10.3969/j.issn.2095-2783.2021.09.001
煤矿突水水源判别的PCA-PSO-ELM模型
在矿井水害防治工作中,对突水水源类型的快速和准确识别尤为重要.选取焦作矿区中36组不同含水层的水样数据,将Ca2+、Mg2+、K++Na+、HCO3-、Cl-和SO4-2这6种因子作为评价指标,使用主成分分析(principal component analysis,PCA)算法进行降维,消除叠加信息对预测结果的影响,利用粒子群优化(particle swarm optimization,PSO)算法优化极限学习机(extreme learning machine,ELM)神经网络的初始权值和阈值,克服ELM神经网络输入层权重和隐含层偏置具有随机性且隐含层很难确定的缺点,最终建立基于主成分分析-粒子群优化算法-极限学习机(PCA-PAO-ELM)的突水水源判别模型.对比ELM、BP神经网络模型可以看到,经过PCA降维和PSO改进参数的ELM神经网络模型解决了传统模型易陷入局部极小值点和学习过程收敛速度慢的问题,减小了水源识别的误差,提高了模型的泛化性,使预测结果更加可靠,为快速识别突水水源提供了新的思路.
矿井突水;粒子群优化算法;ELM神经网络;PCA-PSO-ELM神经网络;水源判别
16
TD322(矿山压力与支护)
山东省自然科学基金资助项目ZR2020KE023
2021-09-14（万方平台首次上网日期，不代表论文的发表时间）
共6页
919-924
