一个基于内核极端学习机器的微地震信号预测模型,由哈里斯·霍克斯算法优化
Wei Zhu1, Yuting Bian1, Duo Lin1
1School of Resources and Safety Engineering, Central South University, Changsha, 410083, China.
Scientific reports
|November 18, 2025
概括
这项研究引入了一种新的算法 (bKSHHO-KELM),用于使用微地震和爆炸信号早期检测岩石危险. 该方法实现了高精度,提高了资源开采期间的矿山安全.
科学领域:
- 地质技术工程 地质技术工程
- 采矿领域的人工智能
- 信号处理 信号处理
背景情况:
- 实时监测岩石稳定性对于矿产开采的安全至关重要.
- 微震和爆炸信号是岩石破裂和潜在灾害的关键早期指标.
研究的目的:
- 开发一种高效准确的方法来识别微地震和爆炸信号.
- 为了使矿业操作中岩石危险的早期预警系统.
主要方法:
- 提出了一个二进制的哈里斯·霍克斯优化算法与内核搜索 (bKSHHO).
- 该bKSHHO算法与内核极端学习机器 (KELM) 集成,以创建bKSHHO-KELM预测模型.
- 通过对十个基准算法进行验证,KSHHO算法的优化能力得到了验证.
主要成果:
- 对于微地震和爆炸信号,bKSHHO-KELM模型实现了高预测准确度 (95.625%),回忆 (93.964%),精度 (92.632%) 和F1得分 (0.931).
- 提出的KSHHO算法展示了强大的优化能力.
结论:
- bKSHHO-KELM模型为微地震危险提供了高效准确的早期预警解决方案.
- 这种方法通过预测潜在的岩石不稳定性,显著提高了矿山安全管理.


