基于SVM的采空区围岩稳定性预测研究

论文摘要

本文首次使用支持向量机方法对采空区的围岩稳定性进行预测,是数据挖掘算法在此领域的新应用。通过围岩介质损伤、断裂、失稳的室内精细测试实验和现场探测研究,与支持向量机方法耦合进行预测预报,为开采过程中诱发动力灾害的危险源辨识及预警提供定量化依据,同时为工程现场准确及时地预报采空区围岩断裂失稳提供较为可靠的决策依据。本文首先对目前的数据挖掘算法进行概述,然后介绍了数据挖掘算法的一个新方法――支持向量机,其次在重点分析支持向量回归机理论的基础上,对正则化参数C和不敏感损失参数ε的取值分别进行讨论。SVM方法实现的好坏程度(精确预测)依赖于ε、C、核函数三个参数的最佳选择,因RBF核函数的参数宽度反映了训练样本的分布,故本文主要针对RBF核函数讨论两参数ε和C的选择问题。最后运用RBF核函数,根据概率统计方法中的中心极限定理及三倍标准差原理得到两参数合理取值的一般性方法,并进行了验证,预测效果很好。在此基础上,本文将SVM方法应用于大柳塔相似模拟实验中,预测其围岩稳定性,分别选取RBF和Sigmoid两种核函数进行对比,结果表明前者的预测效果优于后者,同时进一步验证了参数ε、C取值的合理性。最后,推广此预测方法,对华亭相似模拟实验的围岩稳定性进行预测,同样有较好的效果,因此SVM方法具有一定的推广价值。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题背景及研究的意义
• 1.2 采空区围岩稳定性预测方法的研究现状
• 1.2.1 采矿物理方法监测围岩稳定性的数字化信息技术
• 1.2.2 数据挖掘算法在采空区围岩稳定性监测中的应用
• 1.2.3 用支持向量机研究采空区围岩稳定性
• 1.3 本课题的组织结构、技术路线
• 2 数据挖掘算法
• 2.1 几种数据挖掘算法概述
• 2.1.1 统计学方法
• 2.1.2 规则推理方法
• 2.1.3 决策数
• 2.1.4 遗传学算法
• 2.1.5 集合论方法
• 2.1.6 可视化技术
• 2.1.7 公式发现
• 2.1.8 神经网络
• 2.2 统计学习理论概述
• 2.3 支持向量机（SUPPORT VECTOR MACHINE, 简称SVM）
• 3 支持向量回归机
• 3.1 引言
• 3.2 支持向量机原理
• 3.3 支持向量回归机（SUPPORT VECTOR REGRESSION, 简称SVR）
• 3.3.1 线性ε-支持向量回归机
• 3.3.2 非线性ε-支持向量回归机
• 3.3.3 支持向量机中的核函数
• 3.3.4 支持向量机的训练算法
• 3.3.5 支持向量机的应用研究
• 4 SVR 中相关参数讨论
• 4.1 概述
• 4.2 讨论ε 不敏感损失函数
• 4.3 讨论正则化参数C
• 5 相似材料模拟实验的围岩稳定性SVM 预测
• 5.1 相似材料模拟实验概述
• 5.1.1 相似材料模拟实验装置及测试仪器
• 5.1.2 实验准备
• 5.1.3 模拟实验观测内容
• 5.1.4 模拟实验回采工艺
• 5.1.5 实验现象分析
• 5.2 SVM 预测
• 5.2.1 数据预处理
• 5.2.2 预测直接顶初次垮落
• 5.2.3 预测老顶初次来压
• 5.2.4 预测第一次周期来压
• 5.2.5 预测第二次周期来压
• 5.3 SVM 方法的推广
• 5.3.1 华亭煤矿概述
• 5.3.2 SVM 预测实例
• 6 结论
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录