爆堆前冲和后冲距离的GSM_GA-SVM预测模型_何晓华.pdf

收稿日期2020-04-05 作者简介何晓华 （1965） ， 男， 高级工程师。 总第 528 期 2020 年第 6 期 金属矿山 METAL MINE 爆堆前冲和后冲距离的GSM/GA-SVM预测模型 何晓华 1 （中钢集团马鞍山矿山研究总院股份有限公司， 安徽 马鞍山 243000） 摘要借助支持向量机模型并考虑影响爆堆前冲距离和后冲距离的影响因素， 提出了爆堆前冲和后冲的支 持向量机 （SVM） 预测模型。结合工程实例和爆破作业方式， 本次实验选择第1排炮孔的孔深、 孔距、 抵抗线距离、 坡角、 超钻长度、 药量、 炮孔堵塞长度， 以及第2～8排炮孔的孔深、 孔距、 排距、 超钻长度、 药量、 炮孔堵塞长度作为影 响因素， 以爆堆的前冲距离和后冲距离作为因变量， 并分别采用网格搜索的方式 （GSM） 和遗传算法 （GA） 对基于支 持向量机预测模型的超参数进行优化调节， 利用从现场收集来的40组爆破实例构建和评价预测模型。最终的预 测结果表明， 从现场收集来的相关参数与爆堆位移之间构成一定的映射关系， 结合启发式算法的爆堆位移支持向 量机预测模型能够得到较好的预测精度。 关键词爆堆前冲爆堆后冲支持向量机预测 中图分类号TD854.2文献标志码A文章编号1001-1250 （2020） -06-177-07 DOI10.19614/ki.jsks.202006028 GSM / GA-SVM Prediction Model for Forward and Backward Replacement of Blasted Pile He Xiaohua2 （Sinosteel Maanshan General Institute of Mining Research Co.， Ltd.， Maanshan 243000， China） AbstractWith the help of support vector machine model and considering the factors that affect the distance of forward replacement and backward replacement，the prediction model of support vector machine（SVM）for the forward and back⁃ ward displacement of blasted pile was proposed． Combined with the engineering examples and blasting operation patterns， this experiment selects the hole depth，hole distance，resistance line distance，slope angle，over drilled length，charge quantity，stemming length of the first row of blasthole，as well as the hole depth，hole distance，row distance，over drilled length，charge quantity and stemming length of the second to eighth rows of blastholes as the influencing factors，and takes the forward and backward replacement distance of the blasting pile as the output variables． In addition，GSM（grid search ）and GA（genetic algorithm）are used to optimize and adjust the hyper-parameters of SVM prediction models． 