徐平安,張若楠,周小雨,趙琦琦

(平安煤炭開采工程技術研究院有限責任公司,安徽 淮南 232000)

0 引言

煤礦在正常生產(chǎn)過程中,需嚴格控制采掘工作面瓦斯?jié)舛仍?%以下,然而在遇到構(gòu)造、風量不足、區(qū)域瓦斯含量增高等情況時,采掘工作面瓦斯?jié)舛确浅Ｈ菀壮?。煤礦發(fā)生瓦斯災害前,往往伴隨瓦斯?jié)舛犬惓?因此準確判斷瓦斯?jié)舛仁沁M行瓦斯突出預測、通風設計等工作的基礎。

煤炭資源是中國重要的基礎能源資源,伴隨著煤礦開采深度加深,瓦斯災害越來越成為影響開采安全性的重要因素。周明[1]提出一種基于ELM的煤礦瓦斯?jié)舛阮A測方法,并對其進行深入研究,并通過實驗驗證其對于煤礦瓦斯預測的可行性;劉鋒[2]提出一種基于PCA-RVM的煤礦瓦斯?jié)舛阮A測方法,其通過在PCA的基礎上進行改進達到相較于使用PCA方法預測瓦斯?jié)舛雀玫念A測結(jié)果;蔡亞東[3]提出一種基于概率密度機的瓦斯?jié)舛阮A測方法,通過深入研究與瓦斯?jié)舛认嚓P的概率模型,實現(xiàn)對煤礦瓦斯?jié)舛鹊念A測;戚昱[4]通過研究信息融合與GA-BA 2種模型方法相互結(jié)合,實現(xiàn)精確預測煤礦瓦斯?jié)舛?馬莉等[5]深度結(jié)合PSO、Adam、GRU方法提出PSO-Adam-GRU方法并將該方法應用到煤礦瓦斯預測中;王勇哲[6]通過研究信息融合技術與瓦斯?jié)舛鹊臄?shù)值關系,實現(xiàn)煤礦瓦斯的濃度預測以及安全評估。綜上所述,通過數(shù)學方法建模煤礦瓦斯?jié)舛阮A測模型是具有一定可行性的,但目前的方法仍存在無法擬合實時煤礦瓦斯數(shù)據(jù),并需要考慮影響煤礦瓦斯?jié)舛鹊亩喾N因素的問題。

近年來隨著神經(jīng)網(wǎng)絡技術的發(fā)展,如何將神經(jīng)網(wǎng)絡方法與煤炭瓦斯監(jiān)測相結(jié)合成為學術研究的重要課題。李旭等[7]提出一種基于長短期記憶-門控循環(huán)單元的神經(jīng)網(wǎng)絡瓦斯?jié)舛刃蛄蓄A測算法,并通過使用吉林八連城南11902上順工作面一年的實驗數(shù)據(jù)驗證該方法的可行性;謝謙等[8]在針對LSTM算法的反向傳播過程中使用的Adam算法進行改進,并結(jié)合Attention機制提出Attention-aLSTM算法,實現(xiàn)在LSTM算法的基礎上針對預測性能提升14.2%;王德忠等[9]利用GA算法優(yōu)化LSTM網(wǎng)絡參數(shù),以解決LSTM網(wǎng)絡預測不平衡和易陷入局部極值的問題,提出GA-LSTM瓦斯?jié)舛阮A測模型,相較于RNN和BP方法得到了更加準確的瓦斯?jié)舛阮A測結(jié)果;蘭海平等[10]基于LSTM方法研究針對瓦斯超限和煤與瓦斯突出事故的超前預測模型,并驗證其子樣本長度和超前預測時長的關系;李鋮翔[11]通過分析GRNN神經(jīng)網(wǎng)絡的結(jié)構(gòu)及原理,驗證其在瓦斯?jié)舛阮A警方面的可應用性;劉超等[12]通過運行皮爾遜系數(shù)對瓦斯?jié)舛葦?shù)據(jù)進行特征選擇,提出Pearson-LSTM預測模型,并在玉華煤礦2409工作面進行實驗驗證其預測的準確性。上述方法均驗證了神經(jīng)網(wǎng)絡在煤礦瓦斯?jié)舛阮A測方面的可行性。

