李化敏，王 伸，李東印，王 文，袁瑞甫，王祖洸，朱時(shí)廷

(1.河南理工大學(xué) 能源科學(xué)與工程學(xué)院，河南 焦作 454003; 2.大同煤礦集團(tuán) 同煤國電同忻煤礦有限公司，山西 大同 037003)

人工智能應(yīng)用時(shí)代已經(jīng)來臨。自1956年人工智能成為獨(dú)立的計(jì)算機(jī)研究領(lǐng)域，至今經(jīng)歷了3次大規(guī)模發(fā)展高潮[1]。隨著計(jì)算能力、數(shù)據(jù)規(guī)模、人工智能算法的快速發(fā)展，21世紀(jì)后人工智能迎來契合時(shí)代發(fā)展的新高階段;目前人工智能已成功應(yīng)用于數(shù)據(jù)挖掘[2]、人類語言解譯[3]、高水平策略競技[4]、自動駕駛汽車[5]、內(nèi)容發(fā)布網(wǎng)絡(luò)(CDN)[6]、戰(zhàn)爭模擬[7]、醫(yī)療診斷[8]、圖像識別[9]、工業(yè)制造優(yōu)化[10]等領(lǐng)域。谷歌人工智能程序AlphaGo分別于2016年3月和2017年5月分別戰(zhàn)勝世界圍棋冠軍李世石和柯潔[4]，引發(fā)全世界的高度關(guān)注。2016年，我國制訂了《智能制造發(fā)展規(guī)劃(2016—2020年)》[11]，以推動人工智能在制造領(lǐng)域的快速發(fā)展。人工智能正在深刻影響和改變著工業(yè)、科技、文化、經(jīng)濟(jì)、社會生活以及思維方式。

與其他行業(yè)相比，煤礦地下作業(yè)空間狹小、環(huán)境較差、勞動密集，安全問題相對突出，缺乏職業(yè)吸引力，采掘一線人員老齡化問題嚴(yán)重，經(jīng)濟(jì)效益差，傳統(tǒng)的生產(chǎn)方式已嚴(yán)重制約煤炭行業(yè)的生存和可持續(xù)發(fā)展。在人工智能快速發(fā)展的大背景下，煤礦智能開采與智慧礦山，或?qū)砩a(chǎn)、安全等全方位的重大突破，實(shí)現(xiàn)煤炭生產(chǎn)方式根本性的變革。近年來，煤炭領(lǐng)域多位專家從戰(zhàn)略高度積極謀劃智能化時(shí)代煤炭行業(yè)發(fā)展的方向，就煤礦智能開采、智慧礦山建設(shè)等問題，提出了諸多重要的理論與技術(shù)架構(gòu)。與此同時(shí)，在生產(chǎn)地質(zhì)條件較好的采煤工作面也積極進(jìn)行了智能化開采實(shí)踐探索;截止2018年11月，全國已建成智能化采煤工作面100多個(gè)。一些先進(jìn)的煤炭企業(yè)在智能礦山規(guī)劃、智能控制系統(tǒng)(包括綜采工作面自動化采煤、礦山機(jī)電設(shè)備自動控制、瓦斯和自然發(fā)火等礦山安全信息的自動化監(jiān)測監(jiān)控)、智能化管理(應(yīng)急救援、礦山能源綜合管理等)、礦山信息化基礎(chǔ)設(shè)施建設(shè)和自動化系統(tǒng)升級改造方面做了大量的工作，取得了重大進(jìn)展，為智慧礦山建設(shè)奠定了實(shí)踐性基礎(chǔ)。

自20世紀(jì)90年代開始發(fā)展智能開采技術(shù)和裝備以來，CSIRO，JOY，EICKHOFF等公司或研發(fā)機(jī)構(gòu)已成功開發(fā)出了智能化開采裝備，并成功用于商業(yè)化開采[12]。近年來，王國法等對工作面智能化升級關(guān)鍵技術(shù)[13]、煤炭智能化開采技術(shù)[12]、液壓支架群組支護(hù)原理與承載特性[14-15]、安全高效綜采技術(shù)與裝備集成配套設(shè)計(jì)[16-20]進(jìn)行了深入廣泛的研究，并提出了智慧礦山的概念與內(nèi)涵，明確了智慧煤礦2025發(fā)展目標(biāo)與實(shí)現(xiàn)路徑，為今后統(tǒng)籌開展煤礦生產(chǎn)智能化研究奠定了基礎(chǔ)[21]。袁亮等提出了煤炭精準(zhǔn)開采的藍(lán)圖及關(guān)鍵技術(shù)，分析了煤礦動力災(zāi)害風(fēng)險(xiǎn)精準(zhǔn)識別及預(yù)警關(guān)鍵技術(shù)[22]，認(rèn)為人工智能是實(shí)現(xiàn)精準(zhǔn)開采與災(zāi)害防控一體化的重要方法[23]。宋振騏[24]以實(shí)用礦山壓力控制理論為基礎(chǔ)，從控制煤礦事故的角度提出了安全高效智能化開采技術(shù)構(gòu)想及方法。何敏[25]通過分析智慧礦山與自動化礦山、信息化礦山、數(shù)字化礦山的特點(diǎn)，認(rèn)為具備自動運(yùn)行、智能決策、自學(xué)習(xí)功能是智慧礦山的基本屬性與關(guān)鍵技術(shù)。田成金[26]系統(tǒng)分析了無人化開采、智能化開采、數(shù)字化開采的概念，提出了“智能自適應(yīng)開采技術(shù)模式”和“工作面自動化+可視化遠(yuǎn)程干預(yù)半智能開采技術(shù)模式”。葛世榮等從識別、決策、控制3方面分析了無人駕駛采煤機(jī)的技術(shù)架構(gòu)，提出了無人駕駛采煤機(jī)關(guān)鍵技術(shù)及突破方向[27]，開發(fā)了基于工作面地理信息系統(tǒng)的采煤機(jī)定位定姿技術(shù)[28];闡述了智能化采煤裝備的“3個(gè)感知，3個(gè)自適”技術(shù)構(gòu)架，探討了煤巖高效自適應(yīng)截割技術(shù)、液壓支架自適應(yīng)控制技術(shù)、動力傳遞自適應(yīng)調(diào)控技術(shù)、煤巖界面智能識別技術(shù)、采煤裝備智能診斷技術(shù)、采煤裝備自主巡航技術(shù)的未來突破方向[29]。

人工智能算法與礦業(yè)工程的結(jié)合度也愈加密切。SLEZAK等[30]提出一種新的基于多傳感大數(shù)據(jù)的學(xué)習(xí)預(yù)測模型和實(shí)現(xiàn)架構(gòu)，構(gòu)建了瓦斯體積分?jǐn)?shù)預(yù)測分析的決策支持系統(tǒng)。ZHANG和LOWNDES[31]提出一種人工神經(jīng)網(wǎng)絡(luò)與故障樹分析法的耦合預(yù)測模型，并用以預(yù)測煤與瓦斯突出的可能性。JANUSZ等[32]采用機(jī)器學(xué)習(xí)方法對煤礦數(shù)據(jù)進(jìn)行深度挖掘，提出了利用數(shù)據(jù)挖掘與模型訓(xùn)練的方法，開發(fā)了用于預(yù)測煤礦動力災(zāi)害的人工智能算法與模型。ZHOU等[33]采用Fisher判別法和支持向量機(jī)預(yù)測了地下礦山礦柱的穩(wěn)定性，研究結(jié)果表明支持向量機(jī)相對于Fisher判別法的結(jié)果穩(wěn)定性更高，有望成為可靠、實(shí)用的礦柱穩(wěn)定判別與評價(jià)工具。ZHANG等[34]基于神經(jīng)網(wǎng)絡(luò)提出了一種將煤礦多傳感信息數(shù)據(jù)進(jìn)行融合與分析的系統(tǒng)。MAHDEVARI等[35]為解決隧道掘進(jìn)機(jī)卡鉆問題，基于掘進(jìn)經(jīng)驗(yàn)大數(shù)據(jù)分析，采用支持向量機(jī)與人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練出用于預(yù)測地層條件變化的智能模型，認(rèn)為支持向量機(jī)算法顯著優(yōu)于人工神經(jīng)網(wǎng)絡(luò)。EBRAHIMABADI等[36]采用多層感知機(jī)與Kohonen自組織特征映射的人工智能方法訓(xùn)練了地質(zhì)條件與巷道掘進(jìn)機(jī)響應(yīng)的關(guān)系模型，研究表明多層感知機(jī)適用于預(yù)測和評估煤系地層中掘進(jìn)機(jī)破巖性能，Kohonen自組織映射法可有效幫助理解掘進(jìn)模型的非線性方式和數(shù)據(jù)挖掘過程。

