蚁群聚类在煤与瓦斯突出预测中的应用
基于系统聚类分析和判别分析的煤与瓦斯突出预测
基于系统聚类分析和判别分析的煤与瓦斯突出预测赵嵘;齐黎明;葛须宾;吉丹妮【摘要】Coal and gas outburst is an extraordinarily complicated dynamic phenomenon: plenty of influential factors and complex causes. So the measured values of coal seam gas pressure P, gas initial diffusionvelocityΔP, coal destruction type D, coal solidity coefficient f of representative outburst mines were conducted systematic cluster analysis by the soft of SPSS (Statistical Package for the Social Science) first. The analysis result agreed with actual dynamic phenomenon of 17 known samples, which illustrated that it is reasonable to use four indexes synthetically for forecasting coal and gas outburst. Then a forecasting function of coal and gas outburst was built by conducting distinguish analysis. The outburst danger of 17 known samples and 4 un-known samples could be identified correctly by forecasting function in practice, providing a new method for prediction of coal and gas outburst.%煤与瓦斯突出是一种非常复杂的动力现象，影响因素众多，发生原因复杂。
2-1煤与瓦斯突出预测动静态指标的灰色优选_陈鹏
煤与瓦斯突出预测动静态指标的灰色优选*陈鹏1，2，张科学1，3，魏明尧1，2，欧建春1，2，许福乐1，2，陈西华4（1．煤炭资源与安全开采国家重点实验室，江苏徐州市221008；2．中国矿业大学安全工程学院，江苏徐州市221008；3．中国矿业大学矿业工程学院，江苏徐州市221008；4．永贵五凤煤业有限责任公司，贵州毕节市551600）摘要：为了确定工作面突出预测敏感指标，通过研究演马庄矿与谢一矿掘进工作面电磁辐射特征，将电磁辐射预测指标（电磁辐射强度E）与常规突出预测指标R值指标及钻屑指标Δh2、K1、S等进行对比，利用灰色系统理论进行指标优选，比较各指标灰色关联度大小，结果表明，电磁辐射预测指标的综合关联度大于常规指标，预测无突出危险准确率为100%，可以作为工作面突出预测指标。
关键词：突出预测；电磁辐射；R值指标；钻屑指标；灰色优选中图分类号：TD713文献标识码：A文章编号：1005－2763（2010）05－0073－04Grey Optimum Selection between Dynamic＆StaticIndex of Coal and Gas Outburst ForecastChen Peng1，2，Zhang Kexue1，3，Wei Mingyao1，2，Ou Jianchun1，2，Xu Fule1，2，Chen Xihua4（1．State Key Laboratory of Coal Resources and Mine Safety，Xuzhou，Jiangsu221008，China；2．School of Safety Engineering，China University of Mining and Technology，Xuzhou，Jiangsu221008，China；3．School of Mines Engineering，ChinaUniversity of Mining and Technology，Xuzhou，Jiangsu221008，China；4．Yonggui Wufeng Coal IndustryCo．