期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于特征衍生和机器学习的煤层瓦斯含量影响因素
1
作者 王建辉 王福军 +5 位作者 陈文 王小军 吴旋 李明杰 周函 高成登 《科学技术与工程》 北大核心 2025年第23期9748-9758,共11页
随着开采深度的增加,井下环境变得愈加复杂,为明确各因素对煤层瓦斯含量变化的影响规律。首先对煤层瓦斯含量影响因素采用特征衍生和贝叶斯优化算法(tree-structured parzen estimator,TPE)进行数据处理,然后采用多项式特征衍生、交叉... 随着开采深度的增加,井下环境变得愈加复杂,为明确各因素对煤层瓦斯含量变化的影响规律。首先对煤层瓦斯含量影响因素采用特征衍生和贝叶斯优化算法(tree-structured parzen estimator,TPE)进行数据处理,然后采用多项式特征衍生、交叉组合特征衍生、分组统计特征衍生出11个新特征,通过决策树与随机森林算法对瓦斯含量的影响因素进行研究。结果表明:在决策树模型下排名前四的影响因素分别是新特征9(泥岩厚度×煤矿构造)、新特征5(砂泥岩比×泥岩厚度)、新特征1(砂泥岩比×砂泥岩比)和新特征3(挥发分×挥发分),得到均方误差(mean square error,MSE)为0.0692、决定系数(R^(2))值为0.9423。在随机森林模型下排名前四的影响因素分别是新特征9(泥岩厚度×煤矿构造)、新特征1(砂泥岩比×砂泥岩比)、砂泥岩比和泥岩厚度,得到的MSE为0.04583,R^(2)为0.9618。在经过TPE超参数优化的随机森林模型下排名前四的影响因素分别是新特征9(泥岩厚度×煤矿构造)、新特征6(砂泥岩比×挥发分、砂泥岩比)和新特征7(砂泥岩比×煤矿构造),得到的MSE为0.01566,R^(2)为0.9909。在决策树、随机森林和TPE调参随机森林三种算法预测得到的均方误差逐渐减小,R^(2)值逐渐增大。三种模型算法预测中新特征9都是权重最大,是最重要的影响因素;在权重排名2~4的影响因素中都包含了泥岩厚度,可见泥岩厚度对煤层瓦斯含量也是重要影响因素。 展开更多
关键词 决策树 随机森林 特征衍生 TPE 瓦斯含量
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部