Прогноз выбросов угля и газа на основе увеличения данных и нейроэволюции

Выброс угля и газа (CGO) является сложным природным риском при добыче угля в подземных шахтах. Для создания «умных шахт» необходима эффективная и точная оценка риска CGO. В статье предложен метод прогнозирования риска CGO на основе увеличения данных и алгоритма нейроэволюции, обозначенный как ANEAT. Во-первых, признаки образцов преобразуются покомпонентно с помощью функции передачи интенсивности для получения новых образцов признаков, что решает проблемы несбалансированности данных и недостаточной их разнообразности. Во-вторых, к увеличенным данным применяются ранжирование по важности признаков и разреженный метод главных компонент (Sparse PCA) для снижения размерности, что обеспечивает наченное геномное кодирование для эволюционной нейронной сети. Наконец, строится эволюционная нейронная сеть для прогнозирования CGO через инициализацию популяции, оценку приспособленности, дифференциацию видов, мутацию генома и рекомбинацию; в ходе поколений достигается оптимальный фенотип. В эксперименте эффективность ANEAT подтверждается с разных сторон: анализ эффективности увеличения данных, сравнение с моделями глубокого обучения, сравнение с алгоритмами ройной оптимизации и иные сопоставления. Результаты показывают, что на тестовой выборке ANEAT достигает MAE = 0.0816, RMSE = 0.1322 и EVAR = 0.8972, демонстрируя оптимальную точность прогнозирования CGO. ANEAT обеспечивает высокоточное отображение между параметрами признаков и риском выброса при использовании облегчённой архитектуры сети, что делает его пригодным для прогнозирования CGO.