1引言
煤炭在我国一次能源中的主导地位短期内不会发生根本性改变。随着煤炭产量的增长，近年来我国煤矿生产事故频繁发生，安全形势非常严峻。煤矿事故已经成为社会各界关注的焦点。而煤与瓦斯突出是煤矿生产过程中的一种严重自然灾害。长期以来，煤与瓦斯突出事故严重制约着我国煤矿生产和煤炭企业经济效益的提高，给煤矿安全生产和井下作业人员的生命财产安全带来了极大威胁。因此，正确预测矿井煤与瓦斯突出的规模，对于煤炭企业安全生产具有重要的现实意义。
目前关于煤与瓦斯突出的预测方法主要有：单项指标法、瓦斯地质统计法、D与K综合指标法、钻孔瓦斯涌出初速度法、钻屑指标法、R综合指标法以及灰色预测法、声发射技术和电磁辐射法等[1,2]。煤与瓦斯突出与其影响因素之间存在着复杂的非线性关系，上述方法预测的准确性往往不高。国内也有许多学者采用非线性建模方法（比如神经网络）来建立煤与瓦斯突出预测模型，但这些方法需要大量的样本进行学习，才能获得较高的预测精度，而煤与瓦斯突出的样本往往较少[3]。
大量研究表明，组合预测模型往往比单一预测模型的效果要好，而随机森林就是一种组合的预测方法，同时也是针对非线性、小样本的预测方法。国内用随机森林方法对煤与瓦斯突出进行预测的研究还很鲜见。因此，本文拟采用随机森林算法构建煤与瓦斯突出预测模型。
2随机森林
2.1随机森林基本原理
随机森林(randomforests)是Breiman于2001年提出的一种分类和预测模型，具有较好的泛化性和准确性[4]。它是一种非线性建模工具，是目前数据挖掘、生物信息学等领域最热门的前沿研究方法之一。随机森林分类模型[5]是由很多决策树分类模型 组成的组合分类模型，参数集
是独立同分布的随机向量，在给定输入变量X下, 每个决策树分类模型都有相应的投票权来选择最优的分类结果（输出变量）。
随机森林用bootstrap抽样方法构造k个不同的训练集增加分类模型间的差异，从而提高组合分类模型的外推预测能力。经k轮训练，得到一个分类模型序列，再用它们构建一个组合分类模型，该组合模型的最终分类结果采用简单多数投票法。最终的分类决策:
其中，表示组合分类模型，
是单个决策树分类模型，y表示输出变量(或称预测结果) ，
为示性函数，示性函数定义为：
2.2随机森林算法
步骤1：用bootstrap抽样方法从原始训练集中抽取
步骤2：对于每一个bootstrap样本，生成一个未修剪的决策树。在树生成过程中，对于每个节点，从所有特征集中随机选择
步骤3：通过组合个决策树的预测结果对新的数据进行预测。
3基于随机森林的煤与瓦斯突出预测模型
3.1影响煤与瓦斯突出的指标选择及数据收集
煤与瓦斯突出的影响因素比较多，例如地质构造、地应力、瓦斯参数、煤体结构及煤质等因素[7]，通过参考其他文献和综合考虑各个影响因素对煤与瓦斯突出影响程度的大小以及因素是否易于测定，最终选取瓦斯压力（MPa）、瓦斯放散速度(m/s)、地质构造、煤的坚固性系数、开采深度（垂深）(m)这5个因素作为样本指标。考虑到数据的可得性，本文采用文献[1]的相关数据，如表1所示。
表1 煤与瓦斯突出规模及其影响因素
| 瓦斯压力P(MPa) | 放散速度ΔP(m/s) | 地质构造D | 坚固系数F | 垂深H(m) | 突出规模 | |
| 1 | 2.75 | 19.00 | 3 | 0.31 | 620 | 大 |
| 2 | 0.95 | 6.00 | 5 | 0.24 | 445 | 小 |
| 3 | 3.95 | 14.00 | 3 | 0.24 | 552 | 小 |
| 4 | 1.20 | 18.00 | 3 | 0.16 | 462 | 小 |
| 5 | 1.17 | 5.00 | 1 | 0.61 | 395 | 无 |
| 6 | 1.25 | 8.00 | 3 | 0.36 | 745 | 中 |
| 7 | 2.80 | 8.00 | 3 | 0.59 | 425 | 小 |
| 8 | 2.00 | 7.00 | 1 | 0.48 | 460 | 无 |
| 9 | 3.95 | 14.00 | 3 | 0.22 | 543 | 大 |
| 10 | 2.90 | 4.00 | 5 | 0.51 | 442 | 大 |
| 11 | 1.40 | 6.00 | 3 | 0.42 | 426 | 大 |
| 12 | 1.40 | 4.00 | 3 | 0.58 | 428 | 无 |
| 13 | 2.16 | 14.00 | 4 | 0.34 | 510 | 小 |