我國煤礦采場巖層控制的研究經(jīng)歷了實(shí)用經(jīng)驗(yàn)階段、顯性理論與數(shù)值模型階段;核心問題為礦壓顯現(xiàn)機(jī)理及控制，具有極強(qiáng)的混沌性、動態(tài)性與非線性特征。國內(nèi)外學(xué)者嘗試從不同的角度或采用不同方法，分析和揭示巖層運(yùn)動及穩(wěn)定性的機(jī)理，并建立了一系列較為完整的理論技術(shù)體系和控制方法，有力的支撐了在不同開采階段對巖層控制的實(shí)際需求。然而，巖層控制目前總體上仍然處在“靜態(tài)”和“試誤”的分析階段，即采用靜態(tài)的數(shù)學(xué)力學(xué)模型，基于靜態(tài)開采邊界與地質(zhì)力學(xué)條件，試圖獲得靜態(tài)的巖層控制方案;以及通過調(diào)試不同的巖層控制方法或控制參數(shù)，直至大體滿足采場巖層控制和安全生產(chǎn)的需要?！办o態(tài)”和“試誤”的分析方法仍面臨的準(zhǔn)確性、實(shí)時(shí)動態(tài)性、經(jīng)濟(jì)性和安全性問題，對突發(fā)礦壓問題(例如壓架、大面積片幫、端面冒漏、放煤口卡矸)的分析解決較為遲滯，制約了煤炭連續(xù)化、標(biāo)準(zhǔn)化、自動化生產(chǎn)。

煤礦采場智能巖層控制是煤礦智能化開采的重要部分和關(guān)鍵環(huán)節(jié)，是由“試誤巖層控制”向“精準(zhǔn)巖層控制”、由“靜態(tài)巖層控制”向“動態(tài)巖層控制”發(fā)展的關(guān)鍵路徑，將是當(dāng)前和今后采場巖層控制領(lǐng)域的重要發(fā)展方向之一。本文旨在明確采場智能巖層控制的內(nèi)涵，分析采場智能巖層控制的原理和方法，提煉出實(shí)現(xiàn)采場智能巖層控制的關(guān)鍵科學(xué)技術(shù)問題，結(jié)合實(shí)踐介紹采場智能巖層控制的具體應(yīng)用實(shí)例。

1 采場智能巖層控制的內(nèi)涵、技術(shù)路徑及方法

人工智能是一種感知環(huán)境并做出最可能達(dá)到預(yù)期目標(biāo)的決策或響應(yīng)的技術(shù)[37]。人工智能是相對于人與動物的自然智能而言的，其環(huán)境感知方式、分析方法、決策模式不必局限于模仿自然智能。人工智能的核心用途為:基于數(shù)據(jù)訓(xùn)練建立動態(tài)非線性關(guān)系的精準(zhǔn)描述，并采用動態(tài)非線性模型實(shí)現(xiàn)對問題的求解和對過程的優(yōu)化。因此，人工智能的內(nèi)涵決定了其與巖層控制必然具有高度契合性，體現(xiàn)在采礦問題的動態(tài)復(fù)雜性、巖層控制過程的可優(yōu)化性和采礦數(shù)據(jù)的極大富集性。

以下條件使采場智能巖層控制成為可能:① 云計(jì)算、物聯(lián)網(wǎng)、多傳感等技術(shù)的發(fā)展，大大提高礦山數(shù)據(jù)采集密度與維度、傳輸共享速度、分析運(yùn)算能力;② 以MapReduce和Hadoop為代表的非關(guān)系數(shù)據(jù)分析技術(shù)的發(fā)展，為大規(guī)模非結(jié)構(gòu)數(shù)據(jù)并行處理提供了技術(shù)保障;③ 計(jì)算機(jī)處理器的容量、計(jì)算速度和復(fù)雜度翻番周期為18個(gè)月，硬件的快速發(fā)展為大型數(shù)值計(jì)算、模型訓(xùn)練學(xué)習(xí)、大數(shù)據(jù)分析提供了必要的硬件條件;④ 人工智能算法發(fā)展迅速，目前已經(jīng)應(yīng)用至礦業(yè)工程領(lǐng)域;⑤ 自動化開采技術(shù)、裝備和系統(tǒng)已發(fā)展到了較高階段，地質(zhì)條件較好的工作面已初步實(shí)現(xiàn)無人或少人開采。

采場巖層控制的對象為采煤工作面的圍巖環(huán)境，包括工作面頂板(頂煤)、后方采空區(qū)煤矸流、工作面前方煤壁以及工作面底板。煤礦采場智能巖層控制指運(yùn)用現(xiàn)代信息技術(shù)、人工智能技術(shù)及方法等，以采場智能裝備系統(tǒng)為載體，實(shí)現(xiàn)開采全過程的采場圍巖自動化、智能化控制;即采用互聯(lián)網(wǎng)技術(shù)、多傳感技術(shù)、地理信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、數(shù)字圖像技術(shù)等對三維地質(zhì)信息、開拓開采信息、煤巖層地質(zhì)力學(xué)信息、生產(chǎn)過程中的動態(tài)監(jiān)測信息、歷史記錄與案例進(jìn)行感知、傳輸、存儲與匯集，采用計(jì)算機(jī)模擬、云計(jì)算、大數(shù)據(jù)分析與人工智能等技術(shù)對實(shí)時(shí)數(shù)據(jù)和歷史信息進(jìn)行動態(tài)分析、學(xué)習(xí)，對生產(chǎn)狀態(tài)動態(tài)判別、巖層狀態(tài)動態(tài)預(yù)測以及智能裝備群運(yùn)行狀態(tài)實(shí)時(shí)分析，并對智能裝備群進(jìn)行實(shí)時(shí)調(diào)整控制、實(shí)時(shí)制定突變?yōu)暮Ψ揽卮胧┮詫?shí)現(xiàn)動態(tài)巖層控制的全過程。根據(jù)采場智能巖層控制的內(nèi)涵，可將采場智能巖層控制分為3個(gè)關(guān)鍵環(huán)節(jié):礦山數(shù)據(jù)的感知與匯集、動態(tài)分析與狀態(tài)判別、實(shí)時(shí)決策控制與反饋，如圖1所示。

頂板壓力實(shí)時(shí)預(yù)測、液壓支架群組協(xié)同支護(hù)、煤巖層的變化和煤壁穩(wěn)定性的動態(tài)識別等都屬于采場智能巖層控制的熱門研究方向，也是近期有希望運(yùn)用智能技術(shù)實(shí)現(xiàn)突破的課題。

圖1 煤礦采場智能巖層控制的內(nèi)涵及結(jié)構(gòu)Fig.1 Concept and structure of IGC at longwall working face

