随着煤矿开采深度、范围和强度的不断增加，巷道支护面临的条件逐渐复杂化，巷道支护设计繁琐、效果差等问题日益突出。目前支持向量机（SVM）、随机森林（RF）等算法在岩土工程领域取得了很好的应用效果，但在煤矿巷道支护领域应用较少。为了全面研究不同的机器学习模型进行支护参数设计的适用性，建立了煤巷支护智能预测数据库，将SVM、ANN、RF、AdaBoost（ADA）和朴素贝叶斯分类器（NBC）5种机器学习方法引入煤巷锚杆支护参数预测中，建立评价体系对模型的性能进行评价，验证机器学习方法在煤巷锚杆支护参数预测方面的可行性。

       1）煤巷支护数据库建立。首先采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本；然后采用缺失值填补、离群点处理及异常样本剔除等方式对数据进行清洗处理，建立煤巷支护数据库；最后按照 8∶2 的比例将数据库中的数据分成训练集与测试集，并采用合成少数类过采样技术（SMOTE）平衡训练样本，经标准化处理后即可用来训练和测试模型。

图1  煤巷支护数据库整体构建流程

       2）煤巷支护参数预测模型建立。首先建立煤巷锚杆支护数据库；然后通过SMOTE平衡样本、数据标准化和遗传算法（GA）超参数寻优等步骤优化改进SVM支护参数预测模型的性能；最后经过模型训练和测试建立满足精度要求的SMOTE− GA−SVM支护参数预测模型。

图 2  SMOTE−GA−SVM支护参数预测模型建立流程

      1）测试结果表明：基于SMOTE−GA−SVM的煤巷支护参数预测模型的分类精度达83.8%，比传统的SVM模型提高了21.8%。

      2）基于不同机器学习算法的煤巷支护参数预测模型从最优到最差排序为SMOTE−GA−SVM、RF、GA−ANN、SVM、NBC和ADA，6种模型的平均分类精度达69.9%，验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性。

     3）工程应用表明，SMOTE−GA−SVM 模型能够很好地掌握巷道特征参数到锚杆、锚索支护参数的非线性映射能力，具有较强的适用性和可靠性，对煤巷锚杆、锚索支护参数设计具有一定的参考价值。

陈攀（1998—），男，云南曲靖人，硕士，主要从事巷道支护和水利勘察工作，E-mail：18811432245@163.com。

陈攀，马鑫民，向俊杰，等. 煤巷支护参数预测研究[J]. 工矿自动化，2023，49（10）：133-141.

CHEN Pan, MA Xinmin, XIANG Junjie, et al. Research on prediction of support parameters for coal roadways[J]. Journal of MineAutomation，2023，49（10）：133-141.