李紅霞，吳雪菲，，謝 謙

(1.西安科技大學 能源學院，陜西 西安 710054；2.中煤科工集團西安研究院有限公司，陜西 西安 710077)

0 引 言

我國煤礦賦存環(huán)境復雜，煤層變質(zhì)程度及孔隙結(jié)構(gòu)差異性較大，即使在現(xiàn)階段的智能化生產(chǎn)過程中，各系統(tǒng)、各環(huán)節(jié)仍存在多種安全生產(chǎn)風險。因此，對這些潛在的風險因素及危險進行辨識，明確瓦斯事故的發(fā)生特征，科學有效地識別并評估瓦斯爆炸風險等級并進行分級管控，是有效預防瓦斯事故的先決條件[1]。

國內(nèi)外學者在風險評估方面，對煤礦生產(chǎn)事故發(fā)生幾率以及事故發(fā)生后產(chǎn)生的危害程度權(quán)衡方面進行了深入分析，針對瓦斯災害風險預測方面，先后采用了層次分析法[2]、FDA法[3]、物元可拓理論[4]等方法，主要思路是通過建立瓦斯災害相關(guān)的評價指標體系后，按照不同的評價方法和步驟對指標進行定性或者定量的額評價，通過更多的樣本和評價結(jié)果驗證評價方法的可靠性和有效性，結(jié)合具體的場景選擇準確率較高的分析評價方法應用于對應類型的礦井和場景，在相似的場景和時間區(qū)間內(nèi)，都取得了一定的成果。在瓦斯涌出預測和評估方面，主要分為物理參數(shù)預測方法和基于瓦斯?jié)舛然蛘哂砍隽繒r間序列分析的方法2大類，其中物理參數(shù)方法中的打孔鉆粉法[5]和微震檢測法[6-7]已應用至實際生產(chǎn)中。但煤礦種類多，水文地質(zhì)環(huán)境復雜，煤的孔隙結(jié)構(gòu)和吸附特性均受煤炭類型影響，故應用打孔鉆粉法和微震檢測法預測煤礦瓦斯的預見性不夠強的問題?；跁r間序列分析的方法是通過模型來預測瓦斯含量，主要包括BP神經(jīng)網(wǎng)絡(luò)和支持向量機模型，張寶等針對小斷層構(gòu)造區(qū)域進行研究，通過參數(shù)測定分析后建立指標體系，利用BP神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)了小斷層的瓦斯涌出含量預測，并測得誤差小于5%，在潞安礦區(qū)進行了實際應用[8]。趙天華首先基于SVM支持向量機方法搭建了瓦斯預測流程框架，通過PSO和GA算法篩選樣本組合參數(shù)后構(gòu)建了瓦斯預測模型，進行礦井瓦斯?jié)舛阮A測[9]。預測結(jié)果于實測數(shù)據(jù)對比誤差較小，驗證了該瓦斯預測模型的實用性和有效性，綜上都存在針對時序數(shù)據(jù)的信息匱乏問題。因此，一些學者使用深度學習中的循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建瓦斯?jié)舛阮A測模型。張新建等將數(shù)據(jù)通過小波降噪處理后使用循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建預測模型，對瓦斯?jié)舛冗M行了預測[10]。程子均等使用LSTM構(gòu)建瓦斯預測模型，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的梯度消失問題[11]。為了構(gòu)建更加精確的瓦斯預測模型，本文使用Adam算法優(yōu)化LSTM網(wǎng)絡(luò)層參數(shù)的方法構(gòu)建瓦斯?jié)舛阮A測模型。

模型的精確性是風險評估的基石，建立好模型后根據(jù)模型的預測效果劃分風險等級。本文使用“3σ”準則作為瓦斯災害的風險劃分方法，根據(jù)輸入的樣本數(shù)據(jù)通過訓練與給定的預期輸出作為判別依據(jù)將風險劃為無風險、低風險、中風險、高風險4個等級。使用某礦瓦斯?jié)舛葦?shù)據(jù)驗證本文提出的Adam優(yōu)化LSTM瓦斯?jié)舛阮A測模型的精度，將上述算法的預測結(jié)果輸入至“3σ”準則，按照劃分的風險等級輸出預測結(jié)果的風險等級結(jié)果，經(jīng)驗證后研究可較好的為瓦斯災害風險做出有效的評估。

