基于PSO-GBDT综采工作面初次来压预测研究

作     者：吴早阳 李丹宁 西成峰 崔耀 WU Zaoyang;LI Danning;XI Chengfeng;CUI Yao

作者机构：北京天玛智控科技股份有限公司北京100013 

出 版 物：《煤炭科学技术》 (Coal Science and Technology)

年 卷 期：2022年第50卷第S2期

页      面：7-15页

核心收录：

学科分类：0819[工学-矿业工程] 081903[工学-安全技术及工程] 08[工学] 

基　　金：山东省重大科技创新工程资助项目(2020CXGC011501) 神东保德“综采放顶煤智能化控制技术研究”资助项目(00000050048) 天玛智控重点科技资助项目(2022TMO18-C1) 

主　　题：初次来压 粒子群优化算法 梯度提升树 近浅埋煤层 

摘      要：综采工作面来压状况作为制定采掘工程支护设计的重要参考因素,准确地预测综采面来压趋势,不仅能辅助设计人员制定合理的井下支护方案,对于煤矿安全高效生产也有着极大的帮助。构建了一种基于PSO-GBDT综采工作面初次来压预测模型,通过选取大同矿区近浅埋煤层与综采工作面来压有着显著影响的8个完整性好的因素作为特征,以初次来压步距和强度作为输出,结合粒子群优化算法,通过GBDT构建近浅埋煤层初次来压预测模型。首先对数据集进行可视化数据分析,随后以GBDT集成学习方法构建初次来压预测模型,然后通过粒子群优化算法对训练好的GBDT进行超参数优化,最后以各个特征对所构建的预测模型的影响权重进行排序,为来压机理分析提供参考指标,并与GBDT或Adaboost人工调参建模方法进行对比。试验结果表明,PSO-GBDT在预测近浅埋煤层初次来压步距和强度时,RMSE和R^(2)性能评估指标均取得了更好的结果,相较于GBDT人工调参建模方法,PSO-GBDT在构建以初次来压步距和强度为输出的模型中,R^(2)指标分别提高了7.2%和6.8%, RMSE指标分别降低了39%和42%。除此之外,PSO-GBDT与Adaboost人工调参建模方法对比试验结果表明,PSO-GBDT建模方法的预测性能优势显著,该方法以高性能和多因素的特点计算综采面初次来压步距和强度,为准确地预测综采面初次来压趋势提供一种新的解决方案。