Ltd，Bijie，Guizhou551600，China）Abstract：In order to determine the sensitive indicators used forforecast of coal and gas outburst in working face，the electromag-netic radiation characteristics of heading face in YanmazhuangMine and Xieyi Mine are researched，the intensity of electromag-netic emission（EME）E and the conventional forecasting inde-xes such as R value and drilling cuttings indexesΔh2，K1and Swere compared．The theory of gray system was used to compare the level of gray correlation degree of the forecasting indexes in order to achieve the optimum selection of indexes．The result in-dicated that the comprehensive correlation degree of EME index is higher than that of conventional indexes，its accuracy rate in forecasting non－outburst dangerousness is100%，so it can be used as a primary index of outburst forecast．Key Words：Outburst forecast，Electromagnetic emission，R－index，Drilling cuttings indexes，Grey optimum selection煤与瓦斯突出预测工作是对突出灾害进行有效防治的基础。
煤与瓦斯突出预测的随机森林模型
煤与瓦斯突出预测的随机森林模型温廷新;张波;邵良杉【摘要】煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一，针对煤与瓦斯突出等级预测问题，提高突出预测的准确率，选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标，同时对相关程度较高的评价指标进行因子分析，提取公共因子，用随机森林算法进行训练预测，建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。
通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练，5组数据作为该预测模型的测试数据，进行煤与瓦斯突出预测，同时通过其他预测模型预测结果的对比，验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。
%Coal and gas outburst is one of the principal dynamic disasters in coal mine underground mining. Aimed at solving the prediction problem of coal and gas outburst risk level, improve the outburst prediction accuracy, this paper selects 9 factors as evaluation index which affects the coal and gas outburst classification prediction, including maximum principal stress, gas pressure, gas content, roof lithology, distance from the fracture of roof, coal seam thickness, mining depth, the absolute gas emission and relative gas emission, and do the factor analysis to the most related evaluation index, extract the public factor, with random forest algorithm training, establish the coal and gas outburst prediction model based on factor analysis and random forest. Based on 19 groups of coal and gas outburst