基于PCA-PSO-SVM的煤岩可钻性预测方法Coal-rock Drillability Prediction Method Based on PCA-PSO-SVM
甘林堂,张幼振,张磊,陈韬,张凯,姚克,宋海涛
摘要(Abstract)：
煤岩可钻性的预测是实现煤矿井下智能化钻探的基础。提出一种以钻进参数作为可钻性指标的分级方法，从钻进参数中选取4种影响岩石可钻性的等级因素，用主成分分析法（PCA）解释每种影响因素之间的相关性及贡献率，降低数据维度的同时提高预测能力。通过粒子群优化和支持向量机（PSO-SVM）算法开发，合理设置预测模型参数值。以淮南矿区现场实钻数据作为样本基础，建立煤岩可钻性预测模型。通过优化前后机器学习算法模型的预测对比结果表明，提出的预测方法对煤岩可钻性等级预测准确率达到97.5%，预测准确率相比传统方法更高。研究结果可以为煤矿井下钻进过程中的地层识别，实时优化钻机操控参数，实现自适应钻进控制提供理论依据。
关键词(KeyWords)： 煤岩可钻性;主成分分析法;PSO-SVM算法;钻进参数;预测模型;淮南矿区
基金项目(Foundation): 陕西省自然科学基础研究重点项目（2024JC-ZDXM-30）;; 陕西省重点研发计划项目（2023-YBGY-340）
作者(Author): 甘林堂,张幼振,张磊,陈韬,张凯,姚克,宋海涛
参考文献(References)：
- [1]袁亮，张平松.煤炭精准开采地质保障技术的发展现状及展望[J].煤炭学报，2019,44(8):2277-2284.
- [2]毛怀勇，王正，刘凯祥，等.井下近水平定向钻进技术在煤矿奥灰水害防治中的应用[J].中国煤炭地质，2023,35(8):38-44.
- [3]沙林秀，张奇志，贺昱曜.基于SDCQGA优化BP神经网络的岩石可钻性建模[J].西安石油大学学报（自然科学版），2013,28(2):92-97.
- [4]HOSEINIE S H,AGHABABAEI H,POURRAHIMIAN Y.Development of a new classilication system for assessing of rock mass drillability index(RDi)[J].International Journal of Rock Mechanics and Mining Sciences,2008,45:1-10．
- [5]张幼振，范涛，阚志涛，等.煤矿巷道掘进超前钻探技术应用与发展[J].煤田地质与勘探，2021,49(5):286-293.
- [6]刘少伟，冯友良，刘栋梁.煤巷层状顶板岩石钻进动态响应特性数值试验[J].岩石力学与工程学报，2014,33(S1):3170-3176.
- [7]YANG Z,SHI Y,LI P,et al.Application of principal component analysis(PCA) to the evaluation and screening of multiactivity fungi[J].Journal of Ocean University of China,2022,21(3):763-772.
- [8]冯上鑫，王善勇.旋切作用下岩石破碎机理及岩石可钻性的试验研究[J].煤炭学报，2022,47(3):1395-1404.
- [9]段会军.矿井隐蔽火源异常区定向钻进探查[J].中国煤炭地质，2020,32(3):70-73.
- [10]王亚飞，张占荣，刘华吉，等.基于模型融合的钻进参数识别岩石类型研究[J].钻探工程，2023,50(2):17-25.
- [11]李鑫涛.煤巷顶板锚固孔钻进特性试验研究[D].河南焦作：河南理工大学，2015.
- [12]张幼振，张宁，邵俊杰，等.基于钻进参数聚类的含煤地层岩性模糊识别[J].煤炭学报，2019,44(8):2328-2335.
- [13]蒲先渤，李泽群，尹飞，等.基于PCA-LM-BP神经网络的岩石可钻性预测研究[J].钻探工程，2023,50(6):63-68.
- [14]李乾，张海山，邱康，等.东海深部地层岩石可钻性预测方法研究[J].中国海上油气，2020,32(2):126-133.
- [15]董青青，梁小丛.基于优化的BP神经网络地层可钻性预测模型[J].探矿工程（岩土钻掘工程），2012,39(11):26-28.
- [16]谢志江，常雪，杨林，等.基于机械比能理论的煤岩可钻性分级方法[J].煤田地质与勘探，2021,49(3):236-243.
- [17]周游，张广智，高刚，等.核主成分分析法在测井浊积岩岩性识别中的应用[J].石油地球物理勘探，2019,54(3):667-675,490.
- [18]郑恩涛，吴思燕，胡志涛，等.一种改进的PSO-SVM算法[J].应用数学进展，2021,10(7):2305-2313.