CN103778480A

CN103778480A - 一种基于敏感度分析的裂隙带高度预测方法

Info

Publication number: CN103778480A
Application number: CN201410016782.8A
Authority: CN
Inventors: 题正义; 秦洪岩; 王猛; 杨艳国; 李洋; 姜璐; 屈年华; 刘思杨
Original assignee: Liaoning Technical University
Current assignee: Liaoning Technical University
Priority date: 2014-01-14
Filing date: 2014-01-14
Publication date: 2014-05-07

Abstract

本发明一种基于敏感度分析的裂隙带高度预测方法，属于“三下”开采和瓦斯抽采技术领域，本发明是在收集全国矿井的实测基础上所得的，因此克服了地域的局限性；本发明考虑了采厚、硬岩岩性比例系数和采深的影响，因此，有效提高了裂隙带高度的预测精度，更具有实用性。

Description

一种基于敏感度分析的裂隙带高度预测方法

技术领域

本发明属于“三下”开采和瓦斯抽采技术领域，具体涉及一种基于敏感度分析的裂隙带高度预测方法。

背景技术

矿井水体下开采必须留设防水煤柱，确定防水煤柱最重要的参数是导水裂隙带的高度，防水煤柱的留设关系到水体下开采的生产安全。精确的裂隙带高度是实现安全开采的重要前提。

随着我国煤炭工业和技术装备的发展，裂隙带发育高度的研究也取得了很大的进展。数十年来以刘天泉院士为代表的中国煤炭科学工作者，通过理论研究、实践分析和实验等方法积累了大量的研究成果和实践经验。为矿井的安全开采提供了很大的支持。

我国现行的裂隙带高度的计算方法主要是《建筑物、水体、铁路及主要井巷煤柱留设与压煤开采规程》(以下简称“三下”规程)中的计算方法。该方法是刘天泉院士在80年代根据华北地区的实测数据，应用回归分析所得，其中裂隙带的发育高度只与采厚有关，并未考虑其它因素的影响，因此预测误差较大，而且所选择的数据具有地域的局限性，对采法和采厚等开采条件限制较大。

在现场多年的实践中得知裂隙带高度不仅与采厚有关，而且与采深、上覆岩层岩性和工作面跨度等因素有关。(1)采厚越大裂隙带高度越大；(2)采深直接影响矿山压力的大小，而矿山压力影响上覆岩层的运动规模，进而影响裂隙带的发育程度；(3)根据材料力学的理论得知，工作面跨度与岩梁弯曲度成正比例关系，岩梁弯曲度越大，则岩梁越容易断裂，进而影响裂隙带的发育高度。一般认为跨度满足充分采动时，其对裂隙带的发育影响将减弱。(4)岩石性质，特别是抗剪强度越大，越有利于阻止裂隙带的发育；因此，考虑全面影响因素对于裂隙带高度的预测十分重要。

发明内容

针对现有技术存在的不足，本发明提出一种基于敏感度分析的裂隙带高度预测方法，以达到提高裂隙带高度预测精度的目的。

一种基于敏感度分析的裂隙带高度预测方法，包括以下步骤：

步骤1、采集多组历史矿井数据，每组数据包括采厚、硬岩岩性比例系数、工作面跨度和采深四种影响因素；

步骤2、采用多元统计分析方法确定影响因素与裂隙带高度之间的关系，具体如下：

步骤2-1、建立采厚、硬岩岩性比例系数、工作面跨度、采深与裂隙带高度之间的回归模型：

y_t=β₀+β₁x_t1+β₂x_t2+β₃x_t3+β₄x_t4+ε_t(t=1,2,…,n) (1)

其中，y_t表示第t组数据预测的裂隙带高度；β₀表示常数；β₁表示采厚影响因素的系数；β₂表示硬岩岩性比例系数的系数，β₃表示工作面跨度的系数，β₄表示采深的系数；x_t1表示第t组数据的采厚；x_t2表示第t组数据的硬岩岩性比例系数；x_t3表示第t组数据的工作面跨度；x_t4表示第t组数据的采深；ε_t表示随机误差项；n表示采集数据的总组数；

