【技术实现步骤摘要】
一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法
[0001]本专利技术涉及基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法,属于煤矿采掘工程的安全性评估领域
。
技术介绍
[0002]煤炭是我国的基础能源和重要工业原料,当前我国的能源需求仍呈增长趋势,因此如何保障煤炭的安全采掘成为关键问题
。
煤炭开采分为露天开采和井工地下开采两种方式
。
目前,我国井工地下开采比例高达
85
%,是世界上地下采煤占比最高的国家
。
地下采煤过程中,为了满足煤炭开采
、
运输的需求,需要开掘大量的工作面
、
巷道和硐室,统称为采掘工程
。
在采掘工程作业过程中,会经常面临地下水
、
地质构造
、
高应力等复杂地质条件,一旦发生事故,将直接威胁地下作业人员的生命安全
。
因此,确保采掘工程的安全性十分重要
。
[0003]为了实时监控矿井中的实际情况,各煤矿在多个关键点布置有大量传感器来实时采集各类数据来研判分析当前采掘工程是否安全,包括隧道覆盖厚度
、
覆盖跨度比
、
土体内摩擦角
、
土壤压缩模量
、
土壤粘结力
、
土仓压力
、
灌浆体积等,这些数据称之为采掘数据
。
由于采掘工程的工作条件为地下 ...
【技术保护点】
【技术特征摘要】
1.
一种基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法,其特征在于该方法包括以下步骤:
(1)
数据采集与划分数据集;将隧道设计参数
、
地质条件参数和施工参数作为模型的输入参数,从实际的煤矿采掘施工现场收集的时序数据中采集所述输入参数的数据,构建完整数据集
D
;在完整数据集
D
中按顺序将前
80
%划分为训练集
D
T
,剩余
20
%划分为测试集
D
V
;
(2)
从训练集
D
T
中随机抽
S
个子数据集构建
S
个子模型;在
D
T
中按照相同比例随机抽取
S
个子数据集来构建
S
个子模型,这些子数据集应该占完整训练集的大多数数据并且子模型的数量至少
30
个以上,即
S≥30
,其目的是为了减少建模过程中的随机误差;本步骤中训练子数据集的抽取可以有重复的抽取,即任意两个训练子集的交集可以不为空,仅需要确保各子集大小相同;
(3)
计算子模型的误差和权重;对步骤
(2)
中构建的
S
个子模型生成的
S
个误差来计算每个子模型权重,再根据这些权重计算得到这
S
个子模型中每组数据的平均误差;
(4)
数据加权并构建预测模型;把步骤
(3)
计算得来的子模型中每组数据的平均误差按照从大到小顺序排列,将前
10
%的数据定义为本发明中的异常数据,其余
90
%的数据定义为正常数据;正常数据有助于建立精准的安全性评估模型,权重默认为1;而异常数据则会干扰安全性评估建模过程,应赋予更小的权重,本发明默认为
0.01
;对训练集
D
T
中的每组数据进行加权后,返回新的加权数据集来构建最终的预测模型;
(5)
在测试集上进行验证;随着数据权重的更新,全部的加权训练集用来构建最终的预测模型,并用步骤
(4)
最终构建的预测模型在测试集上进行验证
。2.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法,其特征在于:步骤
(1)
中所述模型的输入参数包括,隧道设计参数:隧道覆盖厚度
x1,覆盖跨度比
x2;地质条件参数:土体内摩擦角
x3,土壤压缩模量
x4,土壤粘结力
x5;施工参数:掘进速度
x6,刀盘转矩
x7,盾构推力
x8,刀盘转速
x9,土仓压力
x
10
,灌浆体积
x
11
。3.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法,其特征在于:步骤
(2)
中抽取子数据集构建子模型具体方法是:每次从完整训练集
D
T
中随机抽取
90
%的数据构成子数据集此步骤重复
30
次得到
30
个子数据集其中每个子数据集都是
D
T
的子集,
S
=
30。4.
根据权利要求1所述的基于
AdaBoost
算法的复杂采掘工程高韧性安全评估方法,其特征在于:步骤
(3)
所述计算子模型误差和权重的方法是:
(3.1)
计算子模型误差;首先对每个子模型中的每组数据计算输出误差如下所示:其中,
p
代表子模型中数据量的大小,
p∈[1,360]
且
p
为整数,
y
p
代表第
p
组数据的真实输出;代表第
p
组数据在子模型
s
中的输出;如果第
p
组数据没有出现在子模型中,则
然后利用
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。