| 14 | 0.95 | 6.00 | 3 | 0.24 | 455 | 中 |
| 15 | 1.05 | 4.80 | 2 | 0.60 | 477 | 无 |
| 16 | 2.39 | 11.00 | 3 | 0.28 | 515 | 小 |
| 17 | 3.00 | 3 | 0.51 | 400 | 无 | |
| 18 | 2.16 | 14.00 | 4 | 0.58 | 485 | 小 |
| 19 | 2.40 | 8.00 | 1 | 0.42 | 519 | 小 |
| 20 | 0.75 | 7.40 | 4 | 0.37 | 740 | 中 |
| 21 | 3.95 | 6.00 | 5 | 0.54 | 543 | 大 |
| 22 | 1.65 | 4.00 | 2 | 0.53 | 438 | 无 |
其中，按照煤与瓦斯突出规模(实际为抛出煤重量)的大小可将其分为四类：①无突出(简称“无”)；②小型突出(50吨以下，简称“小”)；③中型突出(50～100吨简称“中”)；④大型突出(100吨以上，简称“大”)。
3.2基于随机森林的煤与瓦斯突出预测模型构建
这里将表1中样本号为1~16的数据作为训练样本，将样本号为17~22的数据作为测试样本。在R软件平台上（需要安装randomForest函数包），通过编写程序来构建基于随机森林的煤与瓦斯突出预测模型。随机森林算法主要需要确定两个参数，这两个参数对模型的预测效果具有一定的影响。第一个参数就是树的数量，当树的数量足够大时，误差才趋于稳定，这里取
；第二个参数是在树生成过程中，对于每个节点，从所有特征集中随机选择特征用于分裂的变量个数
。一般而言，对于分类预测来说，R软件默认的是
，其中p是所有特征变量的个数。这里为了确定合适的参数值，可以通过OOB误差来选择。通过在R平台上计算，确定。由图1可以知道，当
=1时，OOB误差最小。另外由图2可以知道，当
时，误差也趋于稳定。
在R软件平台下，用训练数据集对随机森林预测模型进行训练，然后用训练好后的模型对17~22号样本的煤与瓦斯突出情况进行预测，并将预测结果与实际煤与瓦斯突出进行对比，如表2所示。
表2 17~22号样本煤与瓦斯实际突出规模和预测结果
| 样本号 | 瓦斯压力P(MPa) | 放散速度ΔP(m/s) | 地质构造D | 坚固系数F | 垂深H(m) | 突出规模 | 预测结果 |
| 17 | 1.40 | 3.00 | 3 | 0.51 | 400 | 无 | 无 |
| 18 | 2.16 | 14.00 | 4 | 0.58 | 485 | 小 | 小 |
| 19 | 2.40 | 8.00 | 1 | 0.42 | 519 | 小 | 小 |
| 20 | 0.75 | 7.40 | 4 | 0.37 | 740 | 中 | 中 |
| 21 | 3.95 | 6.00 | 5 | 0.54 | 543 | 大 | 大 |
| 22 | 1.65 | 4.00 | 2 | 0.53 | 438 | 无 | 无 |
由表2可知，基于随机森林构建的预测模型，其预测的正确率还是很高的。值得一提的是，可以将训练好的预测模型用R软件的save命令保持为一个文件，然后用visual Studio 2010开发一个简单的小型系统（需要下载并引用R.Net.dll,实现C#与R平台的通信），用C#语言将用户输入的参数传给R平台，然后调用R的相关函数和上面构建的随机森林预测模型，最后将预测结果展现给用户，如图3所示。
图3 基于随机森林的煤与瓦斯突出预测软件系统
4 结论
煤与瓦斯突出是煤矿开采的主要工程问题之一，正确预测矿井煤与瓦斯突出的规模，对于煤炭企业安全生产具有重要的现实意义。现将本文主要的工作总结如下：
（1）随机森林构建的预测模型能较好地描述煤与瓦斯突出和其影响因素之间复杂的非线性关系，该方法适用于煤与瓦斯突出样本少的情况；
（2）在R软件平台上构建了基于随机森林的煤与瓦斯突出预测模型，结合Visual Studio 2010工具，开发了一个简单的小型系统，该系统可以简化模型预测细节，用户只需要通过该系统界面输入瓦斯压力、瓦斯放散速度、地质构造、煤的坚固性系数和开采深度（垂深）这5个因素具体的数值，就可以调用本文构建的预测模型，得出预测结果，并将结果以友好的形式展现给用户。
参考文献：
[1]田云丽,周利华.基于BP神经网络的煤与瓦斯突出预测方法的研究[J].系统工程理论与实践,2005,(12):102-106.