(1)頂板壓力實(shí)時(shí)預(yù)測。目前工作面頂板來壓多根據(jù)液壓支架工作阻力的統(tǒng)計(jì)學(xué)特征(均值、方差、分布與頻數(shù))進(jìn)行判別;此方法對生產(chǎn)起到了一定的指導(dǎo)意義。實(shí)際上，由于非規(guī)范化操作、接頂情況、由煤壁片幫或采煤機(jī)割煤引起的端面距變化、支架位態(tài)等因素的影響，支架工作阻力曲線千差萬別，單一依靠工作阻力的統(tǒng)計(jì)學(xué)特征分析來壓步距和來壓強(qiáng)度準(zhǔn)確性不強(qiáng)，且無法對頂板來壓做實(shí)時(shí)預(yù)測，進(jìn)而無法對來壓做實(shí)時(shí)控制，如改變割煤速度、加強(qiáng)支護(hù)等。通過大數(shù)據(jù)分析和人工智能算法對支架電液數(shù)據(jù)分析、特征提取、學(xué)習(xí)，不僅可預(yù)測頂板來壓概率，而且可對液壓支架阻力曲線特征做深度的多因素相關(guān)性分析。在工作面推進(jìn)的動態(tài)過程中，預(yù)測模型可不斷獲得新的學(xué)習(xí)樣本，并基于此不斷調(diào)整預(yù)測準(zhǔn)確度;根據(jù)來壓期間所積累的頂板控制措施和采煤工藝變化特征，可優(yōu)化出適用于本工作面的來壓期間頂板控制策略。

(2)液壓支架群組協(xié)同支護(hù)。王國法提出了液壓支架群組控制的概念和液壓支架自組織協(xié)同控制的方法[15]。在全體液壓支架剛度一致條件下，對于頂板完整的長壁工作面一般呈現(xiàn)中部下沉撓度大的特點(diǎn);對于含局部斷層的頂板壓力分布較為復(fù)雜[15]。發(fā)揮液壓支架的群組協(xié)同支護(hù)能力有助于降低液壓支架局部壓死的風(fēng)險(xiǎn)。開采過程中的頂板結(jié)構(gòu)信息無法直接獲取，僅反映在液壓支架工作阻力變化上，但通過常規(guī)礦壓理論分析、數(shù)值模擬，皆難以實(shí)時(shí)解釋液壓支架工作阻力所反映的頂板結(jié)構(gòu)，更難以給出合理的且具有針對性的液壓支架協(xié)同控制方法?！耙簤褐Ъ茏枇?頂板局部結(jié)構(gòu)-群組控制方式”的關(guān)聯(lián)性是極隱蔽的。數(shù)據(jù)挖掘、深度學(xué)習(xí)以及群體學(xué)習(xí)是實(shí)現(xiàn)液壓支架群組協(xié)同支護(hù)實(shí)時(shí)控制的有效方法。

(3)煤巖層的變化和煤壁穩(wěn)定性的動態(tài)識別。煤壁片幫或冒頂顯著影響采煤機(jī)的連續(xù)化割煤效率和液壓支架穩(wěn)定性。調(diào)研結(jié)果顯示，超過30%的時(shí)間用于清理工作面端頭浮煤和片幫冒頂浮煤。煤壁片幫冒頂具有突發(fā)性和隨機(jī)性，采用激光雷達(dá)實(shí)時(shí)測距，利用圖像識別等人工智能技術(shù)對煤巖層變化和煤壁穩(wěn)定性分析可實(shí)現(xiàn)煤壁片幫冒頂預(yù)測和已片幫冒頂區(qū)域的及時(shí)感知。

1.1 礦山數(shù)據(jù)的感知、匯集及利用

1.1.1 礦山數(shù)據(jù)構(gòu)成

大數(shù)據(jù)指容量浩大、結(jié)構(gòu)復(fù)雜、已不能被傳統(tǒng)數(shù)據(jù)處理方法充分處理的數(shù)據(jù)集合[38]。大數(shù)據(jù)分析不采用抽樣，通過對所追蹤事件的全息分析以自動呈現(xiàn)事物之間的聯(lián)系。煤礦開采過程產(chǎn)生的數(shù)據(jù)量巨大，并且隨著煤礦開采過程持續(xù)不斷累積;數(shù)據(jù)類型和格式復(fù)雜，無法通過一般分析方法進(jìn)行充分利用，因此具備大數(shù)據(jù)屬性。礦山數(shù)據(jù)主要包括區(qū)域性地層資料(三維地質(zhì)信息)、地質(zhì)力學(xué)數(shù)據(jù)、開拓開采布局與接替信息、開采過程中采用信息技術(shù)手段所采集和表達(dá)的各類動態(tài)和靜態(tài)信息、相關(guān)采礦歷史記錄與案例等，其數(shù)據(jù)類型主要包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)指可用明確的結(jié)構(gòu)關(guān)系表達(dá)的各類數(shù)據(jù)表，包括與坐標(biāo)相關(guān)地質(zhì)力學(xué)數(shù)據(jù)，液壓支架電液數(shù)據(jù)，智能準(zhǔn)備群電信號數(shù)據(jù)及控制動作數(shù)據(jù)，瓦斯、風(fēng)流、粉塵、微震、錨桿應(yīng)力、煤柱應(yīng)力等各類災(zāi)害監(jiān)測數(shù)據(jù)、礦井經(jīng)濟(jì)指標(biāo)報(bào)表數(shù)據(jù)等。半結(jié)構(gòu)化數(shù)據(jù)包括開采信息的客觀記錄(巷道支護(hù)情況、作業(yè)循環(huán)表)、各類設(shè)計(jì)資料及調(diào)研結(jié)果、開拓開采布局與接替信息、各類礦圖等不能采用統(tǒng)一結(jié)構(gòu)表達(dá)但存在一定數(shù)據(jù)結(jié)構(gòu)的數(shù)據(jù)。非結(jié)構(gòu)化數(shù)據(jù)包括圖像和音頻監(jiān)測信息、各類生產(chǎn)與經(jīng)濟(jì)效益有關(guān)的全文文本等無法用結(jié)構(gòu)表達(dá)數(shù)據(jù)關(guān)系的數(shù)據(jù)。采場巖層控制是一個(gè)基于大開采環(huán)境的局部具體問題，因此各類靜態(tài)基礎(chǔ)礦山數(shù)據(jù)是采場智能巖層控制的背景數(shù)據(jù)，生產(chǎn)過程中的動態(tài)監(jiān)測數(shù)據(jù)是其個(gè)性數(shù)據(jù);正確認(rèn)識、處理背景數(shù)據(jù)與個(gè)性數(shù)據(jù)的關(guān)系是實(shí)現(xiàn)數(shù)據(jù)在采場智能巖層控制中有效利用的關(guān)鍵。

1.1.2 礦山數(shù)據(jù)感知與匯集

如何有效地感知與匯集礦山數(shù)據(jù)是實(shí)現(xiàn)采場智能巖層控制的關(guān)鍵。地質(zhì)勘探、礦井設(shè)計(jì)與建設(shè)等數(shù)據(jù)多為靜態(tài)數(shù)據(jù)，隨工程進(jìn)行可被有效記錄;但目前這些數(shù)據(jù)未被有效地融合和利用，造成礦山信息孤島與數(shù)據(jù)資源的極大浪費(fèi)。礦山靜態(tài)數(shù)據(jù)實(shí)際已分布存儲于礦山計(jì)算機(jī)中，搜索、挖掘、匯集此類數(shù)據(jù)是進(jìn)一步利用、真正意義上避免礦山信息孤島的前提。首先，應(yīng)建立完整的礦山數(shù)據(jù)共享分布式網(wǎng)絡(luò)系統(tǒng)，數(shù)據(jù)不必全部集中于單一計(jì)算機(jī)，僅在需要時(shí)可以實(shí)現(xiàn)迅速挖掘與調(diào)用。其次，要建立統(tǒng)一數(shù)據(jù)文件管理標(biāo)準(zhǔn)，為數(shù)據(jù)的快速篩選挖掘提供基礎(chǔ)平臺。此外，還應(yīng)發(fā)展礦山數(shù)據(jù)快速處理與信息融合技術(shù)，目前已有的處理技術(shù)包括大規(guī)模并行處理技術(shù)、深度數(shù)據(jù)挖掘、網(wǎng)絡(luò)爬蟲、分布式文件系統(tǒng)、云計(jì)算、可擴(kuò)展存儲系統(tǒng)等。

