技术领域
[0001] 本发明涉及特定功能的数据处理技术领域，具体涉及一种适用于矿井顶板富水性等级的判别方法。
相关背景技术
[0002] 煤炭资源作为我国主体能源的地位在短期内不会改变，突水是严重的矿井灾害之一，严重威胁矿井安全生产，而含水层富水性直接决定突水的发生和发生次数，且受煤层采动影响，含水层富水性动态变化，抽水试验无法进行时空全局刻画，因此利用多因素融合快速准确预测含水层富水性是必要的。
[0003] 传统含水层富水性评价通过抽水试验获得单位涌水量对富水性进行分级，多因素融合评价方法主要使用层次分析法、熵权法、TOPSIS等数学模型，构建权重矩阵并绘制富水性分区。随着人工智能发展，机器学习和神经网络被应用到富水性预测，针对煤层顶板富水性特点，众多学者从不同角度提出了多种预测评价方法。主要存在以下问题：（1）传统抽水试验方法，现场试验费用较高，易受经验影响，数据获取困难，且抽水孔数量少无法对富水性进行时空全局刻画。（2）层次分析法、熵权法、TOPSIS等数学分析方法，其主观性强、指标之间的相关性弱、对权重矩阵依赖性强等缺点导致模型预测准确率较低。（3）其他机器学习和神经网络，所需样本数量多，预测准确性不足，尚不能满足对富水性快速准确预测的需要。由此可见，现有技术还有待于进一步改进。
具体实施方式
[0047] 本发明提出了一种矿井顶板富水性等级的判别方法，为了使本发明的优点、技术方案更加清楚、明确，下面结合具体实施例对本发明做进一步说明。
[0048] 本发明的主要技术构思在于：根据富水性影响因素确定评价指标，将评价指标数据分成训练集和测试集，并对其样本数据进行归一化预处理，构建富水性预测模型，利用MATLAB程序训练模型并测试模型的准确性，当模型准确性达到要求后保存模型，输入待测顶板富水性评价指标数据，输出预测结果并划分富水性等级。
[0049] 实施例1：如图1所示，本发明一种矿井顶板富水性等级的判别方法，包括以下步骤。
[0050] 步骤一、采集影响顶板富水性的多个主控因素数据，包括含水层厚度（X1）、影响半径（X2）、水位降深（X3）、渗透系数（X4）、钻孔取芯率（X5）、粘土厚占下组厚比例（X6）。
[0051] 上述富水性评价指标样本数据如表1所示。
[0052] 表1样本数据。
[0053]
[0054] 步骤二、将所有数据的80%作为训练集，20%作为测试集进行测试，并打乱顺序。
[0055] 步骤三、将所有数据进行归一化处理。
[0056] 上述步骤三MATLAB程序语言为。
[0057] [p_train, ps_input] = mapminmax(P_train, 0, 1)。
[0058] p_test = mapminmax('apply', P_test, ps_input)。
[0059] [t_train, ps_output] = mapminmax(T_train, 0, 1)。
[0060] t_test = mapminmax('apply', T_test, ps_output)。
[0061] 步骤四、为了使数据满足模型要求，对数据进行平铺转置处理。
[0062] 上述步骤四MATLAB程序语言为。
[0063] p_train = double(reshape(p_train, f_, 1, 1, M))。
[0064] p_test = double(reshape(p_test, f_, 1, 1, N))。
[0065] t_train = double(t_train)'。
[0066] t_test = double(t_test )'。
[0067] 步骤五、构建WOA‑CNN‑SVM预测模型，其中WOA‑CNN‑SVM预测模型计算方法如下。
[0068] 第一步、采用鲸鱼优化算法（WOA）对卷积神经网络学习率η，批大小b，正则化参数α进行优化，将上述3个参数映射成鲸鱼个体的空间向量位置，第n头鲸鱼的位置为Xn=(η,b,α)。根据其狩猎特点，抽象出包围猎物、捕食猎物和随机搜索3种行为。
[0069] 包围猎物。此行为由以下等式表示。
[0070] （1）。
[0071] 式中： 是搜索代理与猎物的距离； 和 是系数向量； 是全局最优解的位置向量，在每次迭代中更新； 是位置向量；表示当前迭代次数。
[0072] 系数向量 和 的计算式如下。
[0073] （2）。
[0074] 式中：是收敛因子，在迭代过程中从2线性减小到0；、 是分布在[0，1]之间的随机向量。
[0075] 捕食猎物公式为。
[0076] （3）。
[0077] 式（3）中：其中 表示获得的最佳距离；是定义对数螺旋形状的常数；是[‑1，1]中的随机数； 表示[0,1]之间的随机数，且0、1概率相同；为无理数底数。
[0078] 随机搜索。当系数 时，该鲸鱼在包围圈内，选择螺旋包围猎物。当 时，该鲸鱼在收缩包围圈之外，此时进行随机搜索；随机搜索更新公式如下。
[0079] （4）。
[0080] 式（4）中： 为随机选择的鲸鱼位置。
[0081] 第二步、获取最佳参数，输入卷积神经网络（CNN）模型。
[0082] 卷积过程提取特征如式（5）所示。
[0083] （5）。
[0084] 式（5）中： 表示输出； 表示权重矩阵；为卷积运算； 表示输入矩阵；为偏置项； 为非线性激活函数。
[0085] 使用RELU作为激活函数，数学表达式为。
[0086] （6）。
[0087] 式（6）中：为自变量； 输出区间为[0,+∞)。
[0088] 第三步、将全连接层的输出数据作为SVM的输入以此来构建预测模型。
[0089] 步骤六、用训练集数据进行训练数据，测试集数据用来测试模型的准确性。训练集和测试集预测结果如图2、图3所示。当模型准确性达到要求后保存模型。
[0090] 步骤七、将待测顶板富水性评价指标输入到模型中，反归一化后可以得到最终的预测结果。
[0091] 上述待测样本数据结果如表2所示。
[0092] 表2待测样本数据结果。
[0093]
[0094] 步骤八、将上述结果利用ArcGis进行可视化展示。利用自然断点法对矿区富水性进行划分。富水性等级分区图如图4所示，本实施例给出的示例是按照自然断点法进行等级分区。
[0095] 实施例2：与实施例1不同之处在于，步骤八中还可以参考《煤炭防治水细则》的划分标准对矿区富水性进行划分。
[0096] 需要特别说明的是，本发明所列举的多个评价指标不仅仅局限于含水层厚度、影响半径、水位降深、渗透系数、钻孔取芯率以及粘土厚占下组厚比例，本领域技术人员在本发明的技术启示下，还可以得到其它多个评价指标。
[0097] 以上所述仅为本发明的较佳实施案例而已，在本说明书的教导下本领域技术人员所做出的任何等同方式，或明显变型方式均应在本发明的保护范围内。
