基于AdaBoost的地下采掘工程高韧性安全评估方法

doi:10.16265/j.cnki.issn1003-3033.2023.S1.1304

中国安全科学学报 ›› 2023, Vol. 33 ›› Issue (S1): 112-118.doi: 10.16265/j.cnki.issn1003-3033.2023.S1.1304

基于AdaBoost的地下采掘工程高韧性安全评估方法

徐晓滨¹^,²(), 施凡¹^,²(), 冯静¹^,², 徐晓健¹^,², 常雷雷¹^,²^,^**()

¹ 杭州电子科技大学自动化学院, 浙江杭州 310018
² 杭州电子科技大学中国-奥地利人工智能与先进制造“一带一路”联合实验室, 浙江杭州 310018

收稿日期:2023-01-24 修回日期:2023-04-20 出版日期:2023-06-30
通讯作者:
**常雷雷(1985—),男,河北沧州人,博士,副研究员,主要从事复杂系统建模和安全性评估理论与实践方面的研究。E-mail: leileichang@hotmail.com。
作者简介:
徐晓滨 (1980—),男,河南郑州人,博士,教授,主要从事复杂系统安全性评估、故障预测等方面的研究。E-mail:xuxiaobin@163.com。
施凡 (1999—),男,江苏南通人,硕士研究生,研究方向为复杂系统建模、机器学习以及安全性评估。E-mail:211060088@hdu.edu.cn。
冯静助理研究员
徐晓健助理研究员
基金资助:
浙江省属高校基本科研业务费专项资助(GK239909299001-010); 国家重点研发计划资助(2022YFE0210700); 国家自然科学基金资助(61903108); 浙江省杰出青年基金资助(LR21030001)

High-resilience safety assessment method of underground coal mining using AdaBoost

XU Xiaobin¹^,²(), SHI Fan¹^,²(), FENG Jing¹^,², XU Xiaojian¹^,², CHANG Leilei¹^,²^,^**()

¹ School of Automation, Hangzhou Dianzi University, Hangzhou Zhejiang 310018, China
² China-Austria Belt and Road Joint Laboratory on Artificial Intelligence and Advanced Manufacturing, Hangzhou Dianzi University, Hangzhou Zhejiang 310018, China

Received:2023-01-24 Revised:2023-04-20 Published:2023-06-30

摘要/Abstract

摘要：

为确保煤炭地下采掘工程的安全性,提出一种基于AdaBoost的高韧性安全评估方法。首先,将隧道设计参数、地质条件参数和施工参数作为模型的输入,矿井沉降值作为输出,将施工现场采集的输入参数数据划分为训练数据集和测试数据集;其次,从数据集中抽取多个训练子集,分别建立多个子模型;然后,分别计算子模型的误差和权重,以神经网络作为基准模型,将所有训练数据集划分为正常数据和异常数据,并更新权重;最后,根据加权后的数据集,构建AdaBoost预测模型,并开展案例分析,验证该方法的有效性。结果表明:相比于直接使用AdaBoost算法,基于正常数据和异常数据构建的AdaBoost高韧性安全评估方法所得的结果准确率更高,该方法具有一定的科学性和有效性。

关键词: 地下采掘工程, AdaBoost, 高韧性, 安全评估, 异常数据, 正常数据

Abstract:

In order to ensure the safety of coal mining engineering, a high-resilience safety assessment method based on AdaBoost was proposed. Firstly, the tunnel design parameters, geological condition parameters, and construction parameters were taken as the input of the model, and the mine settlement value was taken as the output. The input parameter data collected at the construction site were divided into a training data set and a test data set. Secondly, multiple data sets were extracted from the data set to establish multiple sub-models respectively. Then, the errors and weights of the sub-models were calculated respectively, and the neural network was used as the benchmark model. All the training data sets were divided into normal data and abnormal data, and the weights were updated. Finally, according to the weighted data set, the AdaBoost prediction model was built, and case analysis was carried out. The effectiveness of the method was verified. The results show that the high-resilience safety assessment method using AdaBoost established based on normal data and abnormal data has higher accuracy than the results obtained by directly using the AdaBoost algorithm, which proves that the proposed method is scientific and effective.