采煤面瓦斯的多源特征和瓦斯混合氣體的運移特征使得瓦斯?jié)舛燃染哂幸欢ǖ囊?guī)律性,又具有一定的復雜性,是典型的非線性時間序列預測問題。首先,礦井瓦斯?jié)舛仁堑湫偷臅r間序列數(shù)據(jù),單個瓦斯監(jiān)測點的瓦斯?jié)舛扰c該測點歷史瓦斯?jié)舛染哂袝r間相關性。其次,巷道內(nèi)瓦斯同樣受到煤層厚度、瓦斯抽采量、巷道內(nèi)瓦斯風排量的影響,因此在預測瓦斯?jié)舛葧r,應將這些影響因素納入模型之中。采煤工作面回風巷瓦斯較為穩(wěn)定,基本能夠反映整個巷道的瓦斯情況,旨在實現(xiàn)對采煤工作面回風巷的瓦斯?jié)舛冗M行主動預測。

1 瓦斯?jié)舛阮A測算法

瓦斯?jié)舛阮A測研究采用“廣義線性回歸”算法,廣義線性模型是線性模型的擴展,其在一般線性回歸模型的基礎上,將模型的假設進行推廣而得到應用范圍更廣更實用的回歸模型。通過聯(lián)結(jié)函數(shù)建立響應變量的數(shù)學期望值與線性組合的預測變量之間的關系。其特點是不強行改變數(shù)據(jù)的自然度量,數(shù)據(jù)可以具有非線性和非恒定方差結(jié)構(gòu),符合瓦斯?jié)舛阮A測的特征。

1.1 算法分析

機器學習是一種實現(xiàn)人工智能的方法,而線性回歸是機器學習中的一種重要方法,其理論依據(jù)是將訓練數(shù)據(jù)傳輸給計算機,計算機自動求解數(shù)據(jù)關系,在新的數(shù)據(jù)上做出預測或給出建議。從數(shù)據(jù)中尋找規(guī)律、建立關系,根據(jù)建立的關系去解決問題,滿足文中所研究的瓦斯?jié)舛阮A測的需求。

線性回歸算法中單變量線性回歸需要經(jīng)過已知的數(shù)據(jù)計算出平方誤差代價函數(shù)(代價函數(shù)/損失函數(shù)),然后使用梯度下降法把大量數(shù)據(jù)之間的平方誤差代價函數(shù)的常數(shù)部分降低到最小,使得線性回歸方程可以擬合現(xiàn)有的所有數(shù)據(jù),多變量線性回歸的時候,因為變量的個數(shù)較多并且之間的數(shù)量級差距較大,所以在縮小平方誤差代價函數(shù)的時候不能直接使用梯度下降法,要在所有的變量進行特征縮放(均值歸一化或者正規(guī)方程法)之后再進行梯度下降,最終得出多變量線性回歸的擬合方程。

1.2 模型建立

該算法基于煤礦工作面采集的多種影響到采煤工作面回風巷T2瓦斯?jié)舛鹊囊蛩?包括回風巷上隅角T0甲烷傳感器歷史數(shù)據(jù)、采煤工作面產(chǎn)量數(shù)據(jù)、工作面瓦斯抽采量數(shù)據(jù)、工作面煤層厚度數(shù)據(jù)、回風巷道風速數(shù)據(jù),以此建立基礎數(shù)據(jù)集。在基礎數(shù)據(jù)集的基礎上,基于時間關聯(lián)性將基礎數(shù)據(jù)集中的數(shù)據(jù)整理形成瓦斯?jié)舛扔绊懸蛩財?shù)據(jù)集,其中數(shù)據(jù)元組格式見表1。處理完成后,得到數(shù)據(jù)集。

表1 數(shù)據(jù)對應名稱

上述步驟數(shù)據(jù)分析建立的基礎數(shù)據(jù)元組仍需進一步處理得到用于預測T2位置瓦斯?jié)舛鹊乃惴Ｐ?。首?步驟1中的數(shù)據(jù)元組提供了影響T2位置瓦斯?jié)舛鹊挠绊懸蛩?其主要用處是用于預測下一數(shù)據(jù)采集時刻的T2位置瓦斯?jié)舛?因此將數(shù)據(jù)元組格式化為(T0_MAX,EXTRACT_COUT,COAL_PRODUCTION,COAL_THINKNESS,WIN_SPEED_AVG)格式。

