基于随机森林理论的采场稳定性预测研究

doi:10.16265/j.cnki.issn1003-3033.2018.03.027

中国安全科学学报 ›› 2018, Vol. 28 ›› Issue (3): 155-160.doi: 10.16265/j.cnki.issn1003-3033.2018.03.027

基于随机森林理论的采场稳定性预测研究

王杰, 罗周全教授, 秦亚光, 赵爽

中南大学资源与安全工程学院, 湖南长沙 410083

收稿日期:2017-11-21 修回日期:2018-01-15 出版日期:2018-03-28 发布日期:2020-11-09
作者简介:王杰 (1994—),男,山西长治人,硕士研究生,研究方向为金属矿山深井开采采场稳定性理论与技术。E-mail:2228155418@qq.com。
基金资助:
国家“十三五”重点研发计划课题(2017YFC0602901);中南大学中央高校基本科研业务费专项资金项目(502221716)。

Prediction of stope stability based on random forest

WANG Jie, LUO Zhouquan, QIN Yaguang, ZHAO Shuang

School of Resources and Safety Engineering, Central South University, Changsha Hunan 410083,China

Received:2017-11-21 Revised:2018-01-15 Online:2018-03-28 Published:2020-11-09

摘要/Abstract

摘要： 为预防采场安全事故,选取地下采场地质构造、埋深、围岩强度等10个因素作为采场稳定性预测指标,从收集到的实际采场稳定性数据中选取25组作为训练样本,建立采场稳定性预测的随机森林(RF)模型,通过8组测试数据预测采场稳定性;将该模型预测结果与支持向量机(SVM)模型及人工神经网络(ANN)模型的预测结果进行对比。研究表明:采用RF模型采场稳定性等级预测准确率最高,而使用SVM模型次之,ANN模型的准确率较差;用RF模型能够相对有效地判定采场稳定性。

关键词: 随机森林(RF)模型, 采场稳定性, 支持向量机(SVM), 预测准确率, 人工神经网络(ANN)

Abstract: In order to prevent stope safety accidents, 10 factors including underground stope's geological structure, burial depth, surrounding rock strength and rock mass quality indexes are selected as the prediction indexes of stope stability, twenty-five groups are selected as training samples from the collected data on actual stope stability to build a random forest model of stope stability prediction and eight sets of test data are used to predict stope stability. A prediction result comparison is made between the model, SVM model and ANN model. The results show that the random forest model has the highest accuracy of the stope stability ratings in the examples, and the second is the SVM model, the ANN model is less accurate, and that by using the random forest model, the stope stability can be determined more effectively.

Key words: random forest(RF) model, stope stability, support vector machine(SVM), predictive accuracy, artificial neural network(ANN)

中图分类号:

X913.4

王杰, 罗周全, 秦亚光, 赵爽. 基于随机森林理论的采场稳定性预测研究[J]. 中国安全科学学报, 2018, 28(3): 155-160.

WANG Jie, LUO Zhouquan, QIN Yaguang, ZHAO Shuang. Prediction of stope stability based on random forest[J]. China Safety Science Journal, 2018, 28(3): 155-160.