步骤2-2、将采集的历史数据中的四个因素值代入建立的回归模型，利用最小二乘准则计算获得每个影响因素的系数，完成回归模型的建立，即完成确定影响因素与裂隙带高度之间的关系；

步骤3、对计算获得的每个影响因素的系数进行显著性检验：

步骤3-1、假设某一影响因素的系数的数值为0，公式如下：

假设：

β_i=0 (2)

其中，β_i表示某一影响因素的系数，i=1,2,…,4；

步骤3-2、计算假设删除系数β_i所对应的影响因素后所得的回归模型的回归平方和，与建立的回归模型的回归平方和之差P_i，公式如下：

P_{i} = {\hat{β}}_{i}^{2} / l^{ii} - - - (3)

其中，P_i表示偏回归平方和，即假设删除系数β_i所对应的影响因素后所得的回归模型的回归平方和，与建立的回归模型的回归平方和之差；

表示系数向量β的最小二乘估计量，

\hat{β} = [\begin{matrix} {\hat{β}}_{0} \\ {\hat{β}}_{1} \\ \cdot \cdot \cdot \cdot \\ {\hat{β}}_{4} \end{matrix}],

根据

确定β_i对应的

lⁱⁱ表示矩阵L^-1的第i个对角元素，其中，

表示原数据矩阵X中心化的数据阵，其中

C = [\begin{matrix} 1 & x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ 1 & x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ 1 & x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

X = [\begin{matrix} x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

Y = [\begin{matrix} y_{1} \\ y_{2} \\ \cdot \\ \cdot \\ \cdot \\ y_{n} \end{matrix}];

步骤3-3、根据计算获得的假设删除系数β_i后所得回归模型的回归平方和与建立的回归模型的回归平方和之差P_i、系数矩阵β残差平方和Q与采集数据的总组数，确定每个影响因素的系数检验统计量；

检验统计量公式如下：

F_{i} = \frac{P_{i}}{Q / (n - 4 - 1)} - - - (4)

其中，Q表示系数矩阵β的残差平方和；

步骤3-4、判断计算获得的每个影响因素的检验统计量大于等于检验统计量设定值的概率，进而获得显著性概率值，若显著性概率值大于显著性概率设定值，则该影响因素对于裂隙带高度的影响是显著的，需保留；否则，该影响因素对于裂隙带高度的影响是不显著的，需删除该影响因素；

步骤3-5、获得删除不显著影响因素后的回归模型；

步骤4、采用敏感度分析方法确定删除后剩余影响因素对于裂隙带高度的敏感度；

步骤4-1、确定剩余影响因素在矿井历史数据中的值，进而确定剩余影响因素值的变化范围并计算平均数值，将该平均数值作为对应影响因素的基准值，并将各个影响因素的基准值代入删除不显著影响因素后的回归模型中，获得裂隙带高度基准值；

步骤4-2、在剩余影响因素中随机选取一影响因素，根据删除不显著影响因素后获得的回归模型和其他影响因素的基准值，确定选取的影响因素对于裂隙带高度的影响；

即将其他影响因素的基准值代入删除不显著影响因素后获得的回归模型中，获得选取的影响因素与裂隙带高度的关系式，并根据选取的影响因素值的变化范围，确定裂隙带高度值的最大值和最小值；

步骤4-3、重复步骤4-2直至完成所有剩余影响因素对于裂隙带高度影响的确定；

步骤4-4、根据计算获得的裂隙带高度的基准值、裂隙带高度值在影响因素的变化范围内对应的最大值和最小值，确定剩余每个因素的敏感度；

计算剩余每个因素的敏感度公式如下：

η_{(c_{j})} = \max {[(S {(c_{j})}_{\max} - S^{*}) / S^{*}], [(S^{*} - S {(c_{j})}_{\min}) / S^{*}]} - - - (5)

