基于SVM的矿井瓦斯预警系统因素研究

杨宏海

（霍州煤电集团木瓜煤矿，山西 吕梁 033000）

随着采矿水平的发展以及露天煤矿储量的减少，大型井工矿井逐年增多，采掘机械化水平也逐年提高。我国煤炭资源储量丰富，但整体瓦斯含量较高，随着产量的增大，瓦斯涌出问题日益凸显，对井工矿井安全生产造成威胁。建立先进的瓦斯预警系统，对瓦斯涌出量进行预测，是十分必要的[1-3]。

1 煤矿瓦斯特性

瓦斯一般指以CH4为主要含量的煤矿有害气体，无色无味，主要由原煤、生物化学物质、围岩产生。其具有可燃性，在含量超限时遇火花易发生瓦斯爆炸事故，对井下人员安全造成极大的威胁[4-5]。

2 支持向量机（SVM）简介

SVM为一种基于统计学回归性分析的模型，在样本规模不大的情况下，可将低维的函数映射到高维的数据空间，对样本数据进行分析。

支持向量机函数为：

式中：

φ(x)-目的高维空间函数；

b-模型偏移量；

ω-权值向量。

通过对样本数据的训练，寻找权值向量ω和b。最终将最小化结构定义为：

式中：

C-惩罚函数，C＞0。

优点：

（1）运用最优化原则函数结构，算法简单，计算能力好。

（2）对样本数据量要求低，通过二次寻优算法，避免维数造成影响。

SVM的广泛适用性可以运用到煤矿的瓦斯预测，对瓦斯预警系统提供依据。

3 SVM瓦斯涌出预测分析

基于SVM瓦斯预测模型建立分为样本训练与预测两部分。训练学习就是确定瓦斯涌出的函数，即先将影响瓦斯含量的因素作为模型的输入端，瓦斯实际数据作为模型的输出端，通过训练确定回归性函数。

建立模型的关键是主要函数的选择，目前运行效果较好的函数有以下四种。

多项式函数：K（x,x*）=（x,x*+1）

高斯函数：

傅里叶函数：

神经网络函数：

表1 不同核函数的训练比较

从训练比较表可得高斯函数所需要的向量数最少，训练时间也相对较短，精度较高。本次选择高斯函数作为矿井瓦斯预测的中心函数。

大量收集本矿瓦斯数据与相关因素作为模型训练的样本，见表2。

将瓦斯涌出因素进行SVM训练，训练流程见图1，输出回归性模型：

式中：

y-绝对瓦斯涌出量，m3/min；

x1-埋深，m；

x2-煤厚，m；

x3-煤层瓦斯含量，m3/t；

x4-煤层间距，m；

x5-日进度，m；

x6-日产量，t。

可见对模型影响较大的因子为煤层瓦斯含量。

表2 瓦斯涌出量相关因素统计

图1 SVM流程图

对实际数值进行仿真，设置迭代次数500次，试验结果见下图。可直观看到SVM预测与实际值拟合度较高。

4 工作面预警系统应用

在W23012巷开掘前共布置4个测点，状态预警结果为“危险”34次，其余为正常；趋势预警结果为“红色”30次，“橙色”12次，其余为“绿色”。经考察上述区域效检专项预警结果全部正确。

图2 瓦斯涌出预测实测与SVM值

表3 W23012巷区域效验专项预警指标

5 结论

通过使用SVM法对矿井瓦斯涌出进行预测，建立适用本矿井的SVM模型，实验结果表明，仅需少量样本即可准确预测矿井瓦斯，对于矿井预警系统建立提供基础依据，并为实现现代化矿井添砖加瓦。