基于时序分解和机器学习的回采工作面绝对瓦斯涌出量预测研究  

作　　者：杜霄 李振兴 刘时豪 王松 袁方 魏宗勇 

机构地区：[1]玉华煤矿,陕西铜川市727015 [2]西安科技大学安全科学与工程学院,陕西西安710054

出　　处：《采矿技术》2023年第3期76-82,共7页Mining Technology

基　　金：国家自然科学基金项目(51704228)。

摘　　要：为提高瓦斯涌出量预测精度,提出一种基于集成经验模态分解(EEMD)、遗传算法(GA)优化支持向量回归机(SVR)的瓦斯涌出量时序预测模型。该模型利用EEMD对监测数据进行分解得到不同特征尺度的IMFs分量以及残差余量;利用GA-SVR模型对各分解分量、残差余量数据分别预测;最后等权叠加各预测数据得到绝对瓦斯涌出量预测结果。以陕西铜川玉华煤矿1417工作面绝对瓦斯涌出量监测数据为例,分别运用EEMD-GA-SVR、GA-SVR和SVR模型预测绝对瓦斯涌出量,并进行量化对比分析。结果表明:经EEMD分解后,所分解数据可以有效提升数据平稳性;EEMD-GA-SVR模型的预测绝对误差在0~0.33范围内,平均绝对误差为0.13,模型拟合度较高;所构建模型MAE值为0.1337、MAPE值为0.80%、RMSE值为0.1654、R2值为0.9879,优于对比模型,能够用于绝对瓦斯涌出量时间序列预测。

关 键 词：绝对瓦斯涌出量 机器学习 集成经验模态分解 时序预测 

分 类 号：TD712.5[矿业工程—矿井通风与安全] TP181[自动化与计算机技术—控制理论与控制工程]