[2]聂百胜,何学秋,王恩元,等.煤与瓦斯突出预测技术研究现状及发展趋势[J].中国安全科学学报,2003,13(6):43-46.
[3]邵剑生,薛惠锋. 基于PSO-SVM的煤与瓦斯突出强度预测模型[J].西华大学学报(自然科学版),2012,31(1): 63-66.
[4] BREIMAN L. Random forests [J ] .Machine Learning, 2001, 45 (1):5-32.
[5]方匡南,吴见彬,朱建平等.随机森林方法研究综述[J].统计与信息论坛,2011,26(3):32-38
[6]Andy Liaw,Matthew Wiener.Classification andRegression by randomForest[J].R News, 2002,2(3):18-22.
[7]陈全秋. 遗传算法与神经网络相结合在煤与瓦斯突出危险预测中的应用研究[D].太原理工大学,2010.
核心代码：
using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Windows.Forms;
namespace CoalandGasOutburstPredictingByRandomForest
{
using RDotNet;
public partial class frmMain : Form
{
// public static REngine engine = null;
public frmMain()
{
InitializeComponent();
}
private void btnSumbit_Click(object sender, EventArgs e)
{
// REngine.SetDllDirectory(@"C:\Program Files\R\R-2.15.0\bin\i386");
if (!string.IsNullOrEmpty(this.txtPram1.Text) && !string.IsNullOrEmpty(this.txtPram2.Text) && !string.IsNullOrEmpty(this.txtPram3.Text) && !string.IsNullOrEmpty(this.txtPram4.Text) && !string.IsNullOrEmpty(this.txtPram5.Text))
{
REngine engine = REngine.GetInstanceFromID("RDotNet") ?? REngine.CreateInstance("RDotNet");
//engine.Initialize();//只能初始化一次
string strCreateTest = string.Format("test2=data.frame(X1={0},X2={1},X3={2},X4={3},X5={4},Y=0)", double.Parse(this.txtPram1.Text), double.Parse(this.txtPram2.Text), double.Parse(this.txtPram3.Text), double.Parse(this.txtPram4.Text), double.Parse(this.txtPram5.Text));
string cmd8 = @"predict(RF.Model,test2[,-6],type='response')";
engine.Evaluate(strCreateTest);
IntegerVector index = engine.Evaluate(cmd8).AsInteger();
this.txtOutput.Text = getResult(index[0]);
}
else
{
MessageBox.Show("参数不能为空!","提示",MessageBoxButtons.OK,MessageBoxIcon.Warning);
}
}
private void frmMain_Load(object sender, EventArgs e)
{
REngine engine = REngine.GetInstanceFromID("RDotNet") ?? REngine.CreateInstance("RDotNet");
engine.Initialize();
//this.txtOutput.Text = engine.IsRunning.ToString();
string RFDir = System.IO.Directory.GetCurrentDirectory().ToString() + "\\model\\RF.Model.RData";
// string cmd = @"load(file='C:\\Users\\wm\\Desktop\\RF.Model.RData',envir = parent.frame())";
string cmd = string.Format("load(file='{0}',envir = parent.frame())",RFDir.Replace("\\","\\\\"));
string cmd2 = @"library(randomForest)";
engine.Evaluate(cmd2);
engine.Evaluate(cmd);
// MessageBox.Show(System.IO.Directory.GetCurrentDirectory().ToString());
}
private void frmMain_FormClosed(object sender, FormClosedEventArgs e)
{
var engine = REngine.GetInstanceFromID("RDotNet");
if (engine != null)
{
engine.Dispose();
}
}
private string getResult(int index)
{
string res = "NA";
if (index == 1)
{
res = "大型突出";
this.txtIndicator.BackColor = System.Drawing.Color.Red;
}
else if(index==2)
{
res = "无突出";
this.txtIndicator.BackColor = System.Drawing.Color.Green;
}
else if(index==3)
{
res = "小型突出";
this.txtIndicator.BackColor = System.Drawing.Color.Yellow;
}
else if(index==4)
{
res = "中型突出";
this.txtIndicator.BackColor = System.Drawing.Color.Coral;
}
else
{
res = "未知";
}
return res;
}
private void btnOpen_Click(object sender, EventArgs e)
{
ofdCSV.CheckFileExists = true;
ofdCSV.CheckPathExists = true;
if (ofdCSV.ShowDialog() == DialogResult.OK)
{
string filePath = ofdCSV.FileName;
if (System.IO.File.Exists(filePath))
{
frmImportCsv frmCSV = new frmImportCsv(filePath);
frmCSV.Show();
}
else
{
MessageBox.Show("该文件不存在", "提示", MessageBoxButtons.OK);
}
}
}
}
}
7572
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