40 groups of blasting examples collected from the field blasting operation are used to develop and uate the prediction model． The final prediction results show that there is a certain mapping relationship between the relevant parameters collected from the field and the blasting pile replacement，and the support vector machine prediction model of blasting displacement com⁃ bined with heuristic algorithm can get higher prediction accuracy． KeywordsForward blasting pile， Backward blasting file， Support vector machine， Prediction Series No． 528 June 2020 爆破作业作为最主要的破岩方式之一， 目前被 广泛应用于水利、 矿山、 隧道等领域 ［1-3］， 其成本低， 见效快， 但是爆破作业有时不可避免地会对周围的 环境和工作人员产生不良的影响， 比如爆破振动、 飞石、 噪音、 粉尘 ［4］等， 这些不良的影响轻则带来经 济损失， 严重的话则会引发经济纠纷或者导致人员 伤亡， 从而影响矿山的正常作业。究其原因， 主要 是影响爆破效果的因素过于复杂， 这些影响因素相 互影响， 与爆破效应之间构成了一个复杂的关系， 难以用一个函数来概括所有的影响因素； 为了避免 或者减轻这些危害的产生， 各个国家都制定不同的 爆破安全判据， 比如德国、 英国、 美国等， 我国也制 定了 GB 67222014 爆破安全规程 ， 与此同时， 众 多学者考虑采用数值模拟， 经验判定， 或者数值计算 的方式对爆破效应进行分析， 所产生的结果对减轻 爆破危害带来了很大的益处。 177 ChaoXing 金属矿山2020年第6期总第528期 然而， 目前对于爆堆的研究主要还是集中对爆 堆形态和爆破岩石质量的研究上 ［5-6］， 对于爆堆位移 的研究目前在爆破领域仍然有待于进行深入挖掘和 分析。爆堆位移主要可以分为爆堆前冲位移和爆堆 后冲位移， 爆破前冲位移是指岩石被爆破气体推动 从而整体产生向前位移的现象； 爆堆后冲位移是指 爆破作业后矿岩在工作面后方的冲击力作用下， 爆 堆整体向后位移的现象。传统的露天矿爆堆位移分 布测定主要是采用摄影法， 然后借助图像分析的技 术对成果进行鉴定， 但是这种技术往往需要耗费大 量的时间， 鉴定结果也受摄影技术的影响。本研究 考虑将先进的监督式学习技术应用到爆堆位移的预 测和分析上， 目前比较流行的监督式学习方法有支 持向量机、 随机森林、 神经网络等。支持向量机 （SVM） ［7］作为机器学习领域中非常重要的一种算法， 最开始由Vapnik等人提出， 同其他机器学习算法一 样， 其衍生于统计学习理论。支持向量机方法更擅 长处理小样本和高维度的问题， 因此， 一经提出便得 到了广泛的应用， 能够很好地处理非线性映射问题。 支持向量机可以用来处理分类和回归问题， 其涉及 到的超参数较少， 主要是C值和g值， 因此， 借助启发 式算法对支持向量机的超参数进行优化， 无需耗费 太多的时间， 也不易产生局部极值问题。考虑到本 研究所要分析的爆堆位移预测模型涉及到的影响参 数较多， 而且可用的数据集较少， 因此作者考虑将网 格搜索方法 （GSM） 和遗传算法 （GA） ［8-11］与支持向量 机模型相结合， 建立了基于GSM/GA-SVM的爆破前 冲和后冲距离预测模型。 1计算原理简述 1. 1基于GA的SVM参数优化 在SVM算法中， 可以利用核函数向高维空间映 射并解决非线性的分类问题， 但是核函数参数和惩 罚因子C值对相应预测的精度有很大的影响。当C 值变化时， 模型的容错能力变小， 泛化能力也随之减 小， 当调高相关参数时， 其精度有所增加但容易出现 过拟合的问题。传统的方法中人为因素比重较大， 主观性较强。遗传算法 （GA） 是模仿自然界中生物进 化机制 （优胜劣汰和遗传变异） 来搜索样本空间最优 解的优化方法。GA算法设置相应的适应度函数并 对运算后子代进行相应的优化， 使其收敛并得到最 优解。 根据 GA 的相关特性 ［8］， 将其与 SVM 结合起来 并对算法中的参数进行优化， 具体步骤如下 （1） 收集露天爆破引起后冲数据并进行相应预 处理， 进行归一化处理来避免各部分数值相差太大 而造成偏差， 将样本数据分为训练样本和测试样本， 训练SVM后冲模型， 计算相应的交叉概率。 （2） 设置惩罚因子C和不敏感参数g的阈值， 用 一定方式进行编码， 构建合适数量的种群并对其进 行初始化。 （3） 构建适应度函数判断个体的适应情况， 计算 适应值。若满足相应的条件， 则进行解码获得最优 的参数C和g， 将获得的参数输入到SVM中收集相应 的误差。 （4） 根据适应值和阈值来剔除适应性较差的个 体， 采用轮盘赌法算子， 确保选中适合的样本。 （5） 将群体内部的个体根据交叉概率来进行部 分的交叉， 并用变异概率来改变样本中的一些特征， 随机选择变异的个体。 （6） 判断新一代的群体是否满足收敛条件， 若满 足则结束相应的迭代并用相关的GA-SVM算法来解 决露天爆破爆堆后冲问题， 其计算流程图如图1。不 符合条件则返回继续更新参数并进行计算。 1. 2基于网格搜索的SVM参数优化 SVM中将样本数据由现有空间向更高维度转化 过程中， 涉及到相关参数的优化方法有很多。常见 的有人工试算、 粒子群优化和遗传算法等方式。人 工试算过程中不确定性因素较多， 同时主观性比重 较大， 因个体差异而产生变化； 遗传算法模块较为灵 活， 使得算法实现过程中代码较为复杂且难以实现。 同时时间复杂度较为明显， 计算过程会耗费较长的 时间； 粒子群优化算法在寻求最优解过程中收敛过 早， 并且寻找局部最优解的能力较差。网格搜索法 空间复杂度较为明显， 但是其搜索到的可能组合较 为全面。先设置大步长进行粗略搜索， 获得目标的 大致范围并根据设置的小步长来进行精确搜索， 具 体步骤如下 178 ChaoXing 2020年第6期何晓华 爆堆前冲和后冲距离的GSM/GA-SVM预测模型 （1）采用网格搜索方法来建立SVM的惩罚因子 C、 参数g值和相应的搜索步距。其中C和g的范围 都为 2-8～28， 其值太小时会影响模型的学习能力， 步 长都设定为0.5， 建立起一个C-g坐标系。 （2）采用科学的方法实地收集数据并进行相应 的处理。将爆堆数据根据实际需要进行均匀分组， 任意挑选其中一组作测试之用， 其他数据用来训练 模型。根据C-g坐标系随机选择一个参数来进行训 练并用测试数据来验证， 计算错误率。 （3）运用建立的GSM-SVM模型来对所有收集的 样本来进行交叉验证训练预测值。 （4）判断预测值是否满足收敛条件， 若不满足则 更新参数继续计算， 若满足则记录相应优化值， 用等 高线绘出各组C、 g值相对应的预测准确率， 进而获得 最优C、 g值。 （5）用露天爆破爆堆前冲测试数据验证优化的 GSM-SVM预测模型计算流程图如图2所示 ［10］。 2模型建立与分析 2. 1确定爆堆前冲和后冲距离输入/输出参量 在露天采矿中， 往往采用爆破的方式进行矿石 的开采工作， 爆破作业虽然高效但是由于爆破效果 受众多因素影响， 因此爆破作业可能会产生一些不 良的影响， 比如会引起爆堆前冲和后冲， 前冲会导致 爆堆沿抵抗线方向抛出一定距离， 当这一距离过大 时， 可能会导致部分矿石移动到临近的台阶上， 从而 影响运输工作， 并且可能会对工作人员带来危险； 爆 破后冲则会引起爆破威力沿着抵抗线相反的方向进 行传播， 从而会降低周围岩石的稳定性。因此必须 控制好爆堆的前冲距离和后冲距离。为准确预测爆 堆前冲距离和后冲距离， 本次实验选择第1排的炮孔 的孔深、 孔距、 抵抗线距离、 坡角、 超深长度、 药量、 炮 孔堵塞长度， 以及第2～8排炮孔的孔深、 孔距、 排距、 超深长度、 药量、 炮孔堵塞长度作为影响因素， 以爆 堆的前冲距离和后冲距离作为因变量， 分别建立了 爆破前冲和后冲距离预测模型。 为了验证本研究提出的爆破前冲和后冲移动距 离预测优化SVM模型的有效性和实用性， 在现场进 行了大量的爆破实验， 并实录了40组爆破前冲和后 冲移动距离实测数据 （表1） 作为SVM预测模型的学 习训练样本和测试样本， 根据预测模型的需要， 对于 爆破前冲预测模型， 将数据集按照8 ∶ 2的比例划分为 训练集和测试集； 对于爆破后冲预测模型， 将数据集 按照7 ∶ 3的比例划分为训练集和测试集。有时收集 到的数据量纲不同或是二者数值相差较大但对目标 对象影响程度相同， 因此需要对收集到的现场数据 进行归一化处理， 使其能够在同一运算环境中进行 计算。令Lv、Sv分别为样本中变量的最大值、 最小值， 则任意样本变量h可规范化为 Re 2 h - Sv Lv- Sv - 1．（1） 通过式 （1） 的归一化处理之后， 各种类型的现场 数据都能够被转换并限制在区间 ［-1， 1］ 之间的常 量， 该步骤使得数据能够被直接输入到模型中并进 行相关运算。 在数据处理中， 经常会遇到特征维度较多甚至 特征维度比样本数量多得多的情况， 若直接将所有 的影响变量用于构建预测模型， 则会产生不良的影 响 一是因为冗余的特征会带来一些噪音， 影响计算 的结果； 二是因为无关的特征会加大计算量， 耗费时 间和资源。因此在构建预测模型之前， 采用PCA降 维的技术， PCA降维技术是指降低空间复杂度的情 况下最大限度地反映目标本身的特性。