（1）本文突破传统矿井突水水源判别法耗时长、精度低的缺点，基于紫外-可见分光技术，提出一种粒子群优化算法（PSO）结合极限梯度提升回归树分类算法（XGBoost）的矿井突水水源快速判识模型（PSO-XGBoost），为高效、精准地判识矿井突水水源提供新的思路与方法。
（2）将PSO与XGBoost机器学习算法相结合，通过高效的参数全局寻优模式来进一步提高矿井突水水源识别效率与精度。相较于单一XGBoost模型，PSO-XGBoost模型在矿井突水水源识别中的准确率提高了5.42%。对比PSO-SVM和PSO-RF分类模型，该模型在提高判识准确率的同时，还具有更好的稳定性和泛化能力。
董东林，张陇强，张恩雨，傅培祺，陈宇祺，林新栋，李慧哲
中国矿业大学 (北京)
矿井突水是煤矿安全生产面临的主要威胁之一，快速分析突水成因和准确判别突水水源是矿井突水灾害治理的关键步骤。为有效防治矿井突水灾害，准确快速地判识矿井突水水源，提出一种基于粒子群优化算法（PSO）结合极限梯度提升回归树（XGBoost）的矿井突水水源识别模型（PSO-XGBoost），通过高效的参数全局搜索模式进一步提高突水水源识别效率与精度，并将该模型成功应用于辽宁抚顺煤田老虎台矿区以验证模型的实用性。基于老虎台矿40组水样光谱数据，首先利用多元散射校正、平滑去噪、标准化及主成分分析对原始光谱数据预处理，依据分层随机抽样按照7∶3比例进行训练集和测试集划分。其次，初始化粒子个体最优值和全局最优值，利用PSO对XGBoost算法的learning_rate、n_estimatiors、max_depth等7项参数进行迭代寻优，构建最优参数组合下的分类识别模型。为进一步研究该模型的优越性，选取平均判识准确率和对数损失值作为评价指标，对比PSO-XGBoost模型与PSO-SVM、PSO-RF模型的分类识别结果，同时通过100次重复交叉验证评价各模型的泛化能力。对比结果表明，XGBoost、PSO-SVM、PSO-RF和PSO-XGBoost模型对测试集数据的平均判识准确率分别为87.76%、87.56%、91.67%和91.67%。对于重复交叉验证，XGBoost、PSO-SVM、PSO-RF和PSO-XGBoost模型的平均准确度分别为87.76%、87.56%、90.63%和93.18%，相应的对数损失平均值分别为0.5453、0.5460、0.5623和0.4534。综合分析评价指标结果得出，PSO-XGBoost模型在矿井突水水源识别方面具有更高的判别精度和更好的泛化能力。
教授
博士生导师
董东林，男，1969年12月生，陕西乾县人，教授，博士生导师。现任中国矿业大学（北京）地球科学与测绘工程学院副院长，第五届国家安全生产专家组专家，全国节水标准化技术委员会委员，中国地质学会矿山水防治与利用专业委员会秘书长，中国地质学会地质教育研究分会副秘书长，水害防治与水资源研究所副所长，矿山水害防治国家矿山安全监察局重点实验室副主任，水文水资源学科带头人，Mine Water and the Environment期刊副主编，矿山工程、煤炭工程、建井技术等杂志编委。主持国家自然科学基金重点项目3项、国家重点基础研究发展计划“973”课题2项，省部级以上纵向科研项目10余项，成果获省部级科技奖励10余项，发表学术论文上百篇，其中SCI/EI检索论文52篇，起草国家标准3部，出版专著4部。
致力于煤矿防治水技术的研究，取得多项创新性成果，形成了突水水源快速分级判识技术体系，为煤矿提供了安全高效的灾后水源判识决策技术；在煤矿突水危险性评价理论与技术、煤炭气化导水裂隙带发育规律、废弃矿井注浆复合体失效的串层污染风险、煤矿采空区积水水害孕育机理研究方面，获得多项专利，提出新的评价和判识方法，开发出我国煤层顶底板突水危险性BN+GIS评价系统，取得明显创新性成果，为煤矿高效、安全生产提供了有力的技术保障。
董东林，张陇强，张恩雨，等. 基于PSO-XGBoost的矿井突水水源快速判识模型[J]. 煤炭科学技术，2023，51（7）：72−82
DONG Donglin，ZHANG Longqiang，ZHANG Enyu，et al. A rapid identification model of mine water inrush based on PSO-XGBoost[J]. Coal Science and Technology，2023，51（7）：72−82
责任编辑：黄小雨
整 理：冯春晖
责任编辑：黄小雨
整 理：冯春晖