礦井生產(chǎn)監(jiān)測期間產(chǎn)生的數(shù)據(jù)多為動態(tài)數(shù)據(jù)，需要依靠直接記錄與多傳感方式獲得。多傳感技術(shù)是礦山動態(tài)數(shù)據(jù)采集的重要發(fā)展方向，為實(shí)現(xiàn)透明開采、礦山全息傳感提供了可能。礦山全息傳感包括地質(zhì)體應(yīng)力與位移傳感，巖層運(yùn)動的電磁與機(jī)械振動信號傳感，智能裝備群電液信號、位態(tài)、動作傳感，水、火、瓦斯、風(fēng)流、溫度、粉塵等環(huán)境數(shù)據(jù)傳感，生產(chǎn)監(jiān)測音頻傳感等。具體的多傳感技術(shù)包含微地震監(jiān)測技術(shù)、數(shù)字圖像關(guān)聯(lián)技術(shù)(DIC)、電磁輻射監(jiān)測技術(shù)、變形監(jiān)測技術(shù)、光纖光柵監(jiān)測技術(shù)、激光雷達(dá)監(jiān)測技術(shù)，以及各類光敏、壓敏、生化反應(yīng)等感應(yīng)技術(shù)。液壓支架作為采場巖層控制最重要的支護(hù)體，其姿態(tài)、阻力、壓力分布、位置、操作動作數(shù)據(jù)是分析巖層狀況和生產(chǎn)狀態(tài)的重要數(shù)據(jù)來源。

1.1.3 礦山數(shù)據(jù)利用方式

礦山數(shù)據(jù)在采場智能巖層控制中的具體用途主要有4類:① 大數(shù)據(jù)分析，進(jìn)行巖層控制效果、事故災(zāi)害特征評價(jià);② 為人工智能模型提供學(xué)習(xí)樣本及分析對象;③ 作為動態(tài)數(shù)值計(jì)算的反演分析參照對象;④ 作為數(shù)據(jù)可視化與開采實(shí)景虛擬的信息來源，如圖2所示。

(1)大數(shù)據(jù)分析。通過大數(shù)據(jù)分析，可對已實(shí)施的巖層控制措施進(jìn)行效果評價(jià)，分析控制措施和安全、生產(chǎn)效益等一系列要素的相關(guān)性;可對頂板冒漏、壓架、咬架、煤壁片幫、冒頂、粉塵和瓦斯超限、頂板動力事故等礦壓問題進(jìn)行實(shí)時(shí)分析，分析事故發(fā)生的時(shí)空特點(diǎn)、與采煤工藝和礦壓控制方式之間的相關(guān)性等。分析結(jié)果可作為新的數(shù)據(jù)擴(kuò)充數(shù)據(jù)庫，為后續(xù)巖層控制提供新資料;分析結(jié)果還可為液壓支架選型、覆巖運(yùn)動規(guī)律、煤柱留設(shè)、開拓方式、動力災(zāi)害預(yù)測等提供決策支持依據(jù)。

(2)為人工智能模型提供學(xué)習(xí)樣本及分析對象。人工智能算法的優(yōu)勢在于對混沌問題的非線性動態(tài)描述，其準(zhǔn)確度依賴于不斷地學(xué)習(xí)與訓(xùn)練。礦山全息數(shù)據(jù)經(jīng)降維與稀疏化后可作為人工智能模型訓(xùn)練的學(xué)習(xí)樣本，模型通過監(jiān)督學(xué)習(xí)或無監(jiān)督學(xué)習(xí)方式隨數(shù)據(jù)動態(tài)積累而不斷增強(qiáng)，實(shí)現(xiàn)真正意義的采場智能巖層控制。

(3)作為動態(tài)數(shù)值計(jì)算的反演分析參照對象。數(shù)值計(jì)算通過給定本構(gòu)模型、初值(巖石力學(xué)參數(shù))、數(shù)據(jù)結(jié)構(gòu)(模型幾何特征)、邊界對關(guān)鍵矛盾問題求解，其優(yōu)勢在于數(shù)據(jù)處理較為迅速、表現(xiàn)直觀、可進(jìn)行多因素分析等，缺點(diǎn)在于輸入初值準(zhǔn)確度無法把握、對非線性描述能力有限等?，F(xiàn)場監(jiān)測數(shù)據(jù)可作為數(shù)

圖2 巖層控制大數(shù)據(jù)特點(diǎn)及利用方式Fig.2 Characteristics and utilization of ground control big data

值計(jì)算的初值和本構(gòu)模型反演的對比參照，逐步使數(shù)值模型逼近現(xiàn)實(shí)。此外，可根據(jù)動態(tài)監(jiān)測數(shù)據(jù)變化而實(shí)時(shí)反分析、調(diào)整數(shù)值計(jì)算模型，實(shí)現(xiàn)數(shù)值模型的動態(tài)計(jì)算，預(yù)測開采過程中的礦壓問題。

(4)作為數(shù)據(jù)可視化與開采實(shí)景虛擬的來源。數(shù)據(jù)可視化與開采實(shí)景虛擬是智能巖層管理的重要方面。數(shù)據(jù)可視化指將各類數(shù)據(jù)轉(zhuǎn)化為可供技術(shù)管理人員分析的圖表，為異常偵查、趨勢判斷、人機(jī)交互等提供分析平臺。開采實(shí)景虛擬指將多傳感采集的工作面信息通過圖像拼接、虛擬現(xiàn)實(shí)、實(shí)體建模等技術(shù)將工作面實(shí)時(shí)轉(zhuǎn)化為虛擬三維場景，此基礎(chǔ)上結(jié)合人工智能、數(shù)值計(jì)算等手段對礦壓問題進(jìn)行實(shí)時(shí)展現(xiàn)，實(shí)現(xiàn)現(xiàn)實(shí)場景與虛擬預(yù)測的融合與溝通(混合現(xiàn)實(shí))。

1.2 動態(tài)分析與狀態(tài)判別

動態(tài)分析與狀態(tài)判別主要包含3個(gè)方面:① 生產(chǎn)狀態(tài)動態(tài)判別;② 巖層狀態(tài)動態(tài)預(yù)測;③ 智能裝備群運(yùn)行狀態(tài)實(shí)時(shí)分析。主要技術(shù)手段有大數(shù)據(jù)分析、云計(jì)算、動態(tài)數(shù)值模擬以及人工智能，技術(shù)路徑如圖3所示。對于具體的巖層控制問題，首先要實(shí)時(shí)更新歷史動態(tài)數(shù)據(jù)庫，并確定當(dāng)前監(jiān)測數(shù)據(jù)集(即將被實(shí)時(shí)分析的數(shù)據(jù))。其次，根據(jù)背景數(shù)據(jù)與歷史動態(tài)數(shù)據(jù)，隨開采進(jìn)程對人工智能模型、計(jì)算機(jī)數(shù)值模型或數(shù)據(jù)分析方法進(jìn)行實(shí)時(shí)學(xué)習(xí)、訓(xùn)練、更新。然后采用新的模型對當(dāng)前監(jiān)測數(shù)據(jù)進(jìn)行分析，給出分析對象的當(dāng)前狀態(tài)，并將判別結(jié)果呈遞至決策系統(tǒng)。其中，人工智能模型實(shí)時(shí)學(xué)習(xí)訓(xùn)練是動態(tài)分析的核心，本質(zhì)上是一個(gè)動態(tài)自學(xué)習(xí)的過程。監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)方式都可以實(shí)現(xiàn)此動態(tài)自學(xué)習(xí)過程，并無優(yōu)劣之分。由于監(jiān)測數(shù)據(jù)量浩大，為提高學(xué)習(xí)與分析速度，實(shí)踐中往往還需要通過一定的數(shù)據(jù)采樣算法實(shí)現(xiàn)快速降維。以數(shù)據(jù)呈遞關(guān)系為標(biāo)記，將動態(tài)分析、狀態(tài)判別的結(jié)果與后期的決策控制命令、控制效果組建為打包數(shù)據(jù)條目，擴(kuò)充礦山數(shù)據(jù)庫，為后續(xù)改善人工智能模型提供學(xué)習(xí)樣本。