理论上讲， 对目标搜集的信息越多意味着了解越全面， 但是随 着样本维度增加可能会使计算量呈指数增长。为了 平衡时间复杂度和预测准确性之间的关系， 需要我 们尽可能提取少的但又能代表目标本质特征的参 数， 同时在高维向低维的跃迁过程中尽可能减少数 据信息的损失， 从而提高整个模型的预测准确性。 在本次建模过程中， 通过PCA降维技术， 将输入因子 由13个下降到6个， 从而去除了干扰特征， 并节省了 计算时间。 2. 2爆堆前冲距离预测的GA-SVM预测模型 确定爆堆前冲移动距离时， SVM模型输入向量 179 ChaoXing 金属矿山2020年第6期总第528期 为第1排的炮孔的孔深、 孔距、 抵抗线距离、 坡角、 超 钻长度、 药量、 炮孔堵塞长度， 以及第2～8排炮孔的孔 深、 孔距、 排距、 超钻长度、 药量、 炮孔堵塞长度， 模型 输出为爆堆前冲移动距离， 在收集的参数和输出之 间由模型建立对应的函数关系。在现场收集到的40 组数据基础上随机挑选8组用作测试数据之用， 其余 的32组数据用于训练模型。在SVM模型中， 一定范 围内的C值能提高模型的预测性能， 但是其过高会使 得回归效果变差。不敏感参数g用于描述相关曲线 的拟合程度， 其泛化能力与g值成反比。SVM采用高 注 孔深、 孔距、 抵抗线、 超钻、 堵塞长度、 前冲距离、 后冲距离的单位为m， 坡角的单位为 （） ， 药量的单位为kg/m； 本次试验孔径取120 mm； 台 阶高度8～10 m； 装药结构为耦合连续装药。 180 ChaoXing 2020年第6期 斯核函数将样本由低维空间向高维空间的转换， 同 时根据GA算法找出C和g的各种组合并根据相应函 数寻求最优组合， 寻优的迭代过程如图3所示。GA- SVM 组合模型的算法过程代码由 Matlab 实现， 在 LibSVM工具箱的基础上进行交叉验证， 最终获取组 合模型最优情况下的C、 g值。交叉验证系数为5， GA 算法中相应参数取值如下 样本大小为20， 极限迭代 次数为100。其中， C和g的调整范围是 C∈ ［0， 102］ ， g∈ ［0， 102］ ， 分别得到训练集和测试集的真实值与预 测值的对比， 如图4、 图5所示。最后， 采用平方相关 系数R2和均方误差MSE 2个指标来衡量组合模型的 性能。 R2 1 -∑ i Pi- Mi2/∑ i Mi 2, （2） MSE Pi- Mi 2 n,（3） 式中，Mi，Pi表示实测值和预测值；n表示输入数据对 的数量。 由图3得出， 子代代数增加使得相关函数的适应 度接近于一个定值， 在这个过程中GA算法的作用得 到体现。在进化1代左右后， 最佳适应度值收敛， 通 过计算， 当爆堆前冲距离回归预测模型的SVM超参 数为C5.966 9， g95.594 8时， 对应的训练样本R2为 99.01， 测试样本R299.99； 详见表2。根据表2和 图4、 图5中的信息可知， GA-SVM组合模型的预测曲 线与实际情况对比可知其贴合度较高， 且二者误差 在一个可以接受的范围内。因此， 用该组合模型适 用性较强， 在爆堆前冲预测方面性能优越。 由上述预测结果可知GA-SVM组合模型具有能 够使SVM算法模型适用范围更加广泛， 对数据分析 更全面的优点。将结构风险降到最低和泛化能力作 为SVM的突出特性， 二者有机结合起来能够弥补单 个GA算法难以进行系统调控的缺点， 同时获得多个 局部最优解并且筛选出整体最优值。SVM算法中凸 函数优化求解问题能够避免筛选的目标值过于片面 化， 确保得到的是全局最优解， 同时有利于降低向量 的维度。在爆堆前冲预测问题中， GA-SVM与真实结 果较为接近。该组合模型在原有模型适用范围基础 上， 进一步增强其数据整合分析的能力。在现场遇 到的此类问题中， 可根据实际选取具有代表性的数 据进行分析预测。 2. 3爆堆后冲距离预测的GSM-SVM预测模型 同理， 确定爆堆后冲距离时， SVM模型输入向量 为第1排的炮孔的孔深、 孔距、 抵抗线距离、 坡角、 超 钻长度、 药量、 炮孔堵塞长度， 以及第2～8排炮孔的孔 深、 孔距、 排距、 超钻长度、 药量、 炮孔堵塞长度， 模型 输出为爆堆后冲移动距离， 并根据此建立映射， 选取 收集的40组爆堆后冲移动样本中28组为训练样本， 余下12组作为测试样本。 处理线性不可分问题时， 将目标由低维向更高 维度映射时其相关参数的挑选十分关键。常见的 SVM将径向基函数纳为内置核函数， 同样C和g在预 何晓华 爆堆前冲和后冲距离的GSM/GA-SVM预测模型 181 ChaoXing 金属矿山2020年第6期总第528期 测精度上发挥着至关重要的作用， 其会根据上述2个 参数的选取不同而异。