一种预测矿区地下水位的方法技术

本发明专利技术公开了一种预测矿区地下水位的方法，包括：收集矿区气象和采煤生产数据并构建输入变量库，使用偏互信息算法PMI对输入变量库进行非线性的特征变量筛选，使用STL算法对被筛选中的两个特征变量与地下水位时间序列进行去趋势，分别计算去趋势的地下水位的显著自相关阶数及去趋势的地下水位和去趋势的输入变量间的显著互相关阶数，将显著自相关阶数作为为NARX模型的反馈入延迟系数，将显著互相关阶数作为NARX模型中是输入延迟系数，构建机器学习模型NARX，在机器学习模型NARX预测中输入矿区气象和采煤生产数据，预测矿区地下水位。该方法突破了传统地下水数值模型中所需水文地质参数多、建模成本高、模拟精度差等问题。模拟精度差等问题。模拟精度差等问题。

【技术实现步骤摘要】
一种预测矿区地下水位的方法


[0001]本专利技术涉地下水科学
，更具体的涉及一种预测矿区地下水位的方法。

技术介绍

[0002]华北型煤田是中国重要的产煤区，煤层底部下伏着巨厚的岩溶含水层，其具有高承压性。高压水头为矿井底板突水提供了强大的动力来源，随着上组煤层资源的逐渐枯竭，大部分矿井转入下组煤层开采，采区底板受高承压水的突水威胁日益突出，底板水害事件时有发生。因此，模拟并预测矿区岩溶水位对矿井水害预警、底板突水防治具有十分重要的意义。
[0003]当前，基于物理背景的数值模拟软件(如MODFLOW、FEFLOW、GMS)是模拟地下水位的主要工具，但其需要大量的水文地质参数且后期维护成本巨大，受制于数据可用性和模型内部对复杂水文过程的简化致使实现准确模拟难度较大。更为关键的是与非采矿区不同，采煤扰动下矿区岩层结构和水文地质条件持续变化，基于物理背景模型无法表达矿区岩层结构、水文地质参数及边界条件的动态变化，而且存在输入成本高，后期不易维护的问题。