参考文献

[1] 王宁,韩志型,王月明,等.评价岩体稳定性的声发射相对强弱指标[J].岩土工程学报,2005,27(2): 190-192.
WANG Ning, HAN Zhixing, WANG Yueming, et al.The relative emission index of acoustic emission evaluation of rock mass stability[J].Journal of Geotechnical Engineering,2005,27(2): 190-192.
[2] 魏星,虎旭林,郑璐石.考虑复合指标的边坡岩体稳定性灰色系统类比预测[J].宁夏农学院报,2001,22(4): 34-37.
WEI Xing, HU Xulin, ZHENG Lushi.The gray system analogy prediction of slope rock mass stability considering composite index[J].Journal of Ningxia Agricultural College, 2001,22(4): 34-37.
[3] 袁景凌,钟珞,李小燕.灰色神经网络的研究及发展[J].武汉理工大学学报,2009,31(3): 91-93.
YUAN Jingling, ZHONG Luo, LI Xiaoyan.Research and development of gray neural network [J].Journal of Wuhan University of Technology,2009,31(3): 91-93.
[4] 张敏,于剑.基于划分的模糊聚类算法[J].软件学报,2004,15(6): 858-868.
ZHANG Min, YU Jian.Based on the fuzzy clustering algorithm [J].Journal of Software, 2004,15(6): 858-868.
[5] 温廷新,陈晓宇,杨红玉,等.基于优化Bagging-LSSVM模型的冲击地压预测[J].中国安全科学学报,2017,27(6): 121-126.
WEN Tingxin, CHEN Xiaoyu, YANG Hongyu, et al.Research on prediction of rock burst based on optimized Bagging-LSSVM model[J].Chinese Journal of Safety Science,2017,27(6): 121-126.
[6] 邵良杉,徐波.岩溶塌陷倾向性等级的KPCA-SVM预测模型[J].中国安全科学学报,2015,25(3): 60-65.
SHAO Liangshan, XU Bo.KPCA-SVM model for predicting Karst collapse tendency level[J].Chinese Journal of Safety Science,2015,25(3): 60-65.
[7] BREMAN L.Random forests[J].Machine Learning, 2001, 45(1): 5-32.
[8] 邵叶秦,杨新.基于随机森林的CT前列腺分割[J].CT理论与应用研究,2015,24(5): 647-655.
SHAO Yeqin, YANG Xin.CT prostate segmentation based on random forest[J].Computerized Tomography Theory and Applications,2015,24(5): 647-655.
[9] 周天宁,明冬萍,赵睿.参数优化随机森林算法的土地覆盖分类[J].测绘科学,2017,42(2): 88-94.
ZHOU Tianning, MING Dongping, ZHAO Rui.Land cover classification of stochastic forest with parameter optimization[J].Science of Surveying and Mapping,2017,42(2): 88-94.
[10] 方匡南,朱建平,谢邦昌.基于随机森林方法的基金收益率方向预测与交易策略研究[J].经济经纬,2010(2): 61-65.
FANG Kuangnan, ZHU Jianping, XIE Bangchang.Research on the direction forecast and trading strategy of fund returns based on random forest method[J].Economic Survey,2010(2): 61-65.
[11] 温廷新,张波.露天煤矿边坡稳定性的随机森林预测模型[J].科技导报,2014,32(4): 105-109.
WEN Tingxin, ZHANG Bo.A stochastic forest forecasting model for slope stability of opencast coal mine [J].Science and Technology Herald, 2014,32(4): 105-109.
[12] 李宝富,刘永磊.冲击地压危险性等级识别的随机森林模型及应用[J].科技导报,2015,33(1): 57-62.
LI Baofu, LIU Yonglei.Random forest model for hazard grading of impact ground pressure and its application [J].Science and Technology Herald,2015,33(1): 57-62.
[13] 赵汝星.基于随机森林的回采巷道围岩稳定性分类[J].煤矿安全,2014,45(11): 200-202.
ZHAO Ruxing.Surrounding rock stability classification of mining gateway based on random forest[J].Safety in Coal Mines,2014,45(11): 200-202.
[14] 杨悦增,邓红卫,虞松涛.基于随机森林模型的岩爆等级预测研究[J].矿冶工程,2017,37(4): 23-27.
YANG Yuezeng, DENG Hongwei, YU Songtao.Research on rock burst prediction based on random forest model[J].Mining and Metallurgical Engineering,2017,37(4): 23-27.
[15] 李盛,郭民之,康文倩.基于随机森林法的煤矿微震危害预测[J].云南民族大学学报:自然科学版,2015,24(4): 315-319.
LI Sheng, GUO Minzhi, KANG Wenqian.Coal mine micro seismic hazard prediction based on random forest method[J].Journal of Yunnan Minzu University:Natural Sciences Edition,2015,24(4): 315-319.
[16] 李欣海.随机森林模型在分类与回归分析中的应用[J].应用昆虫学报,2013,50(4): 1 190-1 197.
LI Xinhai.Application of random forest model in classification and regression analysis [J].Journal of Applied Insectology,2013,50(4): 1 190-1 197.
[17] 肖超,郑怀昌,王栋.基于层次分析法采场稳定性评价及FLAC^3D模拟验证[J].山东理工大学学报:自然科学版,2014,28(1): 65-68.
XIAO Chao, ZHENG Huaichang, WANG Dong.Stope stability evaluation based on AHP and FLAC^3D simulation verification[J].Journal of Shandong University of Technology:Natural Science Edition,2014,28(1): 65-68.