利用 LibSVM中的回归特性 及Matlab实现相关的算法流程代码， 交叉验证并设置 阈值来获得优化后的目标参数。设定参数对C、 g范 围（2-8， 28） ， 交叉验证系数为10， 经过模型计算后依 照预测精确度最高的那组来挑选相应的参数值。根 据最高精确度92.76， 确定对应的C8， g0.125， 图6 为参数优化过程示意图。由上述分析可知， 该组合 模型在预测爆堆后冲距离方面效果良好， 能满足实 际工程的需要， 同时参数之间的互相解耦保证了运 算可行性。图7和图8分别为真实值同训练集及训 练集预测值的对比图， 表3为GSM优化SVM中参数 C、 g的最佳值及回归效果评价结果， 由图8及表3可 得， 模型的预测精度为79.44， 有较好的预期效果， 也体现该模型在此种问题的预测方面较为可靠。 本文中提出的 GSM-SVM组合模型在预测爆堆 后冲距离方面有不俗的表现， 同时对于将数据和变 量之间的复杂关系进行封装， 使得整体算法流程较 为简洁， 增加可读性。工程实际中收集的参数非常 有限且大多属于非线性问题， GSM-SVM对于非线性 问题的动态处理能力使得其更加贴合实际， 更具有 可操作性。尽管SVM在此类问题的预测方面效果令 人满意， 但是对于影响其精度的参数选取和进一步 优化方面还有待提高。总体来讲， GSM-SVM组合模 型在充分发挥原有模型性能的基础上， 提高了对参 数的全面分析和表达的能力。 2. 4结果分析 结合表2、 表3可以看出， GA-SVM和GSM-SVM 爆堆位移预测模型的效果都很理想， 但GA-SVM更 优， 而GSM-SVM的预测精度相对较低， 经过分析， 可 能是由于以下原因 ①遗传算法在优化支持向量机 超参数时相比网格搜索更具有优势， 网格搜索有时 易陷入局部最小值； ② 用于预测爆堆后冲距离的数 据集数量比较少， 增加数据集的数量有助于构建泛 化能力更强的预测模型； ③ 影响爆堆后冲距离的影 响因素还有待于深入挖掘， 更为科学合理的输入参 数有助于产生更加精确的预测结果； ④ 爆堆前后冲 预测评估问题涉及到众多影响因素， 这是一个及其 复杂的高维度、 非线性问题， 而基于支持向量机的预 测模型能够在一定程度上找寻出影响爆堆前后冲的 参数与爆堆前后冲的非线性映射。 总体上来说， 利用启发式算法能够快速有效地 协助SVM寻找出最佳的参数组合， 在提高SVM预测 精度的同时也提升了速度。有鉴于此， 采用支持向 量机回归理论， 并结合启发式算法的找寻最优解策 略， 能够比较真实地反映爆堆前后冲情况， 为爆破参 数设计提供一定的参考。当应用到工程实际中时， 输入相应的输入参数值， 能够通过本文已经构建好 的预测模型得出一个预测的爆堆前后冲距离值， 并 通过调整改进输入参数的值， 最终可以得出一组满 足要求的爆堆前后冲距离值， 防止爆堆前后冲距离 182 ChaoXing ［1］ ［2］ ［3］ ［4］ ［5］ ［6］ ［7］ ［8］ ［9］ ［10］ ［11］ 过大， 对其他工作面造成影响。 3结论 （1）综合影响爆堆前后冲距离的参数， 并结合 SVM的工作机理， 利用SVM能有效地解决爆堆前后 冲的预测问题， 对于爆堆前冲距离的预测采用GA- SVM 预测模型， 测试集的预测精度为 99.99， 说明 GA-SVM模型在预测该组数据集时具有很强的拟合 能力， 同时也说明影响爆堆位移的因素选择比较正 确。 （2）对于爆堆后冲距离的预测采用GSM-SVM预 测模型， 测试集的预测精度为79.44， 训练集的预测 精度为92.76， 预测精度明显不如GA-SVM模型， 这 可能是由于用于构建预测模型的数据集比较少， 或 者对影响因素的考虑不够全面造成的。 （3）在未来的研究中， 可以考虑加入更多的数据 集， 或者是更加全面地考虑影响爆堆前后冲的因素， 构建爆堆前后冲距离数据库， 以便随时调用升级； 另 一方面， 可以考虑采用更为先进的监督室学习方法 和启发式算法， 以构建泛化能力更强， 预测精度更高 的爆堆前后冲预测模型。 参 考 文 献 孙德宁， 滕悦．岩石明挖爆破技术应用及其对周边建筑物影 响研究 ［J］ ．有色矿冶， 2019 （5） 18-20． Sun Dening，Teng Yue． Application of rock open-cut blasting tech⁃ nology and influence on surrounding buildings［J］ ． Non-Ferrous Mining and Metallurgy， 2019， 35 （5） 18-20． 王刚．公路隧道光面爆破技术研究及应用 ［J］ ．