其中，

表示影响因素c_j的敏感度，其中，c_j表示剩余的影响因素，j=1,2,…,m，m表示剩余影响因素个数；S^*表示裂隙带高度基准值；S(c_j)_max表示影响因素c_j在其取值范围内裂隙带高度的最大值，S(c_j)_min表示影响因素c_j在其取值范围内裂隙带高度的最小值；

步骤5、根据获得的剩余影响因素对于裂隙带高度的敏感度，对删除不显著影响因素后获得的回归模型进行优化；

步骤5-1、建立敏感度预测模型，公式如下：

η_j△(c_j)/c_j ^*=△S(c_j)/S^* (6)

其中，△S(c_j)表示在影响因素c_j情况下，裂隙带高度变化值，△(c_j)表示影响因素c_j的变化值，c_j ^*为影响因素c_j的基准值；

对式(6)进行求和，获得公式如下：

S (c) = Σ_{j = 1}^{m} S^{*} η_{j} (c_{j} - {c_{j}}^{*}) / {c_{j}}^{*} + S^{*} - - - (7)

其中，S(c)表示预测的裂隙带高度；η_j表示影响因素c_j的敏感度；c_j表示影响因素的值，c_j ^*为影响因素c_j的基准值；

步骤5-2、根据剩余每个影响因素的敏感度和基准值，代入获得的敏感度预测模型，获得优化后的裂隙带高度预测模型；

步骤6、采集被测矿井的采厚、硬岩岩性比例系数、工作面跨度和采深，代入获得的优化后的裂隙带高度预测模型中，获得被测矿井的预测裂隙带高度；

步骤7、判断预测裂隙带高度是否在设定的安全范围内，若是，则可继续开采生产，否则需要降低采厚或进行充填开采。

步骤3-4所述的检验统计量设定值，其取值范围为0.6～0.8；所述的显著性概率设定值，其取值为0.95。

本发明优点：

本发明一种基于敏感度分析的裂隙带高度预测方法，在收集全国矿井的实测基础上所得的，因此克服了地域的局限性；本发明考虑了采厚、硬岩岩性比例系数和采深的影响，因此，有效提高了裂隙带高度的预测精度，更具有实用性。

附图说明

图1为本发明一种实施例的基于敏感度分析的裂隙带高度预测方法流程图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明。

一种基于敏感度分析的裂隙带高度预测方法，方法流程图如图1所示，包括以下步骤：

步骤1、采集多组历史矿井数据，每组数据包括采厚、硬岩岩性比例系数、工作面跨度和采深四个影响因素；

本发明实施例中，通过调研，收集了大量的煤矿裂隙带高度的实测数据。分析裂隙带高度与采厚、硬岩岩性比例系数(硬岩岩性比例系数是指煤层顶板以上统计高度内，硬岩与统计高度的比值，参与统计的硬岩主要指砂岩、混合岩、火成岩)、工作面跨度和采深之间的函数关系。

表1裂隙带发育情况统计表

以表1数据作为分析数据。选取采厚、硬岩岩性比例系数、工作面跨度和采深作为影响裂隙带高度的主要影响因素，对矿井的裂隙带发育情况进行分析。将以上4个影响因子作为裂隙带高度的影响因素，应用SPSS19.0软件对其进行多元线性回归分析。

本发明实施例中，采用回归分析方法，回归分析是多元统计分析的各种分析方法中在实际工程中应用最广泛的。它是处理多个变量间相互依赖关系的数据分析方法。变量间的相互关系在实际问题中是大量存在的，回归分析是研究这种相互关系的有效数学方法。

