周松元 羅 渭 黃 炳

（1.湖南安全技術(shù)職業(yè)學(xué)院（長沙煤礦安全技術(shù)培訓(xùn)中心），湖南 長沙 410151；2.杭州奇越數(shù)據(jù)科技有限公司，浙江 杭州 310015）

煤與瓦斯突出強(qiáng)度直接決定災(zāi)變后果。經(jīng)驗(yàn)表明：100t以下的低強(qiáng)度突出，災(zāi)變區(qū)域可能僅涉及發(fā)生地點(diǎn)幾十米局部范圍內(nèi)，依靠通風(fēng)設(shè)施，就能迅速恢復(fù)正常，造成的人員與財(cái)產(chǎn)損失輕微；但數(shù)百噸、上千噸以上突出一旦發(fā)生，其強(qiáng)烈沖擊波會(huì)在極短時(shí)間推動(dòng)災(zāi)變區(qū)域迅速擴(kuò)大，災(zāi)難性后果將是大概率事件。突出強(qiáng)度的預(yù)測具有非常重要的現(xiàn)實(shí)意義。

近來人工智能機(jī)器學(xué)習(xí)技術(shù)的迅猛發(fā)展，給煤與瓦斯突出預(yù)測預(yù)警技術(shù)研究提供了新的視角、方法和手段。此前一些相關(guān)的研究應(yīng)用了諸如神經(jīng)網(wǎng)絡(luò)等算法進(jìn)行分析，取得了不錯(cuò)的效果，但是這些研究采用的預(yù)測指標(biāo)獲取難度大，樣本量少，且缺少獨(dú)立驗(yàn)證檢驗(yàn)，構(gòu)建的模型存在過度擬合的可能性，實(shí)用性受限[1-2]。本文以湖南高瓦斯突出礦井利民煤礦為例，采用機(jī)器學(xué)習(xí)方法，探討礦井煤與瓦斯突出強(qiáng)度預(yù)測模型構(gòu)建的可行性與可靠性，以期能為高危礦井防突管理精準(zhǔn)施策，提出一種災(zāi)害度評判的普適性參考方法。

1 突出強(qiáng)度研究機(jī)器學(xué)習(xí)方法

1.1 方法與流程

機(jī)器學(xué)習(xí)的核心思想是對歷史數(shù)據(jù)進(jìn)行分析獲得知識(shí)，并對新數(shù)據(jù)作出預(yù)測。探討分析或?qū)⒁?wù)的對象，假定是已投產(chǎn)多年的煤與瓦斯突出礦井，已發(fā)生過煤與瓦斯突出（或視同突出）事故，長期的生產(chǎn)實(shí)踐過程中，已經(jīng)積累了較多的與突出相關(guān)的記錄資料，如“四位一體”防突措施實(shí)施過程記錄等。機(jī)器學(xué)習(xí)能自動(dòng)對突出信息數(shù)據(jù)進(jìn)行歸納、回歸分析，從而獲得規(guī)律，從理論上講，能夠利用這些規(guī)律對未知數(shù)據(jù)（如突出趨勢與強(qiáng)度等）進(jìn)行預(yù)測，所以，本文就選用機(jī)器學(xué)習(xí)算法來構(gòu)建礦井突出強(qiáng)度的預(yù)測模型。

圖1 機(jī)器學(xué)習(xí)項(xiàng)目流程

采用機(jī)器學(xué)習(xí)方法進(jìn)行完全的礦井煤與瓦斯突出強(qiáng)度預(yù)測研究，根據(jù)“CRISP-DM”跨行業(yè)機(jī)器學(xué)習(xí)標(biāo)準(zhǔn)流程，項(xiàng)目要經(jīng)歷三個(gè)階段：數(shù)據(jù)準(zhǔn)備階段、建模與測試階段和模型部署整合階段（如圖1所示）。對于探索性分析研究工作而言，本文探討時(shí)段是到測試驗(yàn)證階段。