工程建设与设 计， 2019 （18） 74-75． Wang Gang． Research and application of smooth blasting technolo⁃ gy for highway tunnel ［J］ ． Construction Design for Engineering， 2019 （18） 74-75． 孙喜鹏．爆破技术在采矿工程的应用探讨 ［J］ ．陕西煤炭， 2019， 38 （5） 163-165． Sun Xipeng． Discussion on the application of blasting technologyin mining engineering ［J］ ． Shaanxi Coal， 2019， 38 （5） 163-165． Xie L X，Zhang Q B，Gu J C， et al． Damage evolution mechanism in production blasting excavation under different stress fields［J］ ． Simulation Modelling Practice and Theory， 2019， 97101969． 齐留洋， 郭建新， 顾春雷．基于Weibull模型的爆堆形态神经网 络预测 ［J］ ．有色金属矿山部分， 2019， 71 （3） 92-95． Qi Liuyang，Guo Jianxin，Gu Chunlei． Prediction of blast-heap morphology based on Weibull model ［J］ ． Nonferrous MetalsMining Section， 2019， 71 （3） 92-95． 董成龙．基于SVM的露天矿爆堆矿石质量预测研究 ［J］ ．有色金 属矿山部分， 2015， 67 （2） 97-99． Dong Chenglong． Study on predicting the ore quality of blasting muckpile in open pit mine based on SVM［J］ ． Nonferrous Metals Mining Section， 2015， 67 （2） 97-99． Vapnik V N． The Nature of Statistical Learning Theory［M］ ． New York Springer， 1995． Zhou J， Li X， Shi X．Long-term prediction model of rockburst in un⁃ derground openings using heuristic algorithms and support vector machines ［J］ ． Safety Science， 2012， 50 （4） 629-644． 王健伟， 徐玉胜， 李俊鑫． 基于网格搜索支持向量机的边坡稳 定性系数预测 ［J］ ． 铁道建筑， 2019， 59 （5） 94-97． Wang Jianwei， Xu Yusheng， Li Junxing． Prediction of slope stabili⁃ ty coefficient based on grid search support vector machine ［J］ ． Rail⁃ way Engineering， 2019， 59 （5） 94-97． Shi X Z，Zhou J，Wu B B，et al． Support vector machines ap⁃ proach to mean particle size of rock fragmentation due to bench blasting prediction ［J］ ． Trans Nonferrous Met Soc China，2012，22 （2） 432-441． 张天宇， 鲁义， 施式亮， 等．基于支持向量机分类算法的多煤 种煤自燃危险性预测 ［J］ ． 湖南科技大学学报自然科学版， 2019， 34 （2） 11-17． Zhang Tianyu，Lu Yi，Shi Shiliang，et al．Prediction on coal spon⁃ taneous combustion risk for multi-coal based on SVM ［J］ ． Journal of Hunan University of Science TechnologyNatural Science Edi⁃ tion， 2019， 34 （2） 11-17． 2020年第6期何晓华 爆堆前冲和后冲距离的GSM/GA-SVM预测模型 183 ChaoXing