1 相關(guān)理論及方法

1.1 3σ準則

“3σ”準則首先將瓦斯?jié)舛葦?shù)據(jù)標準化后作為輸入數(shù)據(jù)，以風險水平作為神經(jīng)網(wǎng)絡(luò)的預期輸出，然后對神經(jīng)網(wǎng)絡(luò)工作(訓練樣本、測試樣本)進行訓練，將實際產(chǎn)出值與預期產(chǎn)出值進行比較，判斷神經(jīng)網(wǎng)絡(luò)風險預警的準確性[12]。

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)由HOCHREITER & SCHMID-HUBER于1997年提出[13-15]，并由Graves在遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)的基礎(chǔ)上改進的一種人工智能方法，LSTM使用存儲單元來存儲和輸出信息，目的是為了解決RNN中易出現(xiàn)的“梯度消失”問題[16]。LSTM的單元結(jié)構(gòu)如圖1所示。

圖1 LSTM單元結(jié)構(gòu)Fig.1 LSTM unit structure

LSTM的細胞單元具有3個門，分別為遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate)[17]。σ為sigmoid激活函數(shù)，LSTM細胞單元參數(shù)更新如公式所示。

LSTM首先通過遺忘門該門通過上一時刻LSTM隱藏層的輸出以及當前時刻的輸入

ft=σ(Wf·[ht-1,xt]+bf)

(1)

輸入門主要功能是避免無關(guān)信息進入到LSTM的細胞單元結(jié)構(gòu)中，該門主要功能與遺忘門功能相似

it=σ(Wi·[hi-1,xt]+bi)

(2)

(3)

(4)

輸出門通過將上一時刻隱藏層的輸出以及當前時刻的輸入得到當前時刻輸出門的輸出

ot=σ(Wo·[ht-1,xt]+bo)

(5)

將信息流所得到的值通過tanh函數(shù)更新與輸出門所得到的值合并得到模型的輸出

ht=ot·tanh(Ct)

(6)

2 基于LSTM的風險預警模型

2.1 數(shù)據(jù)預處理

由于數(shù)據(jù)采集過程中受設(shè)備故障、人為干擾等不穩(wěn)定因素的影響，采集的數(shù)據(jù)集中通常存在異常數(shù)據(jù)。異常數(shù)據(jù)的存在將極大影響預測的準確率。因此，在輸入訓練數(shù)據(jù)前需要對樣本中的異常數(shù)據(jù)進行識別和處理。

步驟一：使用拉伊達準則[18]進行異常值閾值確定。

步驟二：將異常值剔除，會導致時序數(shù)據(jù)部分缺失，為了保證預測效果，需要對缺失數(shù)據(jù)進行填補。本文使用Lagrange插值法[19-20]對空缺數(shù)據(jù)進行填補。

步驟三：對步驟一、步驟二處理好后的數(shù)據(jù)進行歸一化處理

(7)

式中x′為歸一化后的輸入變量；max(x)原始數(shù)據(jù)最大值；min(x)為原始數(shù)據(jù)最小值。

2.2 基于LSTM的綜采工作面瓦斯預測

基于LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風險預測模型，應用于綜采工作面瓦斯爆炸風險的評估，LSTM模型以瓦斯?jié)舛茸鳛槟Ｐ偷妮斎脒M行回歸模型的預測，相比于其他傳統(tǒng)的瓦斯爆炸風險評估，提高了瓦斯爆炸風險評估的精準度，保障了綜采工作面的安全生產(chǎn)。LSTM神經(jīng)網(wǎng)絡(luò)的瓦斯爆炸風險預測模型如圖2所示。

圖2 瓦斯爆炸風險預測模型Fig.2 Gas risk prediction model

具體流程如下所示。

步驟一：將訓練集的輸入數(shù)據(jù)輸入到LSTM中，得到預測值。

步驟二：根據(jù)預測值與真實值計算損失函數(shù)。

步驟三：利用Adam對LSTM的權(quán)重進行更新，實現(xiàn)LSTM的監(jiān)督學習。

步驟四：利用訓練好的LSTM神經(jīng)網(wǎng)絡(luò)，輸入測試集數(shù)據(jù)，對未來的瓦斯?jié)舛葦?shù)據(jù)進行預測。

