[發明專利]基于隨鉆測量技術的煤層沖擊危險性實時評估方法

有效

• 申請號: 202010099143.8
• 申請日: 2020-02-18
• 公開（公告）號: CN111291997B
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 石永奎;趙敏敏;王新
• 申請（專利權）人: 山東科技大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/02;E21B47/00;E21F17/18;G06N3/00;G06N3/08
• 代理公司: 濟南金迪知識產權代理有限公司 37219
• 代理人: 段毅凡

1.一種基于隨鉆測量技術的煤層沖擊危險性實時評估方法，其特征在于，包括如下步驟：

第一步：樣本信號采集

對于每個開采階段水平，依據工作面布置和開采順序，對于初次開采到的沖擊地壓危險性等級為弱沖擊、中等沖擊或強沖擊的掘進工作面和回采工作面，分別對煤體鉆孔，鉆孔過程中從第一米開始每鉆孔一米收集鉆屑量數據，同步采集鉆進時鉆機的鉆進參數；

所述的鉆進參數包括：鉆進速度、扭矩、推進力、擊打頻率、擊打壓力、鉆比能量，其中鉆進速度、扭矩、推進力、擊打頻率、擊打壓力為直接測得的鉆進參數，鉆比能量為鉆進單位體積巖石所需要的能量，是間接計算得到的鉆進參數，鉆比能量的計算公式為：其中，E_d為鉆進比能，A為鉆桿截面積，L為鉆桿沖程，N_s為擊打壓力，f為擊打頻率，v為鉆進速度，S為鉆孔直徑，k為損失系數；

第二步：樣本信號預處理

將步驟一采集到的每個等級的所有樣本信號中的鉆進參數按每一米分別取平均值，每一米的鉆進參數平均值和相對應的1個鉆屑量數據構成一個數據集，每個等級所有的數據集構成各自的樣本數據庫，將樣本數據庫中的6個鉆進參數和相應的鉆屑量數據均歸一化到[0-1]數值；

第三步：確定最優預測模型及參數

將采集到的樣本數據庫分按80％和20％的比例劃分為訓練集和測試集，鉆進參數作為預測模型的輸入，鉆屑量作為預測模型的輸出，具體方法如下：

3.1：采用多元線性回歸模型對鉆屑量進行預測，得到最優的模型評價指標值；

對訓練集進行多元線性回歸擬合，得到擬合方程，再將測試集的鉆進參數代入到得到的擬合方程，求出測試集對應的鉆屑量預測值，根據測試集的鉆屑量預測值和實際值分別計算模型評價指標值，即均方根誤差RMSE、決定系數R²、方差占比VAF值,該模型評價指標值便是通過多元線性回歸模型得到的最優的模型評價指標值；

3.2：采用神經網絡模型對鉆屑量進行預測，確定最優的神經網絡模型參數，同時得到最優的模型評價指標值，具體方法分為：

3.2.1：采用試錯法確定最優的神經網絡的學習率、動量系數和激活函數；

3.2.2：對于神經網絡的輸入維度，設置對照試驗，神經網絡的輸入維度分別設置為1至6，對于每一維數來說，具有不同的鉆進參數組合，將神經網絡的隱含層設置為1層，隱含層節點數設置為30，然后對訓練集和測試集分別進行訓練和測試，得到訓練集和測試集對應的鉆屑量預測值，根據訓練集和測試集的鉆屑量預測值和實際值分別計算它們的模型評價指標RMSE、R²、VAF值，分別對所有訓練集和測試集得到的模型評價指標進行排序，排序原則為，越小的RMSE值、越大的R²和VAF值獲得的排序序號值越大，將每個訓練集或測試集的三個模型評價指標排序序號值分別進行相加，每個測試集或訓練集都得到三個指標的總排序序號值，最大的序號值對應的結果即為最優的模型評價指標值，以此來確定最優的神經網絡的最優輸入維度，即確定最優的鉆進參數組合；

3.2.3：設置對照試驗，設置不同的隱含層節點數量，將步驟3.2.3中確定的最優鉆進參數組合設置為神經網絡的輸入，神經網絡的隱含層設置為1層，對訓練集進行訓練后，將測試集的鉆進參數輸入訓練后的神經網絡，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的排序原則，確定最優的模型評價指標值同時確定最優的隱含層節點數；

