基于改进DBO优化CNN的煤与瓦斯突出风险预测

摘要

随着煤矿开采深度的逐步增加，深井围岩压力显著增大，瓦斯释放与积聚的风险也同步加剧，煤与瓦斯突出的发生概率随之升高。基于此，建立了一种基于深度学习的煤与瓦斯突出预测模型。首先，采用局部离群因子(LOF)和链式多重插补法(MICE)预处理所采集的数据，运用肯德尔等级相关系数筛选出高度相关的影响因素，并将其作为瓦斯突出的预测指标；然后，搭建卷积神经网络(CNN)模型框架，采用改进正弦算法动态调步长，引入高斯-柯西混合变异强化全局与局部搜索，结合Bernoulli混沌映射提升种群多样性并改进蜣螂搜索算法，得到MSADBO优化模型的超参数，基于MSADBO-CNN建立煤与瓦斯突出预测模型；最后，对比各模型的准确率等评价指标并通过混淆矩阵分析模型预测的安全性。结果表明：MSADBO-CNN模型在训练集上的准确率为98.7%,在验证集和测试集上的准确率为91.67%,实现了更高预测精度，展现出更强鲁棒性与泛化能力，并在安全关键场景中风险更低。

关键词

煤与瓦斯突出 / 数据预处理 / 预测指标 / 参数优选 / 卷积神经网络