為保證數(shù)據(jù)的可用性,對數(shù)據(jù)元組的每一列進行標準化處理首先對每一列數(shù)據(jù)進行平均值求解,其公式為

(1)

式中,xi為單個樣本數(shù)據(jù)的值;N為每列數(shù)據(jù)的樣本總數(shù);μ為平均值。

求得平均后,再進行標準差求解,其公式為

(2)

式中,σ為標準差。最后對元組中每列數(shù)據(jù)的單個數(shù)據(jù)進行z-score標準化,其公式為

(3)

通過上述得到標準化后的數(shù)據(jù)集。

將經(jīng)由特征工程產(chǎn)生的數(shù)據(jù)集進行切分,將數(shù)據(jù)集的70%數(shù)據(jù)用于模型訓練,20%的數(shù)據(jù)進行評估,10%做瓦斯?jié)舛阮A測校對使用,根據(jù)訓練的模型規(guī)律進行評估調(diào)整。

采用線性回歸的第一準則,因變量Y需要是“定量變量”,即數(shù)值變量,這里預測的T2甲烷傳感器濃度符合第一條件。煤層厚度決定了瓦斯的總量;日產(chǎn)量影響了每天大概的瓦斯涌出量,對工作面之中的瓦斯?jié)舛鹊挠绊懼饕浅椴闪亢惋L排量,風排瓦斯中,瓦斯會跟隨風流經(jīng)過工作面和回風巷至采區(qū)回風巷中,因此,煤層厚度、瓦斯抽采量、日產(chǎn)量、風速與T0瓦斯?jié)舛葌鞲衅骱蚑2瓦斯?jié)舛葌鞲衅鞯臄?shù)值是一元回歸或者高階回歸的關系,本身的一元回歸或者高階回歸的關系并未改變,所以本次模型建立采用廣義線性回歸的算法進行數(shù)據(jù)擬合,同時數(shù)據(jù)也服從高斯分布。建立多因素的廣義線性回歸模型,其計算公式為

θT2=ωDD+ωCC+ωQQ+ωSS+ωθT1θT1+b

(4)

式中,D為煤層厚度,m;C為瓦斯抽采量,m3;Q為日產(chǎn)量,t;S為風速,m/s;θT1為T0瓦斯?jié)舛?θT2為T2預測瓦斯?jié)舛?ω為各影響因素對于T2瓦斯?jié)舛扔绊懙钠茩?quán)重;b為公式整體相對于T2瓦斯?jié)舛鹊钠屏俊?/p>

將影響T2瓦斯?jié)舛鹊挠绊懸蜃优c相應的權(quán)重用向量方式表示ρ=[D,C,Q,SθT1],ω=[ωD,ωC,ωQ,ωS,ωθT1],則可將公式簡化為

θT2=ωTρ+b

(5)

上述步驟中基于影響T2位置瓦斯?jié)舛鹊亩喾N因素之間的線性關系建立了相應的多因素廣義線性回歸模型為θT2=ωTρ+b。

為了實現(xiàn)該模型對于實際預測值的擬合,通過最小二乘法對上述模型中的影響因素進行相應訓練,其計算公式為

(6)

式中,y為訓練集中原始的T2位置瓦斯?jié)舛?θT2為通過多因素廣義線性回歸模型預測的T2位置瓦斯?jié)舛取?/p>

通過上述采樣方法,劃分訓練集與測試集,使用凱明正態(tài)分布方法對模型權(quán)重賦予符合正態(tài)分布的處置,進行13輪模型訓練,得到訓練損失結(jié)果如圖1所示。