data measured by coal mine as the training sample data sets for model training, 5 groups of data astest data for model testing, do the prediction of coal and gas outburst, meanwhile compared with other prediction models, the test results verify the random forest algorithm in coal and gas out-burst prediction has higher accuracy.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)010【总页数】5页(P233-237)【关键词】随机森林;因子分析;煤与瓦斯突出;强度预测【作者】温廷新;张波;邵良杉【作者单位】辽宁工程技术大学系统工程研究所，辽宁葫芦岛 125105;辽宁工程技术大学系统工程研究所，辽宁葫芦岛 125105;辽宁工程技术大学系统工程研究所，辽宁葫芦岛 125105【正文语种】中文【中图分类】TP18;TP3911 引言随着煤矿开采深度和开采强度的增加，以及复杂的地质条件和应力环境变化等因素导致各种动态灾害的发生。
近距离煤层群煤与瓦斯突出机理及预警研究
3、未来的发展趋势
3、未来的发展趋势
未来在煤与瓦斯突出机理及防治技术方面的发展趋势包括： （1）深入研究煤与瓦斯突出的内在机制，完善理论基础； （2）加强新技术、 新方法的研发和推广应用； （3）发展智能化、自动化的防突技术和装备，提高 防治效果和矿井安全水平。
3、未来的发展趋势
结论 本次演示对煤与瓦斯突出的机理及防治技术进行了深入探讨。通过分析突出 原因、危害、发生条件和影响因素，提出了相应的防治原则和常见防治技术，并 指出了当前存在的问题和未来的发展趋势。煤与瓦斯突出防治技术的研究和应用 对保障矿工生命安全和提高煤炭生产效益具有重要意义。
2、缺乏有效的预测和防治方法，难以从根本上降低煤与瓦斯突出的 风险。
研究方法 本研究采用理论分析、数值模拟和现场实践相结合的方法，首先对煤层应力 状态进行理论分析，建立数学模型，并通过数值模拟方法模拟煤与瓦斯突出过程。 同时，结合现场实践，对防治方法进行验证和优化。
2、缺乏有效的预测和防治方法，难以从根本上降低煤与瓦斯突出的 风险。
2、煤与瓦斯突出的主要原因和危害
煤与瓦斯突出的主要原因包括：地应力、瓦斯压力、煤岩物理特性等。煤与 瓦斯突出会带来以下危害：
2、煤与瓦斯突出的主要原因和危害
（1）危及矿工生命安全，造成人员伤亡； （2）导致矿井生产中断，生产效 率下降； （3）突出的煤岩和瓦斯会对井下设备造成破坏，增加维修成本。
结果与讨论 1、煤层应力状态特征及影响因素：煤层应力状态受到多种因素的影响，如地 质构造、煤层厚度、埋深、岩性等。在特定的地质条件下，煤层应力状态会出现 异常，导致煤与瓦斯突出的发生。
2、缺乏有效的预测和防治方法，难以从根本上降低煤与瓦斯突出的 风险。
2、煤与瓦斯突出机理：煤与瓦斯突出是在煤层应力作用下，煤和瓦斯从煤层 中突然释放的过程。突出的原因是煤层中的瓦斯压力大于外部压力，同时煤层的 力学性质也起到重要作用。
煤与瓦斯突出的预测及防治措施
煤与瓦斯突出的预测及防治措施1煤与瓦斯突出的机理、类型与一般规律11煤与瓦斯突出的机理许多国家对煤与瓦斯突出机理的研究都很重视，并取得了一定成果，但由于突出机理的复杂性及突出现象的多样性，目前对突出机理的认识仍处于假说阶段。
国外对煤与瓦斯突出机理的认识可归纳为4种：地应力假说、瓦斯作用假说、化学本质假说和综合作用假说。
我国从60年代起就对突出煤层的应力状态、瓦斯赋存状态、煤的物理力学性能等开展了一系列的研究，根据现场资料和实验研究对突出机理进行了探讨，提出了新的见解和观点，概括起来主要有中心扩张学说、流变假说、二相液体假说、固流耦合失稳理论、球壳失稳理论等。
此外中国科学院力学研究所从力学角度对突出过程做了大量的研究工作，并提出了突出破坏过程及瓦斯渗流的机制方程。
12煤与瓦斯突出的类型煤与瓦斯的突出包括：煤与甲烷突出、岩石与甲烷突出、煤与CO2突出、岩石与CO2突出等。
由于突出时的原动力和所表现现象的不同，煤与瓦斯突出可分为突出、倾出、压出3种情况。
13煤与瓦斯突出的一般规律（1）突出的次数和强度随开采的深度增加而增加；（2）突出多发生在地质构造地区，如褶曲、断层处及岩浆侵入地区；（3）煤体破坏程度越严重，煤的强度越小，突出危险性越大；（4）煤层中的厚度大、倾角大或其厚度和倾角发生变化以及煤层中的软分层由薄变厚的地区，容易发生突出；（5）掘进工作面应力集中的地区易发生突出；（6）在外力冲击作用下，如放炮或采煤机割煤时煤体受到震动，诱导瓦斯发生突出；（7）围岩的透气性越差、致密的岩层越厚，煤层的瓦斯含量越高，其突出的危险性也就越大；（8）突出多发生在揭煤和煤层掘进工作面；（9）在突出前大都出现预兆。
