基于机器学习的煤层顶板含水层涌（突）水危险性预测方法研究

作     者：王万 

作者单位：西安科技大学 

学位级别：硕士

导师姓名：罗晓霞

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0819[工学-矿业工程] 081903[工学-安全技术及工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：机器学习 模型融合 风化基岩富水性 导水裂隙带高度 危险性预测 

摘      要：为解决我国陕北浅埋煤层开采过程中顶板含水层涌(突)水问题,基于“三图-双预测理论,将机器学习算法应用到顶板含水层涌(突)水危险性预测中,以提升预测准确性,为陕北矿企的煤层顶板含水层水害防治工作提供有力依据,本文的主要研究内容和成果如下:(1)通过分析浅埋煤层顶板含水层涌(突)水机理,得出煤层顶板含水层主要水源为风化基岩水,其发生涌(突)水的危险性主要由含水层风化基岩富水性及导水裂隙带发育高度共同决定,并分析风化基岩富水性和导水裂隙带发育高度的主要影响因素。(2)含水层风化基岩富水性预测模型的构建。首先基于方差过滤和交叉递归特征消除算法对含水层富水性影响因素进行特征选择,并利用XGBoost模型构造高级特征。然后基于stacking策略融合SoftMax和随机森林,构建含水层风化基岩富水性预测模型。最后使用钻孔实测数据集与其他模型进行对比实验,经过五折交叉验证,结果表明:融合模型的预测准确率提高了 2.8%。(3)导水裂隙带高度预测模型的构建。将导水裂隙带发育过程看成时间序列问题,使用一维卷积神经网络(CNN)对导水裂隙带数据进行特征提取,然后使用提取到的特征训练长短时记忆网络(LSTM),同时利用导水裂隙带数据训练LightGBM模型,基于预测误差倒数调整LSTM和LightGBM模型预测结果的权重,从而得出导水裂隙带发育高度预测值。实验结果表明:相比于其他模型,本模型的平均绝对误差MAPE和均方根误差RMSE降低了 0.41和0.0822,验证了本模型具有较高的准确性。(4)模型应用。使用本文构建的预测模型,对相邻矿区中未进行抽水钻孔实验的区域,进行顶板含水层风化基岩富水性及导水裂隙带高度预测,得到富水性分区图及顶板冒裂(导水裂隙带)安全性分区图。基于ArcGIS软件叠加两图得到含水层风化基岩涌(突)水危险性分区图,为浅埋煤层开采防治水工作提供科学指导。