煤炭学报

作者：董东林, 陈昱吟, 倪林根, 李源, 覃华清, 韦仙宇,

关键词：鲸鱼优化算法(WOA), 极限学习机(ELM), 矿井突水, 水源判别, 气幕袭击,

我国是世界上煤炭生产量和消耗量最大的国家，但由于水文地质条件复杂，在煤矿生产过程中煤层顶底板突水事故频发，常常造成严重的经济损失和人员伤亡，快速精准地判别水害来源是矿井突水水害防治的关键步骤。基于河北开滦赵各庄矿的67个水样实测数据，将Na+，Ca2+，Mg2+，Cl-，SO2-4，HCO-3六种离子的物质的量浓度作为输入项，突水水源类型为其输出项，应用鲸鱼优化算法(WOA)改进极限学习机(ELM)形成WOA-ELM判别模型实现突水水源判别。研究结果表明:以往的单一极限学习机具有稳定性差的缺点，采用鲸鱼算法对其权值和阈值进行迭代寻优，通过环形包围、气幕袭击、随机搜索3种方式的鲸鱼优化算法对最优参数进行搜索，收敛速度快、全局搜索能力强。根据座头鲸捕食行为建立的数学模型，由于猎物(突水)位置不确定，WOA算法首先假设当前的最佳候选解是目标猎物位置或最靠近猎物的位置，然后通过随机产生向量A和概率p来决定鲸鱼更新位置的方式。当|A|＞1时随机搜索猎物;当|A|＜1时，以0.5为分界点，p＜0.5选择环形包围模式，p＞0.5则通过螺旋运动来更新位置。依据最低适应度值得到最优个体的位置，最终将输出的42个最优权值和阈值赋给ELM模型，对待测样本进行判别。通过对比，WOA-ELM判别模型在矿井突水水源识别中的准确率高达95%以上，与单一ELM模型相比，准确率提升了15%左右。与支持向量机模型、粒子群优化的极限学习机(PSO-ELM)模型以及灰狼优化算法改进的极限学习机(GWO-ELM)模型等相比，该模型具有更快的收敛速度与更高的精度，稳定性和泛化能力也均得到提升。

来源：2021年第3期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2021年第3期