文献类型：期刊文章

作　　者：吴旋[1,2,3] 来兴平[1,2,3] 郭俊兵[4] 崔峰[1,2,3] 王泽阳[1,2,3] 许慧聪[1,2,3]

WU Xuan;LAI Xing-ping;GUO Jun-bing;CUI Feng;WANG Ze-yang;XU Hui-cong(College of Energy Science and Engineering,Xi’an University of Science and Technology,Xi’an 710054,China;Key Laboratory of Western Mine Exploitation and Hazard Prevention,Ministry of Education,Xi’an University of Science and Technology,Xi’an 710054,China;Yulin Research Institute of Green,safe and efficient Mining and Clean Utilization of Coal,Xi’an University of Science and Technology,Yu’lin 719000,China;Malan Coal Mine,Xishan Coal and Electric Power Co.,Ltd.,Taiyuan 030205,China)

机构地区：[1]西安科技大学能源学院,陕西西安710054 [2]西安科技大学西部矿井开采及灾害防治教育部重点实验室,陕西西安710054 [3]西安科技大学榆林煤炭绿色安全高效开采与清洁利用研究院,陕西榆林719000 [4]西山煤电股份有限公司马兰矿,山西太原030205

出　　处：《西安科技大学学报》

基　　金：国家自然科学基金(51874231,51504184);国家重点基础研究计划(973计划)(2015CB251602)

年　　份：2020

卷　　号：40

期　　号：1

起止页码：64-70

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM)3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1.81%,GS-SVM为8.36%,GA-SVM为3.78%.PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。

关 键 词：支持向量机 区段煤柱宽度  粒子群优化算法 预测  

分 类 号：TD313]