技术实现思路

[0004]专利技术目的是本专利技术的目的在于提供了一种输入成本低、预测精度高、后期易维护的预测方法，能够精准的预测矿区地下水位。
[0005]本专利技术的耦合偏互信息与机器学习预测矿区地下水位的方法，包括：
[0006]收集矿区气象和采煤生产数据并构建输入变量库；
[0007]使用偏互信息算法PMI对输入变量库进行特征变量筛选；
[0008]使用STL算法对被筛选中的特征变量与地下水位时间序列进行去趋势；
[0009]利用去趋势的时间序列间的自相关和互相关性确定NARX模型的输入、反馈延迟参数，构建机器学习模型NARX；
[0010]在机器学习模型NARX预测中输入矿区气象和采煤生产数据，预测矿区地下水位。
[0011]优选地，收集矿区气象数据和采煤生产数据，包括：
[0012]月降水量、月半均气温、月最高气温、月最低气温、月累计蒸发量、月半均大气压、原煤产量、巷道掘进长度、采空区面积。
[0013]优选地，使用偏互信息算法PMI对输入变量库进行特征变量筛选，具体包括：
[0014]对于X中每个候选输入变量X
i
，分别计算其与地下水位Y的MI值，表示为I
PMI
(X
i
,Y)；
[0015]选择使得I
PMI
(X
i
,Y)值最大的X
Q
，根据X
Q
计算T
ACI
值，并将X
Q
从X候选变量库移入Q库中；
[0016]候选输入变量X与输出变量Y之间的MI及其T
ACI
计算公式如(1)和(2)：
[0017][0018][0019]其中，p
i
，p
j
为X，Y在各个取值下的概率分布，p
ij
为两个变量的联合分布概率，r
i
为根据已选变量拟合Y的回归残差，n为样本数，p已选变量的个数；
[0020]若X不为空集，计算X集中每一个候选变量与Q集中变量的条件期望m
Xi
(Q)，并由此计算u
i
＝X
i
‑
m
Xi
(Q)，v＝Y
‑
m
Y
(Q)及I
PMI
(u
i
,v)；
[0021]选择使得I
PMI
(X
i
,Y)值最大的X
Q
，并计算此时的T
ACI
值；
[0022]如T
ACI
值减小，则将X
Q
移入Q集中，然后进入下一轮迭代，否则筛选结束；
[0023]条件期望中的计算中选择高数高斯函数作为核密度估计函数，其表达式包括公式(3)：
[0024][0025]其中，x为待估计样本点，d为x的维数，C为X的协方差矩阵，det(C)为C的行列式，λ为窗口宽度，T为移动步长。
[0026]优选地，使用STL算法对被筛选中的特征变量与地下水位时间序列进行去趋势，其表达式包括公式(4)：
[0027]R
t
＝Y
t
‑
ST
t
ꢀꢀꢀ
(4)
[0028]其中，R
t
表示去趋势后的余项，Y
t
表示观测序列，ST
t
表示趋势项。
[0029]优选地，利用去趋势的时间序列间的自相关和互相关性确定NARX模型的输入、反馈延迟参数，包括：
[0030]分别计算去趋势的地下水位的显著自相关阶数及去趋势的地下水位和去趋势的输入变量间的显著互相关阶数；
[0031]其中，显著自相关阶数为NARX模型中反馈入延迟系数，表达式包括公式(5)；
[0032]显著互相关阶数为NARX模型中是输入延迟系数，表达式包括公式(6)；
[0033][0034][0035]其中，FD(max)表示去趋势后的地下水位显著自相关阶数，ID(max)去趋势后的地下水位和去趋势好后的输入变量之间的显著互相关阶数。
[0036]优选地，构建机器学习模型NARX，具体包括：
[0037]在NARX模型中输入特征变量；
[0038]将显著自相关和互相关阶数作为模型的输入和反馈延迟系数；
[0039]划分数据集为训练集和测试集，在闭环状态下训练模型，在预测精度达到稳定收敛后，训练停止；
[0040]将模型转为开环状态用于预测矿区地下水位并进行预测评价；
[0041]其中，NARX表达式包括公式(7)：
[0042]y(t)＝f(y(t
‑
1),y(t
‑
2),
…
,y(t
‑
n
y
),u(t
‑
1),u(t
‑
2),
…
,u(t
‑
n
x
))
ꢀꢀꢀ
(7)
[0043]其中，y(t)代表输出反馈信号，u(t)代表外部输入信号，f为非线性函数，n
x
为输入层延迟系数，n
y
代表输出层反馈延迟系数。
[0044]本专利技术实施例提供一种预测矿区地下水位的方法，与现有技术相比，其有益效果如下：
[0045]本专利技术突破了传统物理模型所需水文地质参数多、建模成本高、模型表达真实采动能力差及模拟结果不确定性高等问题，转而利用一些易获取的气象和矿区采煤生产数据，提出了一种基于非线性的特征变量筛选方法耦合强大的机器学习模型对矿区地下水位进行精准预测的方法。该专利技术具有输入成本低、预测精度高、模型易维护等优势。
附图说明<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测矿区地下水位的方法，其特征在于，包括以下步骤：收集矿区气象和采煤生产数据并构建输入变量库；使用偏互信息算法PMI对输入变量库进行非线性的特征变量筛选，筛选出降雨量和采煤量两个特征变量；使用STL算法对被筛选中的两个特征变量与地下水位时间序列进行去趋势；分别计算去趋势的地下水位的显著自相关阶数及去趋势的地下水位和去趋势的输入变量间的显著互相关阶数；将显著自相关阶数作为为NARX模型的反馈入延迟系数，将显著互相关阶数作为NARX模型中是输入延迟系数，构建机器学习模型NARX；在机器学习模型NARX预测中输入矿区气象和采煤生产数据，预测矿区地下水位。2.如权利要求1所述的一种预测矿区地下水位的方法，其特征在于，所述收集矿区气象数据和采煤生产数据，包括：月降水量、月半均气温、月最高气温、月最低气温、月累计蒸发量、月半均大气压、原煤产量、巷道掘进长度、采空区面积。3.如权利要求1所述的一种预测矿区地下水位的方法，其特征在于，所述使用偏互信息算法PMI对输入变量库进行特征变量筛选，具体包括：对于X中每个候选输入变量X
i
，分别计算其与地下水位Y的MI值，表示为I
PMI
(X
i
,Y)；选择使得I
PMI
(X
i
,Y)值最大的X
Q
，根据X
Q
计算T
ACI
值，并将X
Q
从X候选变量库移入Q库中；候选输入变量X与输出变量Y之间的MI及其T
ACI
计算公式如下：计算公式如下：其中，p
i
，p
j
为X，Y在各个取值下的概率分布，p
ij
为两个变量的联合分布概率，r
i
为根据已选变量拟合Y的回归残差，n为样本数，p已选变量的个数；若X不为空集，计算X集中每一个候选变量与Q集中变量的条件期望m
Xi
(Q)，并由此计算u
i
＝X
i
‑
m
Xi
(Q)，v＝Y
‑
m
Y
(Q)及I
PMI
(u
i
,v)；选择使得I
PMI
(X
i
,Y)值最大的X
Q
，并计算此时的T
...

【专利技术属性】
技术研发人员：张文瑞，段利民，刘延玺，黎明扬，张俊怡，冀如，
申请(专利权)人：内蒙古农业大学，
类型：发明
国别省市：