2煤与瓦斯突出的预测21突出预测方法的分类按预测预报范围和时间的不同，预测方法可分为3类：第一是区域性预测，主要是确定煤田、井田、煤层和采掘区域性的突出危险性；第二是局部预测，它是在区域性的基础上，根据钻探、采掘工程等资料，进一步对局部地区或要点的突出危险性作出判断；第三是日常预测，它是在区域性预测、局部预测的基础上，根据突出预兆的各种异常效应，对突出危险发出警告。
基于机器学习的煤与瓦斯突出预测研究进展及展望
基于机器学习的煤与瓦斯突出预测研究进展及展望薛生;郑晓亮;袁亮;来文豪;张玉婷【期刊名称】《煤炭学报》【年(卷),期】2024(49)2【摘要】我国煤矿安全生产形势不断好转,但煤与瓦斯突出事故仍时有发生。
煤与瓦斯突出预测不仅能指导防突措施科学的运用、减少防突措施工程量,在一定程度上也可以确保煤矿工人的作业安全。
机器学习(Machine Learning, ML)是一门涉及概率论、统计学和计算机学等领域的交叉学科,可以挖掘突出事故和指标间的非线性关系。
将机器学习用于煤与瓦斯突出预测,已得到相对广泛的关注,并随着人工智能和计算机技术的快速进步,其在突出预测领域将发挥更大作用。
因此,对机器学习在煤与瓦斯突出预测中的研究进行了全面的综述,分析其在突出预测中面临的难点并展望其发展方向。
首先,简述煤与瓦斯突出假说、发生机理与预测指标选择的研究现状;介绍机器学习在煤与瓦斯突出预测领域的主要研究进展,包括支持向量机(Support Vector Machines,SVM)、人工神经网络(Artificial Neural Network, ANN)、极限学习机(Extreme Learning Machines,ELM)和集成学习(Ensemble Learning, EL)等算法的应用,以及特征选择和缺失数据填补在数据处理等方面的创新,同时也指出了目前基于机器学习的突出预测研究面临的挑战及存在的问题,例如事故与非事故样本的不平衡、数据的指标缺失和机器学习中的小样本等;最后,展望了基于机器学习的煤与瓦斯突出预测的未来发展方向,包括改进算法性能、优化特征工程和增加样本量等。
随着计算机性能的提升,有望开发出更为复杂、精准的模型,以提高对突出事故的准确预测能力。
【总页数】31页(P664-694)【作者】薛生;郑晓亮;袁亮;来文豪;张玉婷【作者单位】安徽理工大学深部煤炭安全开采与环境保护全国重点实验室;安徽理工大学煤炭安全精准开采国家地方联合工程研究中心;合肥综合性国家科学中心能源研究院(安徽省能源实验室);安徽理工大学公共安全与应急管理学院;安徽理工大学电气与信息工程学院【正文语种】中文【中图分类】TD713【相关文献】1.矿井煤与瓦斯突出强度机器学习预测方法探讨2.基于瓦斯地质与监控信息耦合的煤与瓦斯突出预测方法3.基于数据填补-机器学习的煤与瓦斯突出预测效果研究4.基于机器学习的煤与瓦斯突出预测指标贡献的定量评价研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于贝叶斯分类器的煤与瓦斯突出强度预测研究
用 朴素 贝叶斯 分类 器 建 立 煤 与瓦 斯 突 出 发生 的危 险程度 与其影 响 因素之 间 的非线性 映射模 型 ， 并利 用待测 样本对 模 型进行 了预 测验 证．
直影 响着煤矿 的安全 生产 ， 如火灾 、 瓦斯 、 煤尘 及
１ 朴 素 贝 叶 斯 分 类器 预 测 模 型
第 ６期
边平勇， 等： 基 于 贝叶斯 分类 器的煤 与 瓦斯 突 出强度 预 测研 究
８ ９ １
贝 叶斯 分类 器模 型 需 要 寻 找 给定 属 性 样 本 时 最 大 可能假 设分 类 Ｃ ∈Ｃ ． 即：
ｃ 柚 ＝ａ ｒ ｇ ｍａ ｘ Ｐ（ Ｃ Ｉ ） 应 用经 典 贝叶斯 公式可 以得到 ：
Ｐ （ ） ＝ ＝ 寺 Ｐ （ ） ＝ ４ ＋ １ ＝ 寺
８ ９ ２
佳 木 斯 大 学 学 报 （自 然 科 学 版 ）
２ Ｏ １ ３卑
能分类 的概 率 ， 从 中选 择具有 最 大后验概 率 的类别
作 为该样 本所 属 的类别 ， 达 到分类 或预测 的 目的．
贝叶斯公 式 如下 ： ｅ （ ｎ ： （ １ ）
非常复杂的动力 学现象， 它受 到煤层 物理力学性 质、 地应力 和瓦斯 三 个 因 素 的共 同作用 ， 甚 至可 能 还有其它至今未被人们认识的参量影响， 并且我国 各地煤炭赋存条件具有多样性、 复杂性， 用传统方 法对其预测是比较困难 的， 且精度也不高． 本文使
爱 ｌ Ｅ 臻 州 ｝ 曩 妻 ； 攀 曩 ＿誊； 、 ■ 冀≯ 搿 ＊ ＿ 董 譬 ｌ