Key words: coal mining engineering, AdaBoost, high resilience, safety assessment, abnormal data, normal data

徐晓滨, 施凡, 冯静, 徐晓健, 常雷雷. 基于AdaBoost的地下采掘工程高韧性安全评估方法[J]. 中国安全科学学报, 2023, 33(S1): 112-118.

XU Xiaobin, SHI Fan, FENG Jing, XU Xiaojian, CHANG Leilei. High-resilience safety assessment method of underground coal mining using AdaBoost[J]. China Safety Science Journal, 2023, 33(S1): 112-118.

图/表 5

图1

图2

图3

图4

表1

参考文献 15

[1]	国家统计局. 中国统计年鉴[R]. (2022-02-28). http://www.stats.gov.cn/sj/zxfb/202302/t20230203_1901393.html.
[2]	国家矿山安全监察局. 国家矿山安全监察局公布2021年全国矿山事故十大典型案例[EB/OL]. (2021-01-25). https://www.chinamine-safety.gov.cn/xw/mkaqjcxw/202101/t20210125_377730.shtml.
[3]	王海洋, 赵树磊, 陈祥, 等. 我国隧道瓦斯事故统计及影响因素分析[J]. 中国安全科学学报, 2021, 31(4): 34-40. doi: 10.16265/j.cnki.issn1003-3033.2021.04.005
	WANG Haiyang, ZHAO Shulei, CHEN Xiang, et al. Statistics and influencing factors analysis of tunnel gas accidents in China[J]. China Safety Science Journal, 2021, 31(4): 34-40. doi: 10.16265/j.cnki.issn1003-3033.2021.04.005
[4]	占文峰, 武玉梁, 刘建军, 等. 煤矿采掘工作面多场联合探测技术及突水灾害源预报研究[M]. 北京: 科学出版社, 2019: 26-33.
[5]	中华人民共和国应急管理部国家矿山安全监察局. 煤矿安全规程[M]. 北京: 中国矿业大学出版社, 2020: 12-37.
[6]	王兆刚. 基于时序数据挖掘的煤矿安全趋势性知识发现研究[D]. 北京: 中国矿业大学, 2020.
	WANG Zhaogang. Research on knowledge discovery of coal mine safety trends based on time series data mining[D]. Beijing: China University of Mining and Technology, 2020.
[7]	赵彤, 李先圣, 张雷, 等. 煤矿井下区间分段视距节点合作定位算法[J]. 西安电子科技大学学报, 2019, 46(1): 166-173.
	ZHAO Tong, LI Xiansheng, ZHANG Lei, et al. Algorithm for cooperational localization of the sectional interval and LOS node in a coal mine[J]. Journal of Xidian University, 2019, 46(1): 166-173.
[8]	屈静, 张建彬, 李旭芳, 等. 基于贝叶斯网络的输油管道泄漏事故情景推演[J]. 中国安全科学学报, 2021, 31(1): 192-198. doi: 10.16265/j.cnki.issn1003-3033.2021.01.028
	QU Jing, ZHANG Jianbin, LI Xufang, et al. Deduction of leakage accident scenarios of oil pipelines based on Bayesian network[J]. China Safety Science Journal, 2021, 31(1): 192-198. doi: 10.16265/j.cnki.issn1003-3033.2021.01.028
[9]	SIDORENKO A A, IVANOV V V, SIDORENKO S A. Numerical simulation of rock massif stress state at normal fault at underground longwall coal mining[J]. International Journal of Civil Engineering and Technology, 2019, 10(1): 844-851.
[10]	张明媛, 徐琴. 施工工人不安全行为传播模型与干预效果分析[J]. 中国安全科学学报, 2021, 31(12): 1-9. doi: 10.16265/j.cnki.issn 1003-3033.2021.12.001
	ZHANG Mingyuan, XU Qin. Analysis on propagation model and intervention effects of unsafe behaviors of construction workers[J]. China Safety Science Journal, 2021, 31(12):1-9. doi: 10.16265/j.cnki.issn 1003-3033.2021.12.001
[11]	MAŁKOWSKI P, NIEDBALSKI Z, SOJKA W. The assessment of the optimal time window for prediction of seismic hazard for longwall coal mining: the case study[J]. Acta Geophysica, 2021, 69(2): 691-699. doi: 10.1007/s11600-021-00541-5
[12]	ABIODUN O I, JANTAN A, OMOLARA A E, et al. State-of-the-art in artificial neural network applications: a survey[J]. Heliyon, 2018, 4(11): DOI: 10.1016/j.heliyon.2018.e00938.
[13]	HASTIE T, ROSSET S, ZHU J, et al. Multi-class adaboost[J]. Statistics and its Interface, 2009, 2(3): 349-360. doi: 10.4310/SII.2009.v2.n3.a8
[14]	WANG Q, HE M, YANG J, et al. Study of a no-pillar mining technique with automatically formed gob-side entry retaining for longwall mining in coal mines[J]. International Journal of Rock Mechanics and Mining Sciences, 2018, 110: 1-8. doi: 10.1016/j.ijrmms.2018.07.005
[15]	贾俊平, 何晓群, 金勇进. 统计学(第六版)[M]. 北京: 中国人民大学出版社, 2015: 33-54.

