一种小断层走向延展长度的检测方法

摘要

本发明属于矿井断层参数要素检测技术领域，涉及一种小断层走向延展长度预测方法；先对断层要素进行统计和分析，然后利用灰色关联分析法，确定小断层走向延展长度与其他断层要素的关联度，后对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集并选定训练集和测试集，再利用训练集和遗传算法对SVM模型进行优化，建立SVM模型，最后利用测试集对SVM模型进行检验；其总体设计原理可靠，计算方法成熟，建模技术安全，预测数据准确，检测环境友好。

主权项

一种小断层走向延展长度的检测方法，其特征在于包括以下工艺步骤：(1)统计断层要素数据：以煤层采掘工程平面图为底图，对煤层小断层的走向延展长度、走向、倾向、倾角和落差5个断层要素进行统计和分析；(2)确定小断层延展长度的相关因子：利用灰色关联分析法确定小断层走向延展长度与断层走向、倾向、倾角和落差4个要素的关联度，选取关联度大于0.5的要素作为小断层走向延展长度的相关因子，所述灰色关联分析法步骤如下：①构建原始数据矩阵，设小断层走向延展长度统计数据构成母序列断层走向、倾向、倾角和落差4个要素构成子序列(i＝1,2,…,m,t＝1,2,…,n)，其中i为m个子因素的标号，t为n个统计单元号，原始数据矩阵为：$X_i^{\left(0\right)}=\left[\begin{array}{cccc}{x}_1^{\left(0\right)}\left(0\right)& x_1^{\left(0\right)}\left(1\right)& ...& x_1^{\left(0\right)}\left(m\right)\\ x_2^{\left(0\right)}\left(0\right)& x_2^{\left(0\right)}\left(1\right)& ...& x_2^{\left(0\right)}\left(m\right)\\ .& .& & .\\ .& .& ...& .\\ .& .& & .\\ x_n^{\left(0\right)}\left(0\right)& x_n^{\left(0\right)}\left(1\right)& ...& x_n^{\left(0\right)}\left(m\right)\end{array}\right]$其中：i＝0,1,2,…,m，是主因素(i＝0)及m个子因素的标号，t＝1,2,…,n，为统计单元号，是对第i个因素在第t个统计单元内得到的观测值；②对原始数据矩阵进行无量纲化处理，采用公式如下：$x_t^{\left(1\right)}\left(i\right)=x_t^{\left(0\right)}\left(i\right)/\left[\frac{1}{n}\underset{t=1}{\overset{n}{\Sigma }}{x}_t^{\left(0\right)}\left(i\right)\right]$③计算子序列与母序列之间的关联度为：$r_{i,0}=\frac{1}{n}\underset{t=1}{\overset{n}{\Sigma }}\frac{{\Delta }_{\min }+{\mathrm{\xi \Delta }}_{\max }}{{\Delta }_{i,0}\left(i\right)+{\mathrm{\xi \Delta }}_{\max }}$其中：${\Delta }_{i,0}\left(i\right)=|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)|,$${\Delta }_{\max }=\underset{i}{\max }\left\{\underset{t}{\max }\right|x_t^{\left(1\right)}\left(i\right)-x_t^{\left(1\right)}\left(0\right)\left|\right\},$i＝1,2,…,m；t＝1,2,…,n，ξ为分辨系数，分辨系数取值范围0.1～0.5，通常取0.5；(3)归一化与选定训练集：对小断层走向延展长度的相关因子数据进行归一化预处理，生成数据集，并选定训练集和测试集；(4)SVM参数优化：输入训练集样本，利用遗传算法对SVM模型的惩罚参数C和核函数参数g进行优化，其中g＝1/2σ²，σ为RBF核函数的核参数，其优化步骤如下：①设置初始值：设定遗传算法的种群最大数量、最大遗传代数T、交叉概率、变异概率和优化参数的变化范围；②随机产生一组支持向量机参数，采用二进制编码对每个支持向量机参数进行编码，构造初始种群，其染色体为各参数二进制顺序排列组成，长度为各参数二进制长度之和，设置遗传迭代计数器t＝0；③计算种群中每个个体的适应度：将训练样本的预测平均相对误差函数作为目标函数，确定其适应度，平均相对误差越大，适应度越小；④根据个体适应度，按照轮盘赌法从当前种群中选出个体进入下一代；⑤从步骤④选出的个体中随机选择两个个体作为父体，以设定的交叉概率进行交叉操作，产生两个新个体；⑥从步骤⑤产生的新个体中随机选择个体以设定的变异概率进行变异操作，通过随机改变个体中的基因产生新一代个体；⑦终止条件判断：若t≤T，重复步骤②，并使t＝t+1；若t>T或平均适应度值变化持续小于常数10^‑4而t超过最大遗传代数T的一半，则所得到的具有最大适应度的个体作为最优值输出，算法终止；⑧对得到的最优值解译码，得到优化参数；(5)SVM建模：输入训练集样本，利用步骤(4)得到的优化参数，进行SVM建模；(6)模型检验：利用测试集对步骤(5)建立的SVM模型进行检验，若测试结果相对误差＜15％，模型能够应用，否则返回步骤(2)重新建模。