２ ３ ２ ４ ２ ５ ２６ ２ ７ ２８ ２ ９ ３ ０
其中 ， 是表示第 ＿ 『 个属性的值 ， Ｐ （ Ａ ｊ ｌ ｃ ）和 Ｐ （ ｃ ） 的值可以通过训练样本学习得到， 具体计算如下 ：
基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测
基于蚁群粒子群混合算法与LS-SVM瓦斯涌出量预测付华;于翔;卢万杰【摘要】为有效预防瓦斯灾害，以预测矿井瓦斯涌出量为研究目的，提出经改进的蚁群（ACO）粒子群（PSO）混合算法优化的最小二乘支持向量机（LS-SVM），并用其预测非线性动态瓦斯涌出量。
算法通过对LS-SVM的正则化参数C和高斯核参数σ进行寻优，建立了基于蚁群粒子群混合算法优化的瓦斯涌出量预测模型，并根据赵各庄矿矿井监测到的各项历史数据进行实例分析。
实验结果表明：该预测模型预测的最大相对误差为1.05%，最小相对误差为0.28%，平均相对误差为0.75%。
较其他预测模型拥有更强的泛化能力和更高的预测精度。
%In order to prevent gas disasters effectively and predict mine gas emission,an improved LS-SVM model based on ant colony optimization mixing with particle swarm optimization was presented,which was used to predict nonlinear dynamic gas emission. The regularization C and the Gaussian kernel parameter σof LS-SVM were opti⁃mized by the prediction model of gas emission based on hybrid algorithm of ant colony particle swarm optimization. The model was validated by using the historical data from Zhaogezhuang coal mine in China. The results show that both the maximum and minimum relative errors predicted by the model are1.05%and 0.28%respectively,and the average is 0.75%. Compared with others,the model has higher generalization ability and predicting precision.【期刊名称】《传感技术学报》【年(卷),期】2016(029)003【总页数】5页(P373-377)【关键词】瓦斯涌出量;非线性动态预测;蚁群算法;粒子群算法;最小二乘支持向量机【作者】付华;于翔;卢万杰【作者单位】辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105;辽宁工程技术大学电气与控制工程学院，辽宁葫芦岛125105【正文语种】中文【中图分类】TP391;TP212项目来源：国家自然科学基金项目（51274118）；辽宁省教育厅基金项目（L2012119）；辽宁省科技攻关项目（2011229011）瓦斯是影响煤矿安全生产的重要因素之一［1］。
基于 AHP-GRA 模型的煤与瓦斯突出危险性预测
基于 AHP-GRA 模型的煤与瓦斯突出危险性预测于海云;杨慧明【摘要】According to the basic principle of AHP-GRA ( analytic hierarchy process-grey relational analy-sis) model, analyze the influence of index of system ’s outburst danger, and using correlation analysis to streamline tertiary indicators in order to reduce the sample size .By adding weight and optimize the Gray model, to improving the convergence speed , While increasing the accuracy of prediction model .Through regional analysis , combined with the instance , validate that the model can effectively predict the outburst dangerous level of coal mine system .%根据AHP-GRA 模型的基本原理，分析系统突出危险性的影响指标，为降低样本量采用相关分析精简三级指标。