步骤2-1、建立采厚、硬岩岩性比例系数、工作面跨度和采深与裂隙带高度之间的回归模型；

本发明实施例中，假定裂隙带高度y_t与采厚x_t1,硬岩岩性比例系数x_t2，工作面跨度x_t3，采深x_t4影响因素线性相关，对于28组数据y₁，y₂，…，y₂₈满足以下回归模型：

y_t=β₀+β₁x_t1+β₂x_t2+β₃x_t3+β₄x_t4+ε_t(t=1,2,…,28) (1)

其中，随机误差项的均值E(ε_t)=0；随机误差项的方差为σ²，即Var(ε_t)=σ²；每个随机误差项的相关系数是0，即Cov(ε_i,ε_j′)=0(i≠j′)、随机误差项满足正态分布，即ε_t～N(0,σ²)，相互独立；y_t表示第t组数据预测的裂隙带高度；β₀表示常数；β₁表示采厚影响因素的系数；β₂表示硬岩岩性比例系数的系数，β₃表示工作面跨度的系数，β₄表示采深的系数；x_t1表示第t组数据的采厚；x_t2表示第t组数据的硬岩岩性比例系数；x_t3表示第t组数据的工作面跨度；x_t4表示第t组数据的采深；ε_t表示随机误差项；n表示采集数据的总组数；

本发明实施例中，采用SPSS软件中的最小二乘准则计算获得每个影响因素的系数β₁、β₂、β₃和β₄，最小二乘方法的基本原理是最小化拟合值与实际值之间的偏差平方和；

步骤3、对计算获得的每个影响因素的系数进行显著性检验：

步骤3-1、假设某一影响因素的系数的数值为0；

本发明实施例中，回归方程显著性检验是判断β₁，β₁，…，β₄是否全为0，但不能排除某个β_i为0，若β_i为0说明影响因素x_i对裂隙带高度y是没有影响的，应从模型中剔除，即检验以下假设：

β_i=0 (2)

其中，β_i表示某一影响因素的系数，i=1,2,…,4；

P_{i} = {\hat{β}}_{i}^{2} / l^{ii} - - - (3)

表示系数向量β的最小二乘估计量，

\hat{β} = [\begin{matrix} {\hat{β}}_{0} \\ {\hat{β}}_{1} \\ \cdot \cdot \cdot \cdot \\ {\hat{β}}_{4} \end{matrix}],

根据

确定β_i对应的

lⁱⁱ表示矩阵L^-1的第i个对角元素，其中，

表示原数据矩阵X中心化的数据阵，其中

C = [\begin{matrix} 1 & x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ 1 & x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ 1 & x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

X = [\begin{matrix} x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

Y = [\begin{matrix} y_{1} \\ y_{2} \\ \cdot \\ \cdot \\ \cdot \\ y_{n} \end{matrix}];

检验统计量公式如下：

F_{i} = \frac{P_{i}}{Q / (n - 4 - 1)} - - - (4)

其中，Q表示系数矩阵β的残差平方和；

步骤3-4、判断计算获得的每个影响因素的检验统计量大于等于检验统计量设定值的概率，进而获得显著性概率值，若显著性概率值大于显著性概率设定值，则该影响因素对于裂隙带高度的影响是显著的，需保留；否则，该影响因素对于裂隙带高度的影响是不显著的，需删除该影响因素；所述的检验统计量设定值，其取值范围为0.6～0.8，本发明实施例中取值为0.6；所述的显著性概率设定值，其取值范围为0.95。

本发明实施例中，将表1中的数据导入SPSS软件进行线性回归分析。得到以下数据：回归系数分别为5.183，15.041，-0.057，0.022，常数项为23.809。工作面跨度x₃的显著性概率值为0.734，小于0.95，因此删除工作面跨度x₃。剔除工作面跨度x₃后再次用SPSS软件进行回归分析，得到结果如下，回归系数分别为5.164，15.496，0.022，常数项为13.960。接着检验该方程系数的显著性，三个自变量的显著性概率值为1，0.997，0.997，都大于0.95要求，可以认为因变量与自变量之间有显著的线性相关性。