1.2 算法選用

MARS（多變量適應(yīng)回歸樣條）是一種高度自動(dòng)化的回歸分析工具，由斯坦福大學(xué)統(tǒng)計(jì)系Jerome H.Friedman開發(fā)[3]。MARS可以自動(dòng)選擇使用哪些變量，對變量優(yōu)化變形，發(fā)現(xiàn)變量之間的交互作用，并且模型能夠自我測試，可有效防止諸如神經(jīng)網(wǎng)絡(luò)等算法可能出現(xiàn)的過度擬合問題。

MARS的函數(shù)形式類似分段函數(shù)，但在經(jīng)典統(tǒng)計(jì)中，分段函數(shù)切分位置通常被事先確定，并且被均勻間隔。在MARS中，切分位置則通過搜索步驟進(jìn)行確認(rèn)，并且只會(huì)保留需要數(shù)量的分段。MARS創(chuàng)建了一組基函數(shù)來單獨(dú)分解每個(gè)變量的信息，對于基函數(shù)運(yùn)行回歸等同于設(shè)定分段性線函數(shù)。

2 突出強(qiáng)度預(yù)測模型構(gòu)建實(shí)例

2.1 數(shù)據(jù)采集分析

原國家統(tǒng)配煤礦總公司漣邵礦務(wù)局利民煤礦（現(xiàn)政策關(guān)閉），根據(jù)礦井突出卡片記錄及后期10年較為詳細(xì)的“四位一體”防突指標(biāo)測定記錄及分析研究資料，進(jìn)行數(shù)據(jù)挖掘整理得到突出樣本148次，按建模經(jīng)驗(yàn)以大約1:8的比例從正?！八奈灰惑w”綜合防突措施記錄中隨機(jī)抽取1180條，合計(jì)1328條原始數(shù)據(jù)。由于時(shí)間跨度長，不同時(shí)期記錄內(nèi)容不完全相同，因此數(shù)據(jù)存在相當(dāng)高的缺失率。統(tǒng)計(jì)情況如表1所示。

表1 參與建模原始數(shù)據(jù)樣本變量缺失情況統(tǒng)計(jì)

其中以突出強(qiáng)度是多少作為目標(biāo)變量，其余指標(biāo)作為預(yù)測變量，用于預(yù)測這個(gè)結(jié)果。由于部分預(yù)測變量缺失比例過高，而這些缺失通常是與工作流程高度相關(guān)的，即比如沒有發(fā)生突出，“波及距離”就不會(huì)有數(shù)據(jù)記錄。為了避免分析結(jié)果被這些因素干擾，將不使用相關(guān)指標(biāo)進(jìn)行分析。

2.2 模型構(gòu)建過程

以往煤與瓦斯突出預(yù)測預(yù)警研究，研究樣本或是采自不同礦區(qū)，或是同礦井，樣本量采集數(shù)量通常也只有二三十條記錄[1-2]，缺少獨(dú)立驗(yàn)證的過程，因此可能存在過擬合的情況，即在實(shí)驗(yàn)室表現(xiàn)很好，但用于礦井具體生產(chǎn)過程時(shí)則偏差很大。為克服這一缺點(diǎn)，采用20%隨機(jī)獨(dú)立樣本驗(yàn)證的方式，得到模型的R2值為0.428，其他表現(xiàn)指標(biāo)如表2所示。

表2 機(jī)器學(xué)習(xí)模型擬合結(jié)果評估指標(biāo)

構(gòu)建的利民礦井煤與瓦斯突出強(qiáng)度預(yù)測模型（回歸方程）為：

Y=490.136+0.107283×BF1-0.0588377×BF2+133.792×BF3-0.0747148×BF5-0.205089×BF7-0.072001×BF8-2.22403×BF9-1.44556×BF10+68.0238×BF12+43.7664×BF13-60.5995×BF15。

韻玲：我是北方人，大學(xué)畢業(yè)后就留在了山清水秀的江南，一年四季，其他三個(gè)季節(jié)都很舒服，就是到了冬天，實(shí)在是受不了這種陰寒的涼氣。在南方過冬，我已經(jīng)習(xí)慣晚上蓋著好幾床被子睡覺了。不過做了孕媽媽之后，就感覺很不方便了，蓋兩床棉被感覺太壓迫人了，都快喘不過氣來了。而且在北方暖暖和和的棉被到了南方也水土不服不好用，天氣潮濕的時(shí)候，反而黏糊糊的，如果沒有個(gè)艷陽天，反而曬不透。孕期晚上睡覺怎么能睡得舒服，就成了我的心頭大事！

