基于PCA-BP的弱胶结砂岩含水层富水性预测方法技术

本发明专利技术公开了基于PCA

【技术实现步骤摘要】
基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法


[0001]本专利技术属于矿区弱胶结砂岩含水层富水性预测方法领域，尤其涉及基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法。

技术介绍

[0002]我国西部矿区的侏罗纪煤田，由于特殊的成岩和沉积环境，致使该区域的煤层顶板地层主要以侏罗系、白垩系的弱胶结砂岩构成。这些弱胶结地层砂岩具有成岩时间较晚，强度差，易风化，胶结程度差的特点。这些矿区在煤炭开采过程中，出现煤层顶板强度低于煤层强度的情况，弱胶结地层砂岩成分含有黏土矿物高岭石、绿泥石、伊利石等，这些黏土矿物遇水易化膨胀崩解，在水动力作用下表现出流沙特征，造成矿井突水溃砂，给矿井的安全生产带来很大的隐患。弱胶结地层在煤炭开采过程中引发的突水事故，不仅提高了矿井的生产成本，更造成人员伤亡。因此对弱胶结砂岩含水层富水性进行预测，对煤矿安全生产具有重要的指导意义。
[0003]在传统研究中，弱胶结砂岩含水层富水性评价通常建立在大量物探、钻探、水文地质试验(抽水试验、放水试验等)基础之上。然而，在实际生产中，抽水钻孔数量一般较少，且控制范围有限，无法满足对含水层富水性分布规律的详细控制；物探方法如瞬变电磁法、直流电法等存在工作量大、费用高等问题。因此，借助现有地质勘查钻孔资料，充分利用数据综合分析方法，提取煤层顶板岩性特征及分布规律等信息，预测含水层富水性，是一种简便有效的方法。其中，基于BP神经网络对单位涌水量(q)进行预测便是其中之一，其减轻了评价结果对水文孔的依赖程度。但常规的BP神经网络预测模型没有消除影响因素之间的相关性以及影响因素和导水裂隙带之间的关联程度，其训练效率及预测精度较低。
[0004]因此，专利技术新的富水性预测方法，剔除与单位涌水量(q)关联度低、重复信息的干扰影响，选择能表达单位涌水量且冗沉较少的影响因子输入，来优化BP神经网络初始输入设置，提高效率及预测精度十分必要。