通过加入权重，优化灰色关联模型，在提高收敛速度的同时，增加模型预测的准确性。
通过区域性分析，并结合实例验证了该模型能有效预测煤矿系统的突出危险性等级。
【期刊名称】《工业工程》【年(卷),期】2015(000)001【总页数】5页(P6-10)【关键词】煤与瓦斯突出;灰色模型;权重;危险性等级【作者】于海云;杨慧明【作者单位】瓦斯灾害监控与应急技术国家重点实验室，重庆400037;中煤科工集团重庆研究院有限公司，重庆400037【正文语种】中文【中图分类】X936“十一五”以来，在煤炭事业持续稳定发展的大环境下，安全事故所带来的物质精神灾害仍不容小觑。
基于蚁群算法的聚类分析方法的研究及应用的开题报告
基于蚁群算法的聚类分析方法的研究及应用的开题报告一、研究背景随着现代科技的不断发展，数据量的不断增加，数据分析成为了当前热门的研究方向之一。
其中，聚类分析作为数据挖掘和机器学习领域中的一种重要方法，可以将数据集中的样本划分成若干个不同的类别，并且在同一类别中的样本具有相似的特征，而不同类别之间的样本存在显著差异。
聚类分析方法在市场细分、医学诊断、生物信息学等领域中具有重要应用。
蚁群算法作为一种新兴的优化算法，在优化问题的求解方面具有良好的性能。
蚁群算法源于对蚂蚁觅食行为的研究，它通过模拟蚂蚁在寻找食物时的行为，通过信息交流和趋同行为来寻找问题的最优解。
蚁群算法已经成功地应用于TSP问题、图着色问题、网络路由等领域。
将蚁群算法应用于聚类分析中，将样本等同于蚂蚁，样本之间的相似度等同于蚂蚁之间通过信息素交流所建立的连接关系，利用蚁群算法进行信息素的更新和蚂蚁的移动从而得到聚类结果。
相比于传统的聚类算法，蚁群算法具有更好的鲁棒性、稳定性和有效性，能够处理具有复杂特征的高维数据集。
二、研究目的本文旨在研究基于蚁群算法的聚类分析方法，并将其应用于实际数据集。
具体研究目的如下：1. 综述聚类分析和蚁群算法的相关理论和算法2. 设计基于蚁群算法的聚类分析模型，并验证模型的正确性和有效性3. 对比不同聚类算法在不同数据集下的实验结果，展示蚁群算法的优越性4. 在真实数据集中应用蚁群算法进行聚类分析，并探讨实际应用中的优化措施和注意事项三、研究内容为实现上述研究目的，本文将分以下几个方面进行研究：1. 聚类分析理论概述：对聚类分析的基础理论和算法进行综述，如K-means、层次聚类等2. 蚁群算法理论概述：对蚁群算法的基础理论和算法进行综述，如蚁群优化算法和蚁群聚类算法3. 基于蚁群算法的聚类分析模型设计：设计基于蚁群算法的聚类分析模型，并结合实际数据集验证模型正确性和有效性4. 蚁群算法在聚类分析中的应用：将蚁群算法应用于不同数据集的聚类分析中，并与其他聚类算法进行比较5. 蚁群算法聚类分析的优化措施：探讨蚁群算法在聚类分析中的优化措施，如参数调节、蚁群规模选择等四、研究意义本文的研究结合了蚁群算法和聚类分析两个领域的优势，提出基于蚁群算法的聚类分析模型，并将其应用于实际数据集，探索了蚁群算法在聚类分析中的优越性和实际应用中的注意事项。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
表 3 计算结果
率定义为
类别
指标
类别
Pd =Sigmpoid f oi
（6）
I II
S5，S8，S9
III
S1，S4，S7
式中:
-cx
Sigmoid x
=
1-e
-cx
1+e
（7）
该函数为自然指数形式，若参数 c 较大，则曲线
表 4 煤与瓦斯突出的识别模式
指标
X1
X2
I
44
6.53
II
26.3
4.7
饱和速度也变快，同时聚类收敛速度也越快。
式中 式中
m
姨Σ d soi ,oj s=
2
soik -ojk s
k=1
m———属性个数。余弦距离定义如下
d soi ,oj s=1-sim soi ,oj s
m
（2） （3）
息激素，其它蚂蚁可以发现并辨别这种激素的多少， 所以蚂蚁个体会通过这种激素的指引来选择路线方 向；并且这种信息激素具有挥发特性，路径上的信息 素会由于路径长且通过的蚂蚁数量少而残留的量越
度 f soi s越大；反之相似度越小。在一些特殊条件下
以下给出算法的基本过程，由伪代码形式进行 会将某一大类分成若干小类，增加聚类个数，从而使
表达：
收敛速度变慢。因此在计算中要根据具体情况和经
（1）初始化蚁群中的蚂蚁个数 N，最大迭代次数 验来合理确定参数。
为 M，局部区域边长 S，以及一些其它参数。
摘 要:煤与瓦斯突出影响因素众多且关系十分复杂，一般基于工程类比的基础上，应用聚类的方法进行判断，而不
