基于PCA-HPO-ELM的智能化矿井瓦斯涌出量预测研究

摘要

随着煤矿开采智能化的发展，煤矿安全事故发生率逐年下降，而准确预测矿井瓦斯涌出量是保障安全生产与提升效率的关键环节之一。为满足现代煤矿智能化管理需求，改善传统预测方法在处理高维数据时存在的计算复杂、精度不足等问题，提出了主成分分析-猎人猎物优化-极限学习机（PCA-HPO-ELM）智能化矿井瓦斯涌出量预测模型。首先，选取煤层厚度、开采深度等13种关键影响因素，利用主成分分析（PCA）将数据从13维降至4维，既降低维度又保留主要信息，为模型训练奠定基础；其次，引入猎人猎物优化（HPO）算法解决传统极限学习机（ELM）模型输入权值和隐含层阈值选择的随机性问题，实现瓦斯涌出量的精准预测；最后，利用相同数据集对比了PCA-HPO-ELM、PCA-PSO-ELM和PCA-ELM模型的预测结果。结果表明：PCA-HPO-ELM模型迭代速度优于PCA-PSO-ELM模型，预测矿井瓦斯涌出量的决定系数R²达0.993 76,高于后两者（分别为0.988 5和0.894 3）,表现出优越性，该模型为智能化矿井瓦斯涌出量的预测精度和效率的提升具有借鉴作用。

关键词

智能化矿井 / 瓦斯涌出量 / 预测模型 / 主成分分析 / 决定系数

基金资助

贵州省科技重大专项课题[黔科合重大专项字(2021)3001-03]; 深部岩土力学与地下工程国家重点实验室(北京)开放基金(SKLGDUEK1822); 中国科协科技智库青年人才计划(20220615ZZ07110397); 中央高校基本科研业务费(3142021007,3142019009); 国家自然科学基金(51804160)