技术实现思路

[0005]本专利技术的目的就在于提供基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，基于主成分分析与神经网络的弱胶结砂岩含水层富水性预测方法以消除影响因素之间的相关性，优化BP神经网络，将确定的主成分因素作为BP神经网络的输入层神经元，建立PCA
‑
BP网络模型，从而实现对于弱胶结砂岩含水层富水性稳定、准确的预测。
[0006]为实现上述目的，本专利技术提供了基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，包括以下步骤：
[0007]获取原始数据，所述原始数据包括预测值及所述预测值的影响因素；
[0008]获取所述预测值与所述影响因素的关联度；
[0009]基于所述关联度，对所述影响因素进行降维处理提取主成分，获取新的主成分；
[0010]构建PCA
‑
BP神经网络模型；
[0011]利用样本数据对所述PCA
‑
BP神经网络模型进行训练和测试，获取目标预测模型；
[0012]将弱胶结含水层预测数据输入所述预测模型，获取含水层富水性分区图，实现基于PCA
‑
BP神经网络模型的弱胶结砂岩含水层富水性预测。
[0013]可选的，获取所述原始数据包括:
[0014]根据矿区内分布的各岩性及水文钻孔，确定各弱胶结砂岩含水层岩性及水文地质参数；
[0015]基于所述各弱胶结砂岩含水层岩性及水文地质参数，选取含水层单位涌水量作为所述预测值，选取与弱胶结含水层富水性相关的参数变量作为所述预测值的影响因素。
[0016]可选的，所述预测值的影响因素包括砂泥比、砂泥互层数、砂岩等效厚度、含水层埋深、岩芯采取率、砂岩平均单层厚度和砂岩层数。
[0017]可选的，获取所述预测值与所述影响因素的关联度包括：
[0018]利用灰色关联度分析法对所述原始数据进行预处理，将所述预测值作为参考序列，将所述影响因素作为比较序列；
[0019]采用初值法对所述参考序列和所述比较序列进行无量纲化处理，获取无量纲化处理后的数据；
[0020]对所述无量纲化处理后的数据进行关联系数计算，获取所述预测值与所述影响因素的关联度。
[0021]可选的，基于所述关联度，对所述影响因素进行降维处理提取所述主成分，获取所述新的主成分包括：
[0022]基于所述关联度，获取符合要求的影响因素；
[0023]将所述符合要求的影响因素生成变量矩阵，所述影响因素对应的单位涌水量构成单位涌水量矩阵；
[0024]将所述变量矩阵标准化处理后进行相关性分析，确定所述影响因素的相关关系；
[0025]基于所述影响因素的相关关系，利用主成分分析法对所述变量矩阵进行降维处理，生成主成分特征矩阵，计算累计贡献率；
[0026]基于所述累计贡献率，获取满足信息抽取精度设置要求的累计贡献率，并提取所述累计贡献率大于预定值的主成分，获取主成分表达模型；
[0027]F
i
＝a
1i
X1+a
2i
X2+
…
+a
pi
X
p
，i＝1，2，
…
，p
[0028]其中，F
i
为第i个新的主成分，p代表影响因素个数，X
p
为标准化处理后变量矩阵，a
pi
为X
p
协方差矩阵特征值对应的特征向量；
[0029]基于所述主成分表达模型，获取所述新的主成分。
[0030]可选的，所述满足信息抽取精度设置要求为：
[0031]a.cov(F
i
，F
j
)＝0，i≠j，i，j∈[1，p]；
[0032]b.var(F1)＞var(F2)＞
…
＞var(F
p
)；
[0033]c.
[0034]其中，F
j
为第j个新的主成分，F1，F2，
…
F
p
为新的主成分。
[0035]可选的，构建所述PCA
‑
BP神经网络模型包括：
[0036]将所述新的主成分与所述新的主成分对应的预测值作为所述样本数据；
[0037]将所述新的主成分作为BP神经网络模型的输入参数，所述新的主成分对应的预测
值作为输出参数，构建所述PCA
‑
BP神经网络模型；
[0038]所述BP神经网络模型包括输入及输出神经元数、隐含层层数和隐含层神经元数的。
[0039]可选的，利用所述样本数据对所述PCA
‑
BP神经网络模型进行训练和测试，获取所述目标预测模型包括：
[0040]将所述样本数据划分为训练集和测试集；
[0041]将所述新的主成分构成新的主成分矩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，其特征在于，包括以下步骤：获取原始数据，所述原始数据包括预测值及所述预测值的影响因素；获取所述预测值与所述影响因素的关联度；基于所述关联度，对所述影响因素进行降维处理提取主成分，获取新的主成分；构建PCA
‑
BP神经网络模型；利用样本数据对所述PCA
‑
BP神经网络模型进行训练和测试，获取目标预测模型；将弱胶结含水层预测数据输入所述预测模型，获取含水层富水性分区图，实现基于PCA
‑
BP神经网络模型的弱胶结砂岩含水层富水性预测。2.如权利要求1所述的基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，其特征在于，获取所述原始数据包括:根据矿区内分布的各岩性及水文钻孔，确定各弱胶结砂岩含水层岩性及水文地质参数；基于所述各弱胶结砂岩含水层岩性及水文地质参数，选取含水层单位涌水量作为所述预测值，选取与弱胶结含水层富水性相关的参数变量作为所述预测值的影响因素。3.如权利要求2所述的基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，其特征在于，所述预测值的影响因素包括砂泥比、砂泥互层数、砂岩等效厚度、含水层埋深、岩芯采取率、砂岩平均单层厚度和砂岩层数。4.如权利要求1所述的基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，其特征在于，获取所述预测值与所述影响因素的关联度包括：利用灰色关联度分析法对所述原始数据进行预处理，将所述预测值作为参考序列，将所述影响因素作为比较序列；采用初值法对所述参考序列和所述比较序列进行无量纲化处理，获取无量纲化处理后的数据；对所述无量纲化处理后的数据进行关联系数计算，获取所述预测值与所述影响因素的关联度。5.如权利要求1所述的基于PCA
‑
BP的弱胶结砂岩含水层富水性预测方法，其特征在于，基于所述关联度，对所述影响因素进行降维处理提取所述主成分，获取所述新的主成分包括：基于所述关联度，获取符合要求的影响因素；将所述符合要求的影响因素生成变量矩阵，所述影响因素对应的单位涌水量构成单位涌水量矩阵；将所述变量矩阵标准化处理后进行相关性分析，确定所述影响因素的相关关系；基于所述影响因素的相关关系，利用主成分分析法对所述变量矩阵进行降维处理，生成主成分特征矩阵，计算累计贡献率；基于所述累计贡献率，获取满足信息抽取精度设置要求的累计贡献率，并提取所述累计贡献率大于预定值的主成分，获取主成分表达模型；F
i
＝a
1i
X1+a
2i
X2+
…
+a
pi
X
p
，i＝1，2，
…
，p其中，F
i
为第i个新的主成分，p代表影响因素个数，X
p
为标准化处理后变量矩阵，a
pi
为X
p
协方差矩阵特征值对应的特征向量；
基于所述主成分表达模型，获取所述新的主成分。6.如权利要求5所述的基于PCA
‑
BP的弱胶结砂岩含水层富水...

【专利技术属性】
技术研发人员：李小琴，阔威，李文平，代雪，罗志芳，李红，杨子朴，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：