圖3 采場智能巖層控制的動態(tài)分析與狀態(tài)判別技術(shù)路徑Fig.3 Process of dynamic analysis and distinguish for IGC

1.3 實(shí)時(shí)決策控制與反饋

面對礦壓因素龐雜、裝備可控制動作眾多且需要整體協(xié)調(diào)控制等問題，實(shí)時(shí)決策依然需要通過人工智能算法以及人機(jī)交互的方式解決，實(shí)時(shí)控制需通過智能決策單元、人機(jī)交互單元與自動控制單元的有效耦合實(shí)現(xiàn)。實(shí)時(shí)決策與控制可分為兩部分:① 實(shí)時(shí)控制命令直接呈遞;② 突變?yōu)暮︻A(yù)警與防災(zāi)措施制定。前者針對一般性、局部性、非突變型礦壓問題，對智能裝備群動作實(shí)時(shí)調(diào)整;后者針對影響范圍較大的突變?yōu)暮?圖1)，制定系統(tǒng)性防范措施。

實(shí)時(shí)決策控制與反饋的具體技術(shù)路徑如圖4所示。隨開采進(jìn)程，根據(jù)歷史“動態(tài)分析-決策與控制命令-控制效果”的關(guān)聯(lián)數(shù)據(jù)樣本不斷更新決策與控制模型，然后采用此優(yōu)化后的模型做出決策與控制命令，并呈遞至智能裝備自動控制主控計(jì)算機(jī)。實(shí)際中，初期決策控制樣本(即與具體礦壓問題對應(yīng)控制手段的集合)往往需要人為給定(建立初始模型)，并結(jié)合人機(jī)交互方式輔助人工智能模型快速提升(輔助訓(xùn)練)，后期機(jī)器可通過自學(xué)習(xí)而使模型準(zhǔn)確度不斷得到加強(qiáng)。實(shí)施控制后，根據(jù)監(jiān)測數(shù)據(jù)分析巖層控制效果，并將“決策與控制命令-控制效果”擴(kuò)充至礦山數(shù)據(jù)庫，以供后續(xù)模型訓(xùn)練與更新使用。

圖4 采場智能巖層控制的實(shí)時(shí)決策與控制技術(shù)路徑Fig.4 Process of real-time decision-making and control for IGC

需要注意的是，雖然人工智能算法目前已得到飛速發(fā)展，但面對復(fù)雜的采礦問題，仍不能脫離人的協(xié)助。

2 采場智能巖層控制關(guān)鍵科學(xué)技術(shù)問題

目前采場智能巖層控制研究處于起始階段，核心目的是增強(qiáng)井下智能裝備群對各類礦壓問題的適應(yīng)性，真正實(shí)現(xiàn)開采連續(xù)化、自動化，為煤礦開采過程中采場巖層控制提供全新技術(shù)平臺和強(qiáng)大工具;所涉及的關(guān)鍵科學(xué)問題如下。

(1)礦山環(huán)境及設(shè)備運(yùn)行數(shù)據(jù)的數(shù)據(jù)感知匯集的方法與技術(shù)。數(shù)據(jù)是采場智能巖層控制之根本。對煤礦已有的各類靜態(tài)數(shù)據(jù)、開采背景數(shù)據(jù)利用的前提是快速匯集;對開采動態(tài)數(shù)據(jù)除匯集以外，更重要的是構(gòu)建多維度、多尺度的感知網(wǎng)絡(luò)，實(shí)現(xiàn)透明開采。應(yīng)采用多傳感技術(shù)、物聯(lián)網(wǎng)技術(shù)、地理信息系統(tǒng)等加強(qiáng)煤礦數(shù)據(jù)的采集力度;同時(shí)應(yīng)發(fā)展礦山數(shù)據(jù)的動態(tài)存儲、實(shí)時(shí)更新、即時(shí)調(diào)用機(jī)制，為智能分析提供盡可能全面詳盡的資料。該方面的科學(xué)問題涉及多傳感技術(shù)、礦山靜態(tài)數(shù)據(jù)的分布式存儲方法與快速匯集，開采動態(tài)數(shù)據(jù)的多傳感采集網(wǎng)絡(luò)與動態(tài)存儲系統(tǒng)構(gòu)建，異質(zhì)數(shù)據(jù)統(tǒng)一管理標(biāo)準(zhǔn)的建立。

(2)礦山數(shù)據(jù)實(shí)時(shí)快速分析方法與技術(shù)。采場智能巖層控制建立在對礦山數(shù)據(jù)全面而實(shí)時(shí)快速分析的基礎(chǔ)之上。該方面科學(xué)問題涉及多類型礦山數(shù)據(jù)的識別、匹配、融合、降噪，開采過程容忍時(shí)間內(nèi)礦山數(shù)據(jù)的快速篩選、分類、更新、降維，礦山數(shù)據(jù)實(shí)時(shí)分析與連續(xù)常態(tài)深度分析相結(jié)合的分析機(jī)制，巖層控制大數(shù)據(jù)動態(tài)分析平臺構(gòu)建等。應(yīng)增強(qiáng)數(shù)據(jù)的深度挖掘與充分利用，實(shí)現(xiàn)各類數(shù)據(jù)的有效融合，避免信息孤島現(xiàn)象。

(3)采場智能巖層控制的關(guān)聯(lián)分析與模型。開采過程中的采場圍巖穩(wěn)定性與煤巖層條件、采高、割煤速度、支架阻力、支架狀態(tài)等密切相關(guān)，且它們之間相互關(guān)聯(lián)、相互影響的關(guān)系復(fù)雜，采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、回歸、正則化、基于實(shí)例法、決策樹、深度學(xué)習(xí)、貝葉斯模型、聚類法、關(guān)聯(lián)規(guī)則學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等人工智能方法進(jìn)行分析處理。如深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)已用于井下煤壁片幫、冒頂、煤矸識別，支持向量機(jī)可用于頂板、礦柱等穩(wěn)定性問題，貝葉斯方法可用于頂板來壓預(yù)測等。不同的人工智能方法適用于不同的巖層控制問題，這就需要尋找適用于各類巖層控制問題的子方法，并逐步發(fā)展出具有巖層控制特色的全局嵌套智能算法與系統(tǒng)，實(shí)現(xiàn)采場智能巖層控制針對性與普遍性的統(tǒng)一。