步骤3-5、获得删除不显著影响因素后的回归模型；

本发明实施例中，线性回归方程为：

y=5.164x₁+15.496x₂+0.022x₄+13.960 (8)

式(8)即为裂隙带高度与采厚、硬岩岩性比例系数和采深的函数关系式；其中，y表示裂隙带高度，x₁表示采厚，x₂表示硬岩岩性比例系数，x₄表示采深。

本发明实施例中，单因素敏感度分析是指在所有影响因素中取某一特定的基准因素集的基础上，当评价某因素的敏感度时假设其它的因素不变，令各因素在其各自的可能的变化范围内变动，分析裂隙带高度相应产生的变化趋势和变化程度。

敏感度分析的第一步是建立裂隙带高度与各因素之间的函数关系式。然后选取影响裂隙带高度的敏感因素，给出基准因素集。分析某一个因素对裂隙带高度的影响时，其它各因素取基准值保持不变。如果该因素的较小变化幅度，能引起裂隙带高度的较大变化，则说明裂隙带高度对该因素敏感，该因素为高敏感因素。如果该因素变化较大，而裂隙带高度变化微小，则说明裂隙带高度对该因素不敏感，该因素为低敏感因素。

本发明实施例中，基准因素集的确定是以表1的数据为基础，经过综合分析得到的。基准因素集与变化范围见表2。各因素基准值代入式(8)计算得到裂隙带高度的基准值为52.95m。

表2因素基准值及变化范围

本发明实施例中，各影响因素对裂隙带高度的影响分析：

(1)采厚对裂隙带高度的影响分析

由式(8)推导出采厚与裂隙带高度的函数关系为y=5.164x₁+30.44，当采厚的变化范围在2.1m～7.52m之间变化时，裂隙带的高度变化范围是41.28m～69.27m。

(2)硬岩岩性比例系数对裂隙带高度的影响分析

由式(8)推导出硬岩岩性比例系数与裂隙带高度的函数关系为y=15.496x₂+45.27，当硬岩岩性比例系数的变化范围在0.18～1，裂隙带的高度变化范围是48.06m～60.77m。

(3)采深对裂隙带高度的影响分析

由式(8)推导出采深与裂隙带高度的函数关系为y=0.022x₂+44.76，当采深的变化范围在86.1m～679m，裂隙带的高度变化范围是46.65m～59.70m。

计算剩余每个因素的敏感度公式如下；

η_{(c_{j})} = \max {[(S {(c_{j})}_{\max} - S^{*}) / S^{*}], [(S^{*} - S {(c_{j})}_{\min}) / S^{*}]} - - - (5)

其中，

本发明实施例中，按照公式(5)给出的敏感度定义，在表2所示各因素的变化范围内分别求出其敏感度，结果如表3所示。从表3可以看出，三个因素中，采厚对裂隙带高度最敏感，硬岩岩性比例系数次之，然后是采深，其中硬岩岩性比例系数与采深敏感度接近。

表3各因素对裂隙带高度的敏感度

步骤5-1、建立敏感度预测模型，公式如下：

η_j△(c_j)/c_j ^*=△S(c_j)/S^* (6)

对式(6)进行求和，获得公式如下；

S (c) = Σ_{j = 1}^{m} S^{*} η_{j} (c_{j} - {c_{j}}^{*}) / {c_{j}}^{*} + S^{*} - - - (7)

本发明实施例中，根据表2和表3由式(7)确定裂隙带高度的预计模型，命名为DM-L模型：

H_li=22.080+3.741C₁+14.648C₂+0.018C₃ (9)

