基于粒子群优化支持向量机的瓦斯突出层研究

曾维顺，韩欣澎，刘金霖

(1.海南省地震局，海口 570203; 2.中国石油集团海洋工程有限公司，北京 100028;3.东北石油大学地球科学学院，黑龙江 大庆 163318)

引言

瓦斯突出是煤矿开采中一种十分复杂的动力灾害现象，具有很强的破坏性，给矿工生命财产和煤矿安全生产造成无法估量的经济损失[1-2]。因此，依据矿井自身地质条件，明确瓦斯易发生突出煤层的特征及分布范围，制定针对性的防范措施，对矿井安全生产具有重要的理论和现实意义。前人通过大量的突出点调查统计表明，构造煤的发育程度及其空间分布对矿区煤与瓦斯突出的发生有着重要的影响[3]。长期以来，学者尝试利用测井资料对煤岩结构进行评价，取得了重要的研究进展[4-9]。陈晶等[10]通过对测井曲线的定量分析，认为柿庄地区煤体结构指数e大于1.8为构造煤。姚军朋等[11]应用测井曲线特征区分原生结构煤和构造煤，提出利用孔隙结构指数可以作为构造煤定量判别指标。这些方法的识别精度不高而且速度较慢。支持向量机模型具有较强的非线性建模能力，能够在有限的样品信息，通过函数逼近寻求最佳折中，具有泛化能力。粒子群优化算法具有建模简单、容易实现和收敛迅速等特点，可以用于选择支持向量回归算法的参数[12-13]。在测井资料的基础上，利用支持向量机方法判易发生瓦斯突出煤层，与取心样品进行对比，评价模型的识别能力，可以有效提高测井识别精度，为快速识别瓦斯突出煤层提高良好的参考。

1 构造煤测井曲线特征

构造煤的煤体结构遭受破坏，岩石物理化学性质发生改变，这些改变在地球物理特征中表现出了与原生结构煤的差异性。通过钻井取心和煤岩的地球物理特征对比分析，利用煤岩结构在测井响应上的差异建立判别模型，应用判别模型可以预测瓦斯突出煤层位置。

(1)伽马测井特征。构造煤中孔隙和裂隙较为发育，受煤岩中夹矸和富含放射性元素的地层水影响，使得构造煤的伽马值高于原生结构煤。

(2) 声波测井特征。构造煤比原生结构煤胶结疏松，孔隙更为发育，声波在构造煤中的传播速度一般高于原生结构煤。

(3)密度测井特征。构造煤由于裂隙中地层水的侵入，杂质含量明显增多，煤岩纯度下降，密度曲线值明显升高。

2 模型建立

2.1 支持向量机方法原理

用SVR算法估计回归函数时，其基本思想是通过一个非线性映射φ，把输入空间的数据χ{(xi,yi)} 映射到一个高维特征空间中去，然后在这一高维空间做线性回归[12]。

(1)

(2)

式中w为权重向量；b为阈值；φ(xi)为非线性函数；ε为不敏感损失函数宽度；C为惩罚系数，为常数，表示对超出ε样本的惩罚程度。

(3)

SVR常用核函数有多项式函数、RBF函数、Sigmoid函数等。其中径向基函数具有较强的泛化能力，在瓦斯突出煤层预测中，选区RBF为核函数，表达式为：

(4)

2.2 粒子群算法

粒子群优化算法是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。更新粒子最佳位置的计算公式如下：

(5)

(6)

3 应用实例分析

以鹤岗煤田益新矿和鸟山矿煤层为研究对象。将研究区内已取心井段构造煤的GR、AC和DEN作为输入，选取120个学习样本组成训练集进行支持向量机SVM，其中部分学习样本如表1所示。然后将选定的测试样本组成测试集进行训练，最后将测试结果与实际取心结构进行对比。

表1 部分学习样本

如图1显示支持向量机识别结果和实际取心结果具有较高的符合度。与此同时，在鹤岗煤田选择了10口钻孔进行构造煤识别。结合这些井的开采情况，发现正确率在90%左右，可见量子的支持向量机POS-SVM模型具有较高的识别能力。

图1 鹤煤1井瓦斯突出煤层判别关系Figure 1 Relationship between gas outburst and coal seam discrimination in Hegang coalmine No.1

钻孔号测试样品计算结果准确率58-108191789.562-25141392.972-4111090.962-315151493.381-8151386.787-32-3121083.380-5201890.083-17-7211990.590-94-6191894.781-6-3171588.2

图2 鹤煤3井瓦斯突出煤层判别关系Figure 2 Relationship between gas outburst and coal seam discrimination in Hegang coalmine No.3

4 结论

通过鹤岗煤田原生煤和构造煤在取心和测井曲线上的差异，建立构造煤的识别模板。提出应用粒子群优化的支持向量回归预测瓦斯突出煤层，将GR、AC和DEN 3条测井曲线值作为输入，对鹤岗煤田120个样本组成测试集进行SVM训练，然后将选定的测试样本组成测试集进行训练，将测试结果与实际取心结构进行对比，正确率达到90%左右。粒子群优化支持向量机为识别瓦斯突出煤层提供一种新的手段，识别效果显著，与常规测井曲线解释方法相比，该方法具有识别速度快，识别精度高，而且简单易操作的优势。另一方面，通过预测可以对未开采区域的易发生突出煤层采取积极有效应对措施，为事故灾害防治提供了理论依据并指明了方向，对安全生产具有指导性意义。