預(yù)測模型中基函數(shù)形式則如下：

BF1=max（0，瓦斯涌出量（M3）（突出前8小時(shí)內(nèi)推算量）-8186.4）；

BF2=max（0，8186.4-瓦斯涌出量，M3，突出前8小時(shí)內(nèi)推算量）；

BF3=構(gòu)造特征$in（“斷層、褶曲”,“穿層、褶曲”）；

BF5= max（0，瓦斯涌出量，M3，突出前8小時(shí)內(nèi)推算量，-3050）；

BF7=max（0，最大瓦斯解吸指標(biāo)H2-460）；

BF8=max（0，460-最大瓦斯解吸指標(biāo)H2）；

BF9=max（0，瓦斯涌出初速度Q-61.365）；

BF10=max（0，61.365-瓦斯涌出初速度Q）；

BF12=max（0，1.01083-煤層厚度變異系數(shù)）；

BF13=工作面或鉆孔溫度有無變化$in（“有”）；

BF15=構(gòu)造特征$in（“斷層、褶曲”，“褶曲、穿層”）。

2.3 預(yù)測模型驗(yàn)證

通過上面這個(gè)公式，只要取得了對應(yīng)的上述指標(biāo)值，就可以隨時(shí)計(jì)算預(yù)測出對應(yīng)的突出強(qiáng)度，就可以進(jìn)行相應(yīng)的預(yù)防工作，達(dá)到防突措施程度“精準(zhǔn)施策”目的，以實(shí)現(xiàn)最佳的安全經(jīng)濟(jì)效果。下表為部分獨(dú)立驗(yàn)證數(shù)據(jù)，依據(jù)上述公式可預(yù)測得到一個(gè)預(yù)測值，與實(shí)際值比較后發(fā)現(xiàn)預(yù)測誤差一般在50t以內(nèi)。如表3所示。

3 分析與結(jié)論

（1）本次研究探討了人工智能機(jī)器學(xué)習(xí)在煤礦瓦斯突出預(yù)測預(yù)警應(yīng)用上的可能性，通過研究可以發(fā)現(xiàn)，即使在少量樣本和數(shù)據(jù)質(zhì)量不高的情況下，人工智能機(jī)器學(xué)習(xí)也可以較為準(zhǔn)確地預(yù)測煤礦瓦斯突出強(qiáng)度，這說明人工智能機(jī)器學(xué)習(xí)在礦井地質(zhì)災(zāi)難預(yù)測預(yù)警方面具有廣闊的應(yīng)用前景。

（2）基于具體突出礦井的煤與瓦斯突出強(qiáng)度預(yù)測模型構(gòu)建，可隨時(shí)獲得采掘工作面可能面臨的災(zāi)變程度，有利于準(zhǔn)確設(shè)計(jì)“四位一體”防突措施投入程度，防止投入不足或溢出，提高企業(yè)安全經(jīng)濟(jì)效益。

（3）客觀因素對預(yù)測分析精度以及適用性會(huì)造成一定影響。若數(shù)據(jù)時(shí)間跨度過長，實(shí)際工作流程也有可能已發(fā)生較大改變，礦井樣本數(shù)據(jù)偏少和部分指標(biāo)缺失率過高，也可能造成分析結(jié)果或具偶然性。

（4）未來計(jì)劃采用以下途徑開展進(jìn)一步研究：與具突出礦井的企業(yè)合作，采集大量規(guī)范準(zhǔn)確的樣本數(shù)據(jù)繼續(xù)進(jìn)行分析，進(jìn)一步提升模型預(yù)測精度，并通過實(shí)踐檢驗(yàn)，最終實(shí)現(xiàn)將機(jī)器學(xué)習(xí)模型應(yīng)用于煤與瓦斯突出強(qiáng)度預(yù)測工作。

表3 礦井煤與瓦斯突出強(qiáng)度預(yù)測驗(yàn)證表