3 風險評估實例

3.1 數(shù)據(jù)來源與樣本選擇

實驗數(shù)據(jù)集選取某礦瓦斯?jié)舛葦?shù)據(jù)，該數(shù)據(jù)集每5分鐘采集1次。本文實驗采用其中5 000條數(shù)據(jù)作為實驗數(shù)據(jù)集。選取4 880條數(shù)據(jù)作為模型的訓練集，對未來120條數(shù)據(jù)進行預測。

3.2 模型參數(shù)選擇

在實驗過程中，為了保證研究結(jié)果的準確性和可靠性，對3種預測模型的參數(shù)進行合理選擇，在以往依據(jù)經(jīng)驗選取參數(shù)建立模型中，模型差距主要是選擇對象的認知差距，為了將這種誤差降至最小，3種模型學習率統(tǒng)一設(shè)置為0.001，并將2種神經(jīng)網(wǎng)絡(luò)的定為不同函數(shù)，LSTM的優(yōu)化選用Adam算法，最終選用參數(shù)確定見表1。

表1 參數(shù)選擇Table 1 Parameter selection

3.3 3σ等級劃分

采用“3σ”規(guī)則，可以量化信用風險的分級評級，從而對瓦斯超限風險進行更加直觀的分析和評價。數(shù)據(jù)樣本標準化后，均值μ=0.168 2，標準差為σ=0.080 1，風險臨界點為μ±σ和μ±3σ。風險劃分見表2。

表2 風險劃分Table 2 Risk division

3.4 評價指標

評價指標采用平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)，公式如下

(8)

(9)

式中Ytrue為瓦斯?jié)舛日鎸嵵?；Ypre為瓦斯?jié)舛阮A測值。

3.5 實驗結(jié)果

按照表1中選取參數(shù)對各模型進行網(wǎng)絡(luò)調(diào)整，以某礦采集的5 000條瓦斯?jié)舛葦?shù)據(jù)作為實驗對象，訓練模型將瓦斯?jié)舛茸鳛檩斎胍蛩?，按照?σ”準則進行等級劃分標準將瓦斯預測值進行更加直觀表示，瓦斯爆炸風險等級作為模型輸出，實現(xiàn)瓦斯?jié)舛蕊L險狀況的準確評定，進而較早預警，避免不安全事故的發(fā)生。

綜采工作面瓦斯?jié)舛日鎸嵵导?種模型預測值如圖3所示；3種模型誤差如圖4所示。在評估結(jié)果基礎(chǔ)上按照模型概況對預測結(jié)果進行分類統(tǒng)計分別如表3算法誤差對比和表4瓦斯爆炸風險預測結(jié)果比對。

表3 算法誤差對比Table 3 Algorithm error comparison

圖3 瓦斯?jié)舛阮A測值 Fig.3 Predicted values of gas concentration

圖4 不同模型誤差對比Fig.4 Error comparison of different models

由圖3和圖4可以看出：LSTM的預測精度要優(yōu)于其他模型的預測精度。

由表3可以看出：LSTM對比其他2種模型的平均絕對百分比誤差(MAPE)提高了57.4%和23.9%；均方根誤差(RMSE)提高了46.6%和26.3%。在誤差比對基礎(chǔ)上按照表2中風險評估分級標準對3種模型的預測值與真實值評估結(jié)果進行統(tǒng)計并表示。分析表4統(tǒng)計結(jié)果發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果的準確性高于支持向量機(SVM)，LSTM網(wǎng)絡(luò)模型預測結(jié)果精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。從誤差和預測結(jié)果的準確度對比發(fā)現(xiàn)，LSTM具有更好的實用性。

表4 瓦斯爆炸風險預測結(jié)果對比Table 4 Comparison of gas risk prediction results

統(tǒng)計預測結(jié)果中，不同模型預測精度不超過±5%的個數(shù)占比如圖5所示。

圖5 不同模型預測精度不超過±5%的個數(shù)統(tǒng)計Fig.5 Statistics of prediction accuracy less than ±5% by different models

4 結(jié) 論

1)通過與SVM、BP神經(jīng)網(wǎng)絡(luò)方法相比較，選擇了LSTM神經(jīng)網(wǎng)絡(luò)分析方法，其特點是對于長時間跨度的非線性時間序列具有極強的學習能力。

2)對比3種模型對綜采工作面的瓦斯爆炸風險等級評定發(fā)現(xiàn)基于LSTM的模型具有更高的預測精度和較好的擬合效果。

3)使用“3σ”準則進行瓦斯爆炸風險等級劃分，可為煤礦安全等級劃分提供一條新的思路。