能使用简单的方法进行判断分析。为了更好地解决这类问题，将蚁群聚类算法应用到该领域，以解决其预测问题。
关键词:煤与瓦斯突出；预测；蚁群聚类
中图分类号:TD712
文献标识码:A
文章编号:1008-8725（2012）11-0108-03
题，同时与其它算法进行对比。
区域；d soi ,oj s：对象 oi 和 oj 在属性空间的距离。
1 蚁群算法与蚁群聚类算法
欧氏距离表示多维空间的几何距离，其定义为
1.1 蚁群算法 在蚁群行动途中遇到障碍物时，它们能利用很
短的时间选择最短路程到达目标地点。这一现象引 起了仿生学家的关注，通过大量的观察研究发现，蚂 蚁在寻找食物的过程中，在其经过的路上会留下信
Sigmoid 函数为概率转换函数。
①若某数据对象是孤立的，或此数据对象的相邻
当随机运动的蚂蚁个体没有负载时拾起一个数
域对象小于某一常数，则标注此数据对象为孤立点； 据对象的概率定义为
·110·
煤炭技术
第 31 卷
Pp =1-Sigmpoid f oi
（5） 斯突出的识别模式如表 4。
当随机运动的蚂蚁个体丢弃一个数据对象的概
实测瓦斯含量，去除不可靠点和离散点后，采用 33 理、裂隙及层滑构造的煤岩体在高应力作用、瓦斯参
个比较可靠的瓦斯含量，回归了煤层瓦斯含量与煤 与条件下的摩擦滑动失稳（粘滑），为典型的地应力
层底板上覆基岩厚度的关系，如图 3 所示。从图中可 为主的压出。因此，在埋深较大的中部丁集盆状构造
以看出，瓦斯含量与煤层底板标高的相关性并不高， 区和南部平缓区开采时，要采取以卸压为主的区域
between each factor is very complex, therefore, based on the engineering analogue method,
adopts cluster analysis method to estimate rather than applies simple solution to judge and
此函数获得拾起概率或放下概率。当临域数据和蚂 蚁个体遇到的数据对象的相似度较小，表明该数据 不属于此临域的概率较小，则数据对象被丢弃的概
象进行判断，否则蚂蚁个体携带该对象向一个新位 率较低，拾起的概率较高；反之数据对象被丢弃的概
置移动。
率较高，拾起的概率较低。通过此原理选择对称式
（6）for i=1，2，…，n（针对所有对象）
University of Science and Technology, Taiyuan 030024, China）
Abstract:Because the influencing factors to coal and gas outburst are numerous and the relation
瓦斯含量，运用瓦斯地质学理论，将丁集煤矿划分为
4 个构造区，其中中部丁集盆状构造区和南部平缓
区的瓦斯含量相对较大，突出危险程度较高。
（2） 研究了丁集煤矿 11-2 煤层瓦斯地质规律，
图 2 11-2 煤层北部潘集背斜构造区瓦斯含量和煤层 底板上覆基岩厚度的关系
得出地质构造、煤层露头和煤层底板上覆基岩厚度 等是影响该煤层瓦斯变化的主要因素。
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
图 2 所示。从图中可以看出，瓦斯含量随煤层底板标 盆状构造区东南部的背斜平缓轴部。可见丁集煤矿
高增加呈增大趋势，相关系数较大，达到 0.74。中部 突出事故与地质构造有较大联系。另外，这 3 次突出
丁集盆状构造区有 21 个地勘瓦斯含量和 21 个井下 事故调查结果显示其力学机制突出表现为具有节
第 31 卷第 11 期 2012 年11 期
煤炭技术
Coal Technology
Vol.31,No.11 November,2012
蚁群聚类在煤与瓦斯突出预测中的应用
王海柱 1，郭勇义 1，2，吴世跃 1，彭 涛 1
（1. 太原理工大学 矿业工程学院, 太原 030024；2． 太原科技大学, 太原 030024）
III
10.5
3.3
指标 S2，S3，S6
X3 4.22 1.56 0.95
需要说明的是：在聚类的过程中，由于个别数据 与其他数据均相差较大，当蚂蚁个体拾起后将会很 难放下，所以在算法后期将 c 值增大，以便蚂蚁将此 数据放下。
蚂蚁个体数目对聚类效果和收敛速度会产生一 些影响，若蚂蚁个体数目较少，则收敛速度较慢；反 之，则聚类效果较差。当蚂蚁个体拾起一个数据对象 时，则其临域计算平均相似性时将不会计算它，若蚂 蚁个体数目较多，则会使此种现象较多，使计算结果 不够准确。所以在实际应用中要结合具体问题或者 采用试算的方法来决定蚂蚁数目。
版社,2005. [3] 于不凡.煤矿瓦斯灾害防治及利用技术手册[M].北京:煤炭工业
时间顺序，下同） 发生突出的地点附近有一个落差
出版社,2005.
