(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210929105.X (22)申请日 2022.08.03 (71)申请人 西安科技大 学 地址 710054 陕西省西安市雁塔中路58号 (72)发明人 高喜才　刘帅　虎艳　马腾飞　 张锡琛　夏欢　宁佳瑞　张俊博　 陈宇竹　邹尚坤　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 姚咏华 (51)Int.Cl. G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06F 16/29(2019.01) (54)发明名称 基于SSA-ELMAN中深埋厚煤层导水裂隙带预 测方法 (57)摘要 本发明公开了一种基于SSA ‑ELMAN中深埋厚 煤层导水裂隙带预测方法， 包括 分别采集矿区中 深埋厚煤层矿井工作面影响导水裂隙带发育高 度数据集， 进行预处理， 补齐缺失特征数据， 归一 化处理并划分为训练集和测试集； 建立Elman神 经网络模型； 将训练集输入到Elman神经网络模 型中训练， 利用SSA算 法优化Elman神经网络并获 取最优的权重和阈值； 将测试集输入到优化后 Elman神经网络中， 反归一化， 将预测结果与实测 值误差分析， 评价模型性能。 该方法精确、 成本 低、 速度快、 预测准确率高， 实现了西部中深埋厚 煤层采动过程中工作面涌水量的准确预计及相 关顶板水害精准防控。 权利要求书2页 说明书9页 附图3页 CN 115293316 A 2022.11.04 CN 115293316 A 1.一种基于S SA‑ELMAN中深埋厚煤层导水裂隙带 预测方法， 其特 征在于， 包括： 根据矿区中深埋厚煤层矿井水文地质与开采技术条件、 工作面综合柱状基础资料， 分 别采集矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素 数据集； 对数据集进行预处理， 补齐缺失的特征数据， 进行归一化处理并划分为训练集和测试 集； 建立Elman神经网络模型； 将训练集输入到Elman神经网络模型中进行训练， 利用SSA算法优化Elman神经网络并 获取最优的权 重和阈值； 将测试集输入到优化后的Elman神经网络中， 将输出的预测结果进行反归一化， 得到最 终预测结果； 将最终预测结果与对应的实测值进行误差分析， 评价S SA‑Elman模型的性能。 2.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 矿区中深埋厚煤层矿井工作面影响导水裂隙带发育高度相关因素包括： 开采方式、 采 高、 工作面 斜长、 埋深、 推进速度和基岩中硬软岩厚度之比。 3.根据权利 要求2所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 开采方式包括综采和综放。 4.根据权利 要求2所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 硬软岩厚度之比为估算导水裂隙带发育到的地层内坚硬岩层或砂岩与软弱岩层或泥岩 的厚度和之比。 5.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 对数据集进 行预处理， 采用K近邻缺 失值填补法填补缺失的特征数据， 采用min ‑max方法 进行归一 化， 消除不同指标量级之间的影响。 6.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 建立Elman神经网络模型， 具体包括： 确定Elman神经网络中的输入层、 隐藏层、 承接层和输出层对应的神经元初始层数及个 数， 输入层对应中深埋厚煤层矿井工作面影响导水裂隙带发育高度， 输出层对应导水裂隙 带高度； 初始化Elman网络结构最大训练误差、 学习率和动量因子； 利用随即函数生成[0,1]区间的随机数作 为权值及阈值初始值， 形成初始的Elman神经 网络。 7.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 利用SSA算法中的发现者、 加入者和警戒者分别进行位置更新， 加快在Elman神经网络中 的权值及阈值 参数的搜索范围和速度， 优化S SA‑ELMAN模型。 8.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 利用S SA算法优化Elman神经网络， 具体包括： 初始化SSA算法的参数， 包括麻雀种群的数量， 最大进化次数， 安全值、 发现者及警戒者 比例和需要达 到的精度初始参数； 将Elman神经网络的隐藏层和输出层的权值及阈值， 作为S SA算法的待优化 参数； 算法开始搜索前， 通过经验设置参数各自的优化范围， 定义第i只麻雀在D维搜索空间权　利　要　求　书 1/2 页 2 CN 115293316 A 2中的位置， 每 个位置的元 素代表着对应Elman神经网络隐藏层和输出层的权值和阈值； 计算种群所有个体的适应度， 设定适应度函数为均方误差函数， 选择适应度值最小的 个体位置作为全局最优初始位置； 确定位置更新公式、 加入者 位置更新公式和警戒者 位置更新公式； 对比所有更新完位置的个体， 比较更新前后的适应度值， 以最优的适应度值对应更新 最优解的位置； 判断是否满足精度 条件或者循环终止条件， 不满足则继续返回S45进行循环求最优解， 满足则输出最优解得到最优 模型。 9.根据权利 要求1所述的基于SSA ‑ELMAN中深埋厚煤层导水裂隙带预测方法， 其特征在 于， 采用平均绝对误差和均方根 误差作为评估预测模型性能的指标。 10.一种权利要求1 ‑9任一项所述方法在西部深埋弱胶结基岩厚煤层导水裂隙带预测 中应用。权　利　要　求　书 2/2 页 3 CN 115293316 A 3