network coupling model[J]. Journal of Xi'an University of Science and Technology,2019,39(6):965-971.
[8] 徐威,何保,张振文. 基于灰色遗传神经网络法的矿井瓦斯涌出量预测[J]. 安全与环境学报,2011,11(2):176-178. XU Wei,HE Bao,ZHANG Zhenwen. Genetic neural network method based on gray mine gas emission prediction[J]. Journal of Safety and Environment,2011,11(2):176-178.
[9] 赵建会,孙榕鸿. 矿井回采工作面瓦斯涌出量预测新途径[J]. 西安科技大学学报,2011,31(6):708-710. ZHAO Jianhui,SUN Ronghong. New method of prediction for mine coalface gas emission[J]. Journal of Xi'an University of Science and Technology,2011,31(6):708-710.
[10] 熊祖强,王晓蕾. 矿井相对瓦斯涌出量动态无偏灰色马尔科夫预测[J]. 安全与环境学报,2015,15(3):15-18. XIONG Zuqiang,WANG Xiaolei. Application of the Markov bias-free dynamic grey model for the relative gas gush-out rate predict[J]. Journal of Safety and Environment,2015,15(3):15-18.
[11] 李树刚,马彦阳,林海飞,等. 基于因子分析法的瓦斯涌出量预测指标选取[J]. 西安科技大学学报,2017,37(4):461-466. LI Shugang,MA Yanyang,LIN Haifei,et al. Selection of gas emission prediction index based on factor analysis[J]. Journal of Xi'an University of Science and Technology,2017,37(4):461-466.
[12] 付华,谢森,徐耀松,等. 基于ACC−ENN算法的煤矿瓦斯涌出量动态预测模型研究[J]. 煤炭学报,2014,39(7):1296-1301. FU Hua,XIE Sen,XU Yaosong,et al. Gas emission dynamic prediction model of coal mine based on ACC-ENN algorithm[J]. Journal of China Coal Society,2014,39(7):1296-1301.
[13] 邓军,雷昌奎,曹凯,等. 采空区煤自燃预测的随机森林方法[J]. 煤炭学报,2018,43(10):2800-2808. DENG Jun,LEI Changkui,CAO Kai,et al. Random forest method for predicting coal spontaneous combustion in gob[J]. Journal of China Coal Society,2018,43(10):2800-2808.
[14] 汪明,王建军. 基于随机森林的回采工作面瓦斯涌出量预测模型[J]. 煤矿安全,2012,43(8):182-185. WANG Ming,WANG Jianjun. Gas emission prediction model of stope based on random forests[J]. Safety in Coal Mines,2012,43(8):182-185.
[15] 吴奉亮,霍源,高佳南. 基于随机森林回归的煤矿瓦斯涌出量预测方法[J]. 工矿自动化,2021,47(8):102-107. WU Fengliang,HUO Yuan,GAO Jianan. Coal mine gas emission prediction method based on random forest regression[J]. Industry and Mine Automation,2021,47(8):102-107.
[16] 成小雨,周爱桃,郭焱振,等. 基于随机森林与支持向量机的回采工作面瓦斯涌出量预测方法[J]. 煤矿安全,2022,53(10):205-211. CHENG Xiaoyu,ZHOU Aitao,GUO Yanzhen,et al. Prediction method of gas emission based on random forest and support vector machine[J]. Safety in Coal Mines,2022,53(10):205-211.
[17] BREIMAN L. Random forests[J]. Machine learning,2001,45(1):5-32. DOI: 10.1023/A:1010933404324
[18] 胡坤,王素珍,韩盛,等. 基于TLBO−LOIRE的回采工作面瓦斯涌出量预测[J]. 应用基础与工程科学学报,2017,25(5):1048-1056. HU Kun,WANG Suzhen,HAN Sheng,et al. Gas emission quantity prediction of working face based on TLBO-LOIRE method[J]. Journal of Basic Science and Engineering,2017,25(5):1048-1056.
[19] 姜杉杉. 基于LLE−WPA−BP算法的瓦斯涌出量预测研究[D]. 阜新:辽宁工程技术大学,2022. JIANG Shanshan. Study of gas emission prediction based on LLE-WPA-BP algorithm[D]. Fuxin:Liaoning Technical University,2022.
[20] 吕伏,梁冰,孙维吉,等. 基于主成分回归分析法的回采工作面瓦斯涌出量预测[J]. 煤炭学报,2012,37(1):113-116. LYU Fu,LIANG Bing,SUN Weiji,et al. Gas emission quantity prediction of working face based on principal component regression analysis method[J]. Journal of China Coal Society,2012,37(1):113-116.
计量
- 文章访问数: 1053
- HTML全文浏览量: 128
- PDF下载量: 42