基于随机森林理论的采场稳定性预测研究

Prediction of stope stability based on random forest

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杨文臣, 周燕宁, 田毕江, 郭凤香, 胡澄宇. 基于聚类分析和SVM的二级公路交通事故严重度预测[J]. 中国安全科学学报, 2022, 32(5): 163-169.
[2]	丁茜, 赵晓东, 吴鑫俊, 张泰丽, 徐振涛. 基于RBF核的多分类SVM滑塌易发性评价模型[J]. 中国安全科学学报, 2022, 32(3): 194-200.
[3]	吴孟龙, 叶义成, 胡南燕, 王其虎, 李文, 江慧敏. 基于模糊信息粒化的矿业安全生产态势区间预测^*[J]. 中国安全科学学报, 2021, 31(9): 119-127.
[4]	赵挺生, 庞奇志, 姜雯茜. 基于数据库与支持向量机的施工升降机安全风险预测[J]. 中国安全科学学报, 2021, 31(4): 11-17.
[5]	刘阳, 张建经, 罗宏森, 于海莹, 向波. 基于贝叶斯网络的Fuzzy-SVM路基震害预测模型^*[J]. 中国安全科学学报, 2021, 31(11): 171-178.
[6]	郑晓亮, 来文豪, 薛生. MI和SVM算法在煤与瓦斯突出预测中的应用[J]. 中国安全科学学报, 2021, 31(1): 75-80.
[7]	马辉, 吕航, 栾瑞斌. 基于空间单元分析的装配式建筑施工安全预警模型[J]. 中国安全科学学报, 2020, 30(5): 27-32.
[8]	武琳玉, 梁伟, 沙夺林. 油气站场典型设备的焊缝缺陷检测与识别方法[J]. 中国安全科学学报, 2020, 30(11): 108-113.
[9]	马英楠, 吕子阳, 高星, 王勇毅. 基于SVM的居家老人跌倒预测方法研究[J]. 中国安全科学学报, 2019, 29(6): 43-48.
[10]	马杰, 刘琪, 张春玮, 刘克中, 张煜. 基于AIS的数据时空分析及船舶会遇态势提取方法[J]. 中国安全科学学报, 2019, 29(5): 111-116.
[11]	楚文慧, 吴超仲, 张晖, 杨曼, 李思瑶. 基于个性化行为模型的驾驶疲劳识别方法[J]. 中国安全科学学报, 2018, 28(6): 43-48.
[12]	王岩韬, 赵嶷飞. 基于多算法协作的航班运行风险辨识研究[J]. 中国安全科学学报, 2018, 28(6): 166-172.
[13]	邵良杉, 周玉. QGA-RFR模型在导水裂隙带高度预测中的应用[J]. 中国安全科学学报, 2018, 28(3): 19-24.
[14]	毛志勇, 黄春娟, 路世昌. 基于PSO-SVM的砂土地震液化预测模型[J]. 中国安全科学学报, 2018, 28(3): 25-30.
[15]	王岩韬, 唐建勋, 赵嶷飞. 基于粗糙集和支持向量机的航班运行风险预测[J]. 中国安全科学学报, 2017, 27(9): 158-163.