式中，H_li为裂隙带高度预测值，C₁为优化后模型中的采厚，C₂为优化后模型中的硬岩岩性比例系数，C₃为优化后模型中的采深，其中各影响因素的取值范围见表2。

本发明实施例中，采取的安全措施具体如下：

(1)如果裂隙带高度波及上覆的弱含水层，应加大矿井排水设施功率，做到涌水随时排出，保证人员安全生产；

(2)如果裂隙带高度波及上覆岩层为较强含水层，应加强矿井涌水量的实时监测，做好提前预防、撤离等安全措施；

(3)如果裂隙带高度过大，留设的保护煤柱不能起到隔水作用，应禁止开采，以免造成人员伤亡和事故发生。

本发明实施例中，DM-L模型应用于采厚的范围是2.1～7.52m之间，硬岩岩性比例系数在0.18～1之间，采深是86.1～679m之间。

表4为调研收集的裂隙带高度发育的实测数据。

表4裂隙带发育情况统计表

“三下”规程中计算裂隙带高度的公式如下表5。

表5“三下”规程中裂隙带高度计算公式

表中，M表示“三下”规程公式中的采厚；

在表4中各个实测参数基础上，用“三下”规程公式和DM-L模型预计结果与实测数据列对比分析，见表6，其中“三下”规程计算公式结果选择的是计算精度最高的。

表6预计结果误差对比表

由表6中，“三下”规程的计算公式与DM-L预计模型最终的预计误差对比可知，DM-L预计模型的精度要高于“三下”规程的计算结果。而且3号和4号数据“三下”规程中的计算公式计算结果明显失真。在生产实践中要预计裂隙带的高度，可以通过DM-L预计模型进行计算。

Claims

1.一种基于敏感度分析的裂隙带高度预测方法，其特征在于，包括以下步骤：

y_t=β₀+β₁x_t1+β₂x_t2+β₃x_t3+β₄x_t4+ε_t(t=1,2,…,n) (1)

步骤3、对计算获得的每个影响因素的系数进行显著性检验：

步骤3-1、假设某一影响因素的系数的数值为0，公式如下：

假设：

β_i=0 (2)

其中，β_i表示某一影响因素的系数，i=1,2,…,4；

P_{i} = {\hat{β}}_{i}^{2} / l^{ii} - - - (3)

表示系数向量β的最小二乘估计量，

\hat{β} = [\begin{matrix} {\hat{β}}_{0} \\ {\hat{β}}_{1} \\ \cdot \cdot \cdot \cdot \\ {\hat{β}}_{4} \end{matrix}],

根据

确定β_i对应的

lⁱⁱ表示矩阵L^-1的第i个对角元素，其中，

表示原数据矩阵X中心化的数据阵，其中

C = [\begin{matrix} 1 & x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ 1 & x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot & \cdot \\ 1 & x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

X = [\begin{matrix} x_{11} & x_{12} & \cdot \cdot \cdot & x_{14} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{24} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{n 4} \end{matrix}],

Y = [\begin{matrix} y_{1} \\ y_{2} \\ \cdot \\ \cdot \\ \cdot \\ y_{n} \end{matrix}];

检验统计量公式如下：

F_{i} = \frac{P_{i}}{Q / (n - 4 - 1)} - - - (4)

其中，Q表示系数矩阵β的残差平方和；

步骤3-5、获得删除不显著影响因素后的回归模型；

计算剩余每个因素的敏感度公式如下：

η_{(c_{j})} = \max {[(S {(c_{j})}_{\max} - S^{*}) / S^{*}], [(S^{*} - S {(c_{j})}_{\min}) / S^{*}]} - - - (5)

其中，

步骤5-1、建立敏感度预测模型，公式如下：

η_j△(c_j)/c_j ^*=△S(c_j)/S^* (6)

对式(6)进行求和，获得公式如下：

S (c) = Σ_{j = 1}^{m} S^{*} η_{j} (c_{j} - {c_{j}}^{*}) / {c_{j}}^{*} + S^{*} - - - (7)

2.根据权利要求1所述的基于敏感度分析的裂隙带高度预测方法，其特征在于，步骤3-4所述的检验统计量设定值，其取值范围为0.6～0.8；所述的显著性概率设定值，其取值为0.95。