0~8 m 的封闭断层，且处于中部丁集盆状构造区中 [4] 林柏泉，张建国.矿井瓦斯抽放理论与技术[M].徐州:中国矿业大
部向斜轴部；第三次发生突出的地点位于中部丁集
Use of Ant Colony Clustering in
Coal and Gas Outburst Prediction
WANG Hai-zhu1, GUO Yong-yi1,2, WU Shi-yue1, PENG Tao1
（1. College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China; 2. Taiyuan
负荷状态。
①v 为随机数：蚂蚁速度为 1 到最大速度见的
（4）使每个蚂蚁获得一个随机运动速度 v。
任意数。
（5）for i=1，2，…，M，for j=1，2，…，N（计算对象
②v 为常数：任何时刻所有蚂蚁运动速度相同。
的平均相似性）
③v 为递减随机数：刚开始为了聚类速度快使
若蚂蚁个体未负载，则进行计算其拾起概率 Pp。 若拾起概率 Pp 大于一个随机概率，同时该对象没有 被其它蚂蚁个体拾起，则蚂蚁个体拾起该对象并随
（3） 通过对 11-2 煤层 3 次突出事故的简要分
析，指出发生的事故与地应力和地质构造有密切关
系。建议在埋深较大的中部丁集盆状构造区和南部
平缓区开采时，要采取以卸压为主的区域防突措施，
在地质异常区采取相应的防突措施。
（4）初步总结了丁集煤矿 11-2 煤层的瓦斯地质
图 3 11-2 煤层中部丁集盆状构造区瓦斯含量和煤 层底板上覆基岩厚度的关系
蚂蚁的运动速度对聚类的效果也有影响。运动
（2）把数据对象随机分布到一个平面中，使每个 快的蚂蚁能够较快的将数据对象粗略地分为几大
数据随机获得一个坐标值（x，y）。
类，而运动慢的蚂蚁能精准的识别对象。所以，按蚂
（3）为每个蚂蚁随机分配一个数据对象，使其为 蚁运动速度的不同，可以有 3 种不同的速度定义：
学出版社,1996.
（责任编辑 王凤英）
收稿日期:2011-11-28;修订日期:2012-06-18 作者简介:王海柱（1986-），男，内蒙古赤峰人，太原理工大学矿业工程学院硕士研究生在读，研究方向：煤与瓦斯突出。
第 11 期
王海柱，等：蚁群聚类在煤与瓦斯突出预测中的应用
·109·
0 引言
②否则为此数据对象分配一个聚类序列号，并 递归地为其邻域对象标记为相同的序列号。
蚂蚁有一个较大的初速度，后期为了使聚类效果比 较精确使其速度随机减小。这里为了研究方便采用 第 1 种速度定义方式。
机移走，并标记负载，否则蚂蚁个体对其它对象进行 1.4 概率转换函数的计算
随机选择。
概率转换是关于平均相似性的函数，可以通过
若蚂蚁个体已负载，则进行计算其放下概率 Pd。 若放下概率 Pd 大于一个随机概率，则蚂蚁个体丢弃 该对象，同时标记自己没有负载，并且选择一个新对