数据集情况	误差	AdaBoost	高韧性AdaBoost	改善率/%
原始数据集	均值及区间	0.012 4 [0.000 2,0.098 4]	0.003 8 [0.000 1,0.014 6]	69.4
原始数据集	方差	9.53×10^-5	2.86×10^-5	70.0
训练集加 50%噪声	均值及区间	0.330 8 [0.225 4,0.364 2]	0.178 3 [0.133 7,0.211 4]	46.1
训练集加 50%噪声	方差	5.72×10^-5	2.71×10^-5	52.6

基于AdaBoost的地下采掘工程高韧性安全评估方法

High-resilience safety assessment method of underground coal mining using AdaBoost

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张西良, 焦灏恺, 李二宝. 基于迁移学习算法的深部爆破振动速度预测[J]. 中国安全科学学报, 2023, 33(6): 64-72.
[2]	陈辰, 程嘉, 窦志平. 在用自动扶梯和自动人行道安全评估[J]. 中国安全科学学报, 2023, 33(2): 103-109.
[3]	朱彤, 魏雯, 林淼, 张杰, 刘小龙, 魏田正. 道路交通安全反事实仿真评估技术综述与展望[J]. 中国安全科学学报, 2022, 32(7): 128-135.
[4]	魏志强, 李晓晨. 基于尾流安全评估的航空器分类方法改进研究[J]. 中国安全科学学报, 2022, 32(7): 70-76.
[5]	秦雅琴, 李秋谷, 赵鹏燕, 宝发旺, 谢济铭. 基于多分类Adaboost算法的驾驶人风险感知倾向研究[J]. 中国安全科学学报, 2022, 32(4): 141-147.
[6]	付华, 赵俊程, 刘昊, 刘雨竹, 卢万杰. 双策略耦合优化的含瓦斯煤破裂过程信号辨识[J]. 中国安全科学学报, 2022, 32(10): 40-47.
[7]	魏志强, 李晓晨. 飞机高空尾涡安全评估模型^*[J]. 中国安全科学学报, 2021, 31(11): 78-84.
[8]	杨晓丽, 刘向东. 高速铁路工程竣工验收存在的问题与探讨[J]. 中国安全科学学报, 2020, 30(S1): 146-151.
[9]	周乃锋, 蒋帅. 海外城市轨道交通运营技术条件安全评估[J]. 中国安全科学学报, 2020, 30(S1): 152-157.
[10]	王旭, 帅健, 王宇, 罗雨菲, 单克. 考虑材料特性的管道环焊缝缺陷评估方法[J]. 中国安全科学学报, 2020, 30(7): 78-84.
[11]	王阳. 基于IEC62425的CTCS-3列控系统安全评估体系^*[J]. 中国安全科学学报, 2019, 29(S1): 81-87.
[12]	魏万淇, 高曙, 初秀民. 基于流推理的定线制水域船舶航行安全评估方法[J]. 中国安全科学学报, 2019, 29(3): 168-173.
[13]	王博, 李长俊, 薛驹, 贾文龙. 基于CFD的河流穿越段沥青质沉积安全评估[J]. 中国安全科学学报, 2019, 29(10): 174-179.
[14]	赵琳琳, 温国锋, 邵良杉. 不均衡数据下的采空区煤自燃PCA-AdaBoost预测模型[J]. 中国安全科学学报, 2018, 28(3): 74-78.
[15]	杨繁, 陈波, 欧阳怡勤, 杨登. 输电塔线体系冲击断线安全评估及减振控制研究[J]. 中国安全科学学报, 2018, 28(3): 126-131.