(4)礦山數(shù)據(jù)可視化與開采場景虛擬構(gòu)建。巖層控制數(shù)據(jù)可視化與開采實(shí)景虛擬是人機(jī)交互的重要接口。目前國內(nèi)已實(shí)現(xiàn)了工作面裝備狀態(tài)與監(jiān)測信息的實(shí)時(shí)可視化，但缺乏圍巖狀態(tài)(頂板、煤壁、煤矸混合狀態(tài)等)的實(shí)時(shí)可視化，以及巖層控制措施、效果評價(jià)的實(shí)時(shí)可視化。開采實(shí)景虛擬不僅要實(shí)現(xiàn)采場各類信息的地面實(shí)時(shí)呈現(xiàn)，更要實(shí)現(xiàn)在虛擬場景基礎(chǔ)上進(jìn)行虛擬礦壓管理與預(yù)測的物理學(xué)分析功能，增強(qiáng)開采實(shí)景虛擬分析解決問題的能力。該方面科學(xué)問題涉及巖層控制數(shù)據(jù)實(shí)時(shí)可視化，三維開采實(shí)景虛擬重構(gòu)的數(shù)據(jù)融合方法，基于開采實(shí)景虛擬的多物理場重構(gòu)與仿真方法。

(5)基于大數(shù)據(jù)的快速動態(tài)數(shù)值計(jì)算原理及算法。目前數(shù)值計(jì)算大多采用靜態(tài)邊界條件、靜態(tài)輸入?yún)?shù)、靜態(tài)本構(gòu)模型的計(jì)算方式，無法根據(jù)實(shí)際情況做及時(shí)調(diào)整，因而模擬結(jié)果往往與真實(shí)情況相差較大，無法及時(shí)修正并提高自身求解精度。大數(shù)據(jù)為實(shí)現(xiàn)動態(tài)數(shù)值模擬提供了可能。開采過程中的動態(tài)數(shù)據(jù)，如液壓支架工作阻力、煤柱應(yīng)力、微震監(jiān)測數(shù)據(jù)、生產(chǎn)揭露地層變化、地表巖移數(shù)據(jù)等可作為數(shù)值計(jì)算中物理力學(xué)參數(shù)、本構(gòu)模型與地質(zhì)模型反分析的依據(jù)。每進(jìn)行下一步開采分析前，都根據(jù)最新的監(jiān)測數(shù)據(jù)及時(shí)調(diào)整數(shù)值計(jì)算模型，實(shí)現(xiàn)對開采過程中礦壓的動態(tài)預(yù)測。目前關(guān)于線性簡單問題的反分析已有成熟理論和方法，但對于非均質(zhì)地層、巖體非線性本構(gòu)模型尚未提出明確便捷的反分析方法和算法。該方面的科學(xué)問題涉及基于實(shí)時(shí)監(jiān)測數(shù)據(jù)的動態(tài)數(shù)值計(jì)算反分析算法實(shí)現(xiàn)，反分析精度檢驗(yàn)，動態(tài)精細(xì)數(shù)值計(jì)算的快速求解方法。

(6)采場智能巖層控制“感知-分析-控制-反饋”全過程算法集成與系統(tǒng)構(gòu)建?！案兄?分析-控制-反饋”的算法集成包括數(shù)據(jù)自動采集、存儲、匯集的智能管理，分析方法的動態(tài)智能選擇，分析模型的實(shí)時(shí)更新與分析，智能決策單元、人機(jī)交互單元與自動控制單元的有效耦合等。采場智能巖層控制系統(tǒng)包括上述所有軟件、算法、模塊，以及相關(guān)所有的通信網(wǎng)絡(luò)、超級計(jì)算機(jī)、云計(jì)算平臺、控制平臺等硬件設(shè)備。

3 實(shí)例分析

3.1 支架阻力分類與頂板狀況智能預(yù)測

彭賜燈認(rèn)為，液壓支架工作阻力是變化的支架與頂板相互作用的結(jié)果，可預(yù)測開采前的頂板狀況，進(jìn)而可分析礦壓機(jī)理、提高頂板管理水平。單循環(huán)內(nèi)立柱壓力的變化特性可分為3類:急增型、緩增型和降低型。統(tǒng)計(jì)分析結(jié)果表明，急增型反映支架在完整或堅(jiān)硬頂板剛體強(qiáng)烈運(yùn)動條件下的承載狀況，緩增型反映較軟弱，降低型反映頂板頂板極其松軟破碎或底板松軟[39]。本實(shí)例以同忻煤礦8202綜放工作面為研究對象，采用支持向量機(jī)算法(SVM)對支架循環(huán)阻力曲線進(jìn)行分類并預(yù)測頂板狀態(tài)。

3.1.1 工程地質(zhì)概況

同忻煤礦8202工作面位于北二盤區(qū)，蓋山厚度377～517 m，工作面上覆為同家梁與永定莊侏羅系煤層采空區(qū)。主采煤層為石炭系3～5號煤層，煤層傾角約2.3°，煤層平均厚度15.26 m，其中夾矸1.96 m;煤層裂隙發(fā)育，質(zhì)地半堅(jiān)硬，夾矸為泥巖和炭質(zhì)泥巖。8202工作面采用特厚煤層綜采放頂煤開采，平均割煤高度3.9 m，平均放煤高度11.36 m。煤層直接頂為3.87 m的炭質(zhì)泥巖和薄煤層;基本頂為厚約17 m的砂質(zhì)泥巖，厚層狀，抗拉強(qiáng)度2.3 MPa;直接底為1.98 m厚的砂質(zhì)泥巖。工作面走向長度2 184.5 m，傾斜長度200 m，平均推進(jìn)速度為5.6 m/d。8202工作面與8203采空區(qū)相鄰，中間留設(shè)38 m寬的區(qū)段煤柱，煤柱側(cè)為回風(fēng)巷，實(shí)體煤側(cè)為進(jìn)風(fēng)巷，如圖5所示。工作面中部布置108 臺ZF15000/27.5/42型低位放頂煤液壓支架，靠近工作面端頭位置布置ZFG13000/27.5/42H型低位放頂煤過渡支架和ZTZ20000/30/42型端頭支架，其中上端頭(進(jìn)風(fēng)巷側(cè))布置4臺過渡支架與2臺端頭支架，下端頭(回風(fēng)巷側(cè))布置5臺過渡支架與2臺端頭支架。ZF15000/27.5/42型液壓支架為四柱式支撐掩護(hù)式正四連桿低位放頂煤支架，支架寬1 660～1 860 mm，支架中心距1 750 mm，初撐力12 778 kN，額定工作阻力15 000 kN，支護(hù)強(qiáng)度1.46 MPa，移架步距800 mm。ZFG13000/27.5/42H型過渡型支架初撐力10 096 kN，額定工作阻力13 000 kN，支護(hù)強(qiáng)度1.16 MPa。ZTZ20000/30/42型端頭支架初撐力15 467 kN，額定工作阻力20 000 kN，支護(hù)強(qiáng)度0.52 MPa。采煤機(jī)割煤進(jìn)刀方式為端部斜切進(jìn)刀，進(jìn)刀后反向割三角煤、清理浮煤，然后開始正常割煤。移架方式為追機(jī)及時(shí)支護(hù)移架，移架滯后采煤機(jī)尾滾筒3架;移架時(shí)支架頂梁下降量小于200 mm。放頂煤工藝為多輪分層順序放煤，循環(huán)進(jìn)度為0.8 m，與割煤工序平行作業(yè)。

圖5 同忻煤礦8202綜放工作面布置示意Fig.5 Location of the top-coal caving panel No.8202 in Tongxin coal mine

3.1.2 支持向量機(jī)

支持向量機(jī)[40-42]是一種用于解決線性或非線性模式分類問題的監(jiān)督學(xué)習(xí)算法，已被應(yīng)用于礦柱穩(wěn)定性分析[33]、沖擊礦壓預(yù)測[43]等實(shí)際問題。用于SVM分類器訓(xùn)練的多維訓(xùn)練集D可以表示為

D=(xi,yi),x∈Ωd,y∈{-1,+1}(1)

