论文部分内容阅读
本文针对目前国内对回采巷道围岩稳定性预测的研究现状，采用数值分析、工程验证、数值模拟等多种研究方法，提出并建立了基于支持向量机（SVM）的回采巷道围岩稳定性预测模型，研究了朴素贝叶斯分类器与 BP神经网络对回采巷道围岩稳定性进行预测的适用性，利用粒子群优化算法（PSO）优化了SVM并建立了预测模型，对PSO-SVM预测模型进行了工程应用并设计开发了回采巷道围岩稳定性的预测软件。论文对煤层开采中回采巷道布置和支护形式的确定具有理论指导意义，可供国内外其他矿井借鉴。论文主要研究内容及创新性结论如下： （1）以粗糙集理论为基础，由22组数据验证了回采巷道围岩稳定性七个评价指标的必要性。 （2）建立了回采巷道围岩稳定性的SVM预测模型，验证了七个评价指标对回采巷道围岩稳定性预测的可靠性。 （3）分别采用 SVM、朴素贝叶斯分类器和 BP神经网络，对影响回采巷道围岩稳定性的七个评价指标进行了训练，并对8组待测样本进行了基于三种算法的训练和预测，其中SVM的预测准确率明显高于朴素贝叶斯分类器与BP神经网络。 （4）从详细精度、混淆矩阵和节点错误率三个方面，对16组样本进行了数据处理并通过对比分析从而确定了三种算法对回采巷道围岩稳定性预测的适用性：SVM在详细精度以及混淆矩阵方面优于朴素贝叶斯分类器，而朴素贝叶斯分类器在节点错误率的控制和建模耗时方面优于SVM。 （5）利用PSO优化了SVM，建立了PSO-SVM预测模型，回采巷道围岩稳定性的预测准确率为（8/8）100%。 （6）利用PSO-SVM对哈拉沟煤矿12201工作面回采巷道的围岩稳定性进行了预测。 （7）设计开发了回采巷道围岩稳定性的预测软件。