圖1 訓練損失結(jié)果Fig.1 Training loss results

從圖1可以看出,隨著訓練輪次的加深,算法的損失逐漸減小,模型學習到的內(nèi)容逐漸增多。

2 預測結(jié)果對比

試點礦井數(shù)據(jù)選取的是淮南礦業(yè)集團顧橋礦1126(3)采煤工作面的相關數(shù)據(jù),該礦井為瓦斯突出礦井,因此采用大數(shù)據(jù)預測的方式能提高礦井的生產(chǎn)安全可靠性。通過分析,此次實驗選取的T0甲烷傳感器數(shù)據(jù)、風速數(shù)據(jù)、抽采量數(shù)據(jù)、日產(chǎn)量數(shù)據(jù)、煤層厚度數(shù)據(jù)等均與采煤工作面環(huán)境中瓦斯?jié)舛却笮∠⑾⑾嚓P。T0甲烷傳感器反映的是本采煤工作面回風上隅角的瓦斯積聚情況,若數(shù)值較大,可能造成回風巷瓦斯?jié)舛茸兇?風速影響風排瓦斯含量,若風速變小,容易造成瓦斯積聚,造成瓦斯?jié)舛壬仙?抽采累積量為本采煤工作面煤層中賦存的瓦斯抽采量,當抽采量提高時,說明正在回采的本煤層噸煤瓦斯含量較高,抽采充分后,則在回采過程中空氣中的瓦斯含量會降低,抽采不充分,則空氣中瓦斯含量會升高;日產(chǎn)量數(shù)據(jù)能夠反映本采煤工作面回采的速度,當回采速度過快時,煤層中釋放至空氣的瓦斯含量就會提高,所以當空氣環(huán)境中瓦斯?jié)舛容^高時,必須停止回采。通過上述分析,可以看出,想要科學準確地預測出回風巷瓦斯?jié)舛?必須將這些相關因素納入模型之中,進行權(quán)衡學習。

甲烷傳感器濃度數(shù)據(jù)、風速數(shù)據(jù)、抽采量數(shù)據(jù)是通過安全監(jiān)控系統(tǒng)進行實時獲取,由數(shù)據(jù)庫中得到相關數(shù)據(jù)集,工作面產(chǎn)量數(shù)據(jù)是由生產(chǎn)調(diào)度系統(tǒng)所獲取的相關數(shù)據(jù),在建模過程中選取1個月的數(shù)據(jù)量,并根據(jù)數(shù)據(jù)集劃分,將數(shù)據(jù)集的70%數(shù)據(jù)用于模型訓練,20%的數(shù)據(jù)進行評估,10%做瓦斯?jié)舛阮A測校對使用,本次模型的建立、訓練以及校對工作依托大數(shù)據(jù)搭建的數(shù)據(jù)科學平臺進行完成,將數(shù)據(jù)集按照數(shù)據(jù)解析、特征工程提取、切分數(shù)據(jù)集、訓練模型、校對模型等步驟依次進行,最終能夠得到相關的預測結(jié)果對比。

選擇數(shù)據(jù)集中的20%數(shù)據(jù)進行預測評估,見表2數(shù)據(jù),其中mae為平均絕對誤差,即預測值和實際值的絕對差值(差值和的平均值),mse為均值方差,rmse為均方根誤差。

表2 評估結(jié)果

圖2所示為一段時間的數(shù)據(jù)集對應的預測評估結(jié)果predict曲線為預測值曲線,T2_max曲線為真實值曲線。

圖2 預測結(jié)果對比Fig.2 Comparison of predicted results

預測實驗在較為理想的情況下進行,歷史數(shù)據(jù)較為穩(wěn)定,且現(xiàn)場無偶然突發(fā)情況,如圖2所示,在模型迭代13次之后,能夠在變化趨勢上進行較為準確的預測,達到了本次研究的要求與目的。

3 結(jié)語

瓦斯災害是煤礦領域的重大安全問題,隨著煤礦智能化水平的不斷提高,探索深度機器學習對煤礦瓦斯?jié)舛冗M行預測具有現(xiàn)實意義,通過深度學習,能夠掌握瓦斯?jié)舛茸兓囊?guī)律,對日后瓦斯預測預報,防范瓦斯災害的發(fā)生具有重要意義,能夠為煤礦的回采與掘進工藝提供更為精準的風險預判依據(jù)。同時,將大數(shù)據(jù)、深度學習等智能化技術引入煤礦瓦斯治理工作中,具有較高的使用價值。在今后的研究工作中,將會在此成果的基礎上,對模型進行推廣,以求更好適用于礦井生產(chǎn)。