其中，xi，yi為多元數(shù)組，下標(biāo)i可取任意有限自然數(shù);Ωd為數(shù)據(jù)樣本集空間;D為一個(gè)多元到多元映射的集合，可被超平面wTxi+b=0分割，其中w為權(quán)重向量，b為偏置量。支持向量機(jī)的目的在于尋找最大間隔的超平面分割函數(shù)，當(dāng)滿足最大間隔的超平面函數(shù)，對所有xi有

(wTxi+b)yi≥1(2)

超平面的間隔等于2/‖w‖，概念如圖6所示。因此，尋找超平面(分類函數(shù))的問題就轉(zhuǎn)化為求‖w‖2/2的最小值問題。采用拉格朗日乘子法轉(zhuǎn)化為其對偶問題，對偶問題的拉格朗日函數(shù)表示為

(3)

式中，α為拉格朗日乘子。

圖6 支持向量機(jī)分類原理示意Fig.6 Concept of classification by SVM

將L分別對w和b求偏導(dǎo)并令之等于0，得

(4)

將式(4)代入式(3)，得

(5)

當(dāng)解出L最大值后，根據(jù)式(4)可求出w和b，進(jìn)而獲得分類函數(shù):

(6)

其中，sign(·)為符號函數(shù)，當(dāng)括號內(nèi)項(xiàng)非負(fù)時(shí)，f(x)=+1，當(dāng)括號內(nèi)項(xiàng)小于0時(shí)，f(x)=-1。

支架循環(huán)阻力類型可分為3類，采用兩次支持向量機(jī)進(jìn)行分類。首先分出增阻型與下降型，再將增阻型分為急增型和緩增型。液壓支架阻力數(shù)據(jù)采集間隔為5 s，大部分循環(huán)的時(shí)間超過4 000 s，即一個(gè)循環(huán)的立柱數(shù)據(jù)超過800 個(gè)。在保證準(zhǔn)確度前提下，為縮短訓(xùn)練時(shí)間，通過抽樣降低數(shù)據(jù)密度;初撐力至末阻力區(qū)間中間80%的數(shù)據(jù)以4 min/個(gè)進(jìn)行抽樣間隔，循環(huán)起始10%與末端10%數(shù)據(jù)抽樣間隔為1 min/個(gè)，如圖7所示。

3.1.3 支架阻力分類與頂板狀況分析

訓(xùn)練支持向量機(jī)、支架阻力分類以及頂板狀況分析流程如圖8所示，具體實(shí)施步驟如下:

圖7 支架工作阻力數(shù)據(jù)降維示意Fig.7 Schematic of dimensionality reduction on shield pressure data

圖8 基于支持向量機(jī)的支架阻力分類及頂板狀況預(yù)測流程示意Fig.8 Process of shield pressure classification and roof state prediction using SVM

(1)提取8202工作面全體液壓支架隨時(shí)間變化的工作阻力數(shù)據(jù)，編制以支架編號和時(shí)間為維度的二維數(shù)組。

(2)依據(jù)工作阻力曲線的循環(huán)特征對支架阻力二維數(shù)組進(jìn)行數(shù)據(jù)分片。數(shù)據(jù)分片判據(jù)為

p≤0.01Po∩ΔtL≥10(7)

其中，p為支架立柱阻力，Pa;Po為支架立柱初撐力，Pa;ΔtL為支架立柱阻力連續(xù)低于0.01Po的時(shí)間，s。式(7)的含義為當(dāng)立柱阻力低于初撐力的0.01倍且同時(shí)滿足低壓時(shí)長大于等于10 s時(shí)，確認(rèn)為阻力循環(huán)數(shù)據(jù)分片點(diǎn)。分片后的各子數(shù)據(jù)保留了阻力與時(shí)間和支架編號的對應(yīng)關(guān)系。

(3)隨機(jī)挑選部分中部支架、過渡支架和端頭支架的循環(huán)阻力子數(shù)據(jù)集合，標(biāo)定循環(huán)曲線類型，作為支持向量機(jī)的學(xué)習(xí)樣本集。此樣本集分為訓(xùn)練數(shù)據(jù)集合測試數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集用于訓(xùn)練支持向量機(jī)模型參數(shù)，測試數(shù)據(jù)集用于檢驗(yàn)訓(xùn)練后模型的準(zhǔn)確度。

(4)數(shù)據(jù)預(yù)處理。將學(xué)習(xí)樣本數(shù)據(jù)集進(jìn)行線性縮放，阻力數(shù)據(jù)被線性縮放為0～1。

(5)計(jì)算SVM模型參數(shù)，建立分類函數(shù)。采用K折疊交叉驗(yàn)證法與網(wǎng)格搜索法對優(yōu)化模型進(jìn)行評估，直至參數(shù)精度滿足終止條件。

(6)建立最終用于支架循環(huán)阻力類型的SVM模型，然后采用測試數(shù)據(jù)集對模型性能評價(jià)。本次測試的模型驗(yàn)證通過率為95%。

(7)采用訓(xùn)練后的SVM分類器對所有的支架阻力分片數(shù)據(jù)進(jìn)行分類，生成以支架編號和時(shí)間的分類結(jié)果二維數(shù)組。按照時(shí)間、支架位置將分類后的二維數(shù)組折算為以平面坐標(biāo)的二維數(shù)組;采用線性擬合將阻力類型分類結(jié)果對應(yīng)轉(zhuǎn)化為頂板類型，頂板完整性分類結(jié)果云圖如圖8所示。

(8)以頂板分類團(tuán)簇密度為分類依據(jù)，將頂板做二分區(qū)，區(qū)分不穩(wěn)定區(qū)與相對穩(wěn)定區(qū)，如圖8頂板完整性云圖中虛線所示。

3.1.4 現(xiàn)場監(jiān)測驗(yàn)證

當(dāng)8202工作面自開切眼推進(jìn)約400 m后，回風(fēng)巷圍巖壓力逐漸增大;當(dāng)工作面推進(jìn)800 m時(shí)，下端頭附近頂煤與區(qū)段煤柱嚴(yán)重變形(圖9)，工作面與回風(fēng)巷交叉處巷道斷面僅殘存不足1 m2。下端頭附近85～118號液壓支架阻力普遍達(dá)不到初撐力;這是由于回風(fēng)巷側(cè)頂煤十分破碎，無法與支架形成剛性硬接觸所致?，F(xiàn)場巷道變形與支架阻力監(jiān)測結(jié)果驗(yàn)證了本案例通過支持向量機(jī)對支架阻力分類及頂板狀況分析的準(zhǔn)確性，同時(shí)說明所采用的支持向量機(jī)訓(xùn)練方法和液壓支架數(shù)據(jù)處理方法可以用于巖層控制分析。

圖9 回風(fēng)巷及端頭處嚴(yán)重變形照片F(xiàn)ig.9 Photos of roadway surrounding rock deformation

3.2 大數(shù)據(jù)+動態(tài)數(shù)值開采試驗(yàn)

3.2.1 大數(shù)據(jù)+動態(tài)數(shù)值開采試驗(yàn)的基本架構(gòu)

“大數(shù)據(jù)+動態(tài)數(shù)值開采試驗(yàn)”指按照實(shí)時(shí)監(jiān)測數(shù)據(jù)對數(shù)值模型的輸入?yún)?shù)反演校對，跟隨開采過程實(shí)時(shí)更新數(shù)值模型，使巖層幾何特征、物理力學(xué)行為、求解控制方式逼近實(shí)況;在每一步真實(shí)開采前預(yù)先進(jìn)行數(shù)值計(jì)算，以預(yù)測下一步開采所遇到的具體礦山壓力問題的數(shù)值開采試驗(yàn)過程，其基本架構(gòu)如圖10所示。

圖10 大數(shù)據(jù)+動態(tài)數(shù)值開采試驗(yàn)的基本架構(gòu)Fig.10 Process of dynamic numerical mining modelling based on big data analysis

