基于MF-BSMOTE-DBSCAN与BKA-SVM的煤与瓦斯突出预测模型研究  

作　　者：郑晓亮[1] 张玉婷 

机构地区：[1]安徽理工大学公共安全与应急管理学院,合肥231100 [2]安徽理工大学电气与信息工程学院,安徽淮南232001

出　　处：《安阳工学院学报》2025年第2期29-34,52,共7页Journal of Anyang Institute of Technology

基　　金：国家重点研发计划资助项目(2023YFB3211003);煤炭安全精准开采国家地方联合工程研究中心开放基金资助项目(EC2021003)。

摘　　要：为了提高煤与瓦斯突出预测的准确度,挖掘非事故数据中潜在的危险数据,提出了一种基于无监督(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的数据挖掘方法以及黑翅鸢算法(Black-winged Kite Algorithm,BKA)优化支持向量机(Support Vector Machine,SVM)的预测模型。首先,利用随机森林填补(Misfrest,MF)补全了22组事故数据,并通过过采样(Borderline SMOTE)扩充了199组事故数据;其次,运用DBSCAN挖掘出了潜在非事故数据中的26组危险数据;最后,构建了BKA-SVM煤与瓦斯突出预测模型,并与其他模型进行了对比。结果表明,将危险数据样本识别成事故数据样本的预测准确率均超过了80%,BKA-SVM模型预测准确率更高,且较算术优化算法(Arithmetic Optimization Algorithm,AOA)优化后SVM寻优速度更快。该研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。

关 键 词：煤与瓦斯突出预测 挖掘危险数据 DBSCAN 黑翅鸢算法 算术优化算法 支持向量机 

分 类 号：TD713[矿业工程—矿井通风与安全]