具體流程如下：① 采集礦井三維地質(zhì)信息與開拓開采信息，運(yùn)用一定的算法將地質(zhì)信息與開拓開采信息進(jìn)行三維精細(xì)擬合，建立真三維礦山開采模型。② 采集并分析地質(zhì)力學(xué)信息，根據(jù)巖層物理力學(xué)特性和所模擬問題的主要矛盾，初步確定巖層、節(jié)理、層理、斷層的本構(gòu)模型以及相應(yīng)的物理力學(xué)參數(shù);根據(jù)地應(yīng)力場信息確定模型的邊界條件。③ 根據(jù)真實(shí)開采工藝進(jìn)行數(shù)值計(jì)算，將運(yùn)算結(jié)果與實(shí)時(shí)監(jiān)測數(shù)據(jù)(如巖層位移、支架阻力變化、煤柱應(yīng)力監(jiān)測等)進(jìn)行差異分析，調(diào)整巖層本構(gòu)模型、物理力學(xué)參數(shù)以及求解控制方式(如阻尼、收斂準(zhǔn)則、網(wǎng)格特征、求解器等)。④ 直至數(shù)值模擬結(jié)果與監(jiān)測數(shù)據(jù)的誤差在可接受范圍內(nèi)，停止模型校核。⑤ 采用反演后的最終數(shù)值模型進(jìn)行下一步開采，預(yù)測可能出現(xiàn)的礦壓問題，并基于此做巖層控制決策。⑥ 進(jìn)行下一步真實(shí)開采，對數(shù)值計(jì)算的預(yù)測結(jié)果做對比、評價(jià);將實(shí)時(shí)監(jiān)測數(shù)據(jù)及數(shù)值計(jì)算的評價(jià)結(jié)果擴(kuò)充巖層控制大數(shù)據(jù)，以指導(dǎo)下一步數(shù)值開采試驗(yàn)，最終形成動態(tài)反演、逐步逼近、實(shí)時(shí)評價(jià)的循環(huán)數(shù)值計(jì)算過程。

3.2.2 動力事故反分析實(shí)例

鄂爾多斯某礦42105綜放工作面長230 m，推進(jìn)長度5 231.1 m，煤層平均厚度6.7 m。該工作面機(jī)尾側(cè)推進(jìn)至240 m左右時(shí)，工作面回風(fēng)巷超前巷道發(fā)生動力災(zāi)害事故，150余根超前單體液壓支柱瞬間折斷。為分析42105綜放工作面這次動力災(zāi)害事故的機(jī)理，首先用GMS三維地質(zhì)建模軟件將42105工作面內(nèi)及周圍58個(gè)地質(zhì)鉆孔數(shù)據(jù)錄入，建立該工作面三維地質(zhì)模型，如圖11所示。根據(jù)建立的三維地質(zhì)模型，建立數(shù)值模擬物理模型，其中二維數(shù)值模擬模型參照42105綜放工作面三維地質(zhì)模型回風(fēng)巷軸向剖面圖。

圖11 42105工作面三維地質(zhì)模型Fig.11 3D geologic model of the longwall panel No.42105

依照實(shí)驗(yàn)室煤巖層力學(xué)性能測試實(shí)驗(yàn)，對數(shù)值模擬模型中各煤巖層的初始物理力學(xué)參數(shù)進(jìn)行賦值;巖層初始本構(gòu)模型假設(shè)為摩爾庫侖軟化模型。根據(jù)地表巖移觀測數(shù)據(jù)，采用正反分析法，對數(shù)值模擬模型進(jìn)行參數(shù)反演，調(diào)整模型煤巖體物理力學(xué)參數(shù)和網(wǎng)格尺寸，當(dāng)模擬結(jié)果與實(shí)際數(shù)據(jù)間的誤差在可接受范圍內(nèi)時(shí)，確定反演參數(shù)的最優(yōu)解，并以此優(yōu)化后的模型進(jìn)行頂板動力事故分析。

采用三維模型模擬了隨工作面推進(jìn)的應(yīng)變能密度演化規(guī)律。由圖12可以看出，42105工作面后方煤柱出現(xiàn)了能量局部釋放，煤柱遭到破壞失去承載能力，引起頂板瞬間下移;模擬結(jié)果說明此次頂板動力災(zāi)害的根源為區(qū)段煤柱突然失穩(wěn)所致。

圖12 42105工作面推進(jìn)至240 m時(shí)區(qū)段回風(fēng)平巷煤柱應(yīng)變能密度變化Fig.12 Strain energy density variation of the tailgate pillar when the face No.42105 advanced 240 m

4 結(jié) 論

(1)煤礦采場智能巖層控制是智慧礦山及智能開采的重要部分和關(guān)鍵環(huán)節(jié)，是采礦由“試誤巖層控制”向“精準(zhǔn)巖層控制”、由“靜態(tài)巖層控制”向“動態(tài)巖層控制”發(fā)展的關(guān)鍵路徑，是當(dāng)前乃至今后一個(gè)時(shí)期采礦巖層控制領(lǐng)域的重要發(fā)展方向之一。

(2)采場智能巖層控制的內(nèi)涵是運(yùn)用現(xiàn)代信息技術(shù)、人工智能技術(shù)及方法等，以采場智能裝備系統(tǒng)為載體，實(shí)現(xiàn)開采全過程的采場圍巖自動化、智能化控制;采用互聯(lián)網(wǎng)技術(shù)、多傳感技術(shù)、地理信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、數(shù)字圖像技術(shù)等對三維地質(zhì)信息、開拓開采信息、煤巖層地質(zhì)力學(xué)信息、生產(chǎn)過程中的動態(tài)監(jiān)測信息、歷史記錄與案例進(jìn)行感知、傳輸、存儲與匯集，采用計(jì)算機(jī)模擬、云計(jì)算、大數(shù)據(jù)分析與人工智能等技術(shù)對實(shí)時(shí)數(shù)據(jù)和歷史信息進(jìn)行動態(tài)分析、學(xué)習(xí)，實(shí)現(xiàn)對生產(chǎn)狀態(tài)動態(tài)判別、巖層狀態(tài)動態(tài)預(yù)測以及智能裝備群運(yùn)行狀態(tài)實(shí)時(shí)分析，并對智能裝備群進(jìn)行實(shí)時(shí)調(diào)整控制、實(shí)時(shí)制定突變?yōu)暮Ψ揽卮胧?，以?shí)現(xiàn)開采全過程的動態(tài)巖層控制。

(3)分析了礦山數(shù)據(jù)的構(gòu)成、感知匯集方法及利用方式。礦山數(shù)據(jù)的用途主要有:① 大數(shù)據(jù)關(guān)聯(lián)分析，進(jìn)行巖層控制效果、事故災(zāi)害特征評價(jià);② 為人工智能模型提供學(xué)習(xí)樣本及分析對象;③ 作為動態(tài)數(shù)值計(jì)算的反演分析參照對象;④ 作為數(shù)據(jù)可視化與開采實(shí)景虛擬的信息來源等4類。

(4)給出了采場智能巖層控制的動態(tài)分析與狀態(tài)判別、實(shí)時(shí)決策控制與反饋的技術(shù)路徑，提出了采場智能巖層控制的關(guān)鍵科學(xué)技術(shù)問題:① 環(huán)境及設(shè)備運(yùn)行數(shù)據(jù)的感知匯集方法與技術(shù);② 礦山數(shù)據(jù)實(shí)時(shí)快速分析方法與技術(shù);③ 采場智能巖層控制的關(guān)聯(lián)分析與模型;④ 礦山數(shù)據(jù)可視化與開采場景虛擬構(gòu)建;⑤ 基于大數(shù)據(jù)的快速動態(tài)數(shù)值計(jì)算原理及算法;⑥ 采場智能巖層控制“感知-分析-控制-反饋”全過程算法集成與系統(tǒng)構(gòu)建。