3.3：采用遺傳算法優化的神經網絡模型對鉆屑量進行預測，該優化也就是采用遺傳算法優化神經網絡的初始權重和閾值，神經網絡模型參數則采用步驟3.2中確定的最優的神經網絡模型參數，以便確定遺傳算法的主要參數，最終得到最優的模型評價指標值：

3.3.1：采用試錯法確定最優的變異概率和交叉概率參數；

3.3.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的排序原則，確定最優的種群數量；

3.3.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的鉆屑量預測值，根據鉆屑量預測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的種群數量相應的RMSE值不再繼續降低的最大迭代次數即為遺傳算法最優的最大迭代次數；

3.3.4：采用步驟3.3.1、步驟3.3.2和步驟3.3.3中確定的最優遺傳算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的排序原則，確定最優的模型評價指標值；

3.4：采用種群算法優化的神經網絡模型對鉆屑量進行預測，該優化也就是采用種群算法優化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步驟3.2中確定的最優的神經網絡模型參數，以便確定種群算法的主要參數，最終確定最優的模型評價指標值：

3.4.1：采用試錯法確定最優的自適應參數c₁,c₂和慣性因子參數；

3.4.2：對于種群數量，設置對照試驗，分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的中的排序原則，確定最優的種群數量；

3.4.3：最大迭代次數的確定，設置對照試驗，種群數量分別設置為25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的鉆屑量預測值，根據鉆屑量預測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的種群數量相應的RMSE值不再繼續降低的最大迭代次數即為種群算法最優的最大迭代次數；

3.4.4：采用步驟3.4.1、步驟3.4.2和步驟3.4.3中確定的最優種群算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的中的排序原則，確定最優的模型評價指標值；

3.5：采用帝國競爭算法優化的神經網絡模型對鉆屑量進行預測，該優化采用采用帝國競爭算法優化神經網絡的初始權重和閾值，神經網絡模型參數則同樣采用步驟3.2中確定的最優的神經網絡模型參數，從而確定帝國競爭算法的主要參數，最終得到最優的模型評價指標值：

3.5.1：采用試錯法確定神經網絡最優的隨機數β、偏移方向θ和殖民地影響因子ξ參數；

3.5.2：對于總國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國數量為50，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的中的排序原則，確定最優的總國家數量；

3.5.3：對于帝國主義國家數量，設置對照試驗，分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，總國家數量設置為3.5.2中確定的最優總國家數量，最大迭代次數設置為100，對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的的排序原則，確定最優的帝國主義國家數量；

3.5.4：最大迭代次數的確定，設置對照試驗，總國家數量分別設置為50、75、100、150、200、250、300、350、400、450、500、550、600，帝國主義數量設置為步驟3.5.3中確定的最優帝國主義國家數量，最大迭代次數設置為1000，對訓練集進行訓練，記錄訓練集對應的鉆屑量預測值，根據鉆屑量預測值和實際值計算訓練集的模型評價指標RMSE值，對于所有的總國家數量相應的RMSE值不再繼續降低的最大迭代次數即為帝國競爭算法最優的最大迭代次數；

3.5.5：采用步驟3.5.1到步3.5.4中確定的最優帝國競爭算法參數，再次對訓練集和測試集分別進行訓練和測試，分別記錄訓練集和測試集對應的鉆屑量預測值，根據鉆屑量預測值和實際值分別計算訓練集和測試集的模型評價指標RMSE、R²、VAF值，利用步驟3.2.2中的排序原則，確定最優的模型評價指標值；

3.6：對步驟3.1到步驟3.5獲得的多元線性回歸模型、神經網絡模型、遺傳算法優化的神經網絡模型、種群算法優化的神經網絡模型、帝國競爭算法優化的神經網絡模型獲得的最優模型評價指標值進行對比，同樣利用步驟3.2.2中的排序原則，最終確定最優的模型評價指標值，進而確定最優的鉆屑量預測模型及參數；

第四步：沖擊危險性快速實時評估

當開采到下一個相同沖擊地壓危險性等級工作面時，僅對預監測評估的工作面煤體進行鉆孔作業和采集每米鉆機鉆進參數，不記錄鉆屑量，采集的鉆進參數采用第二步中的信號預處理對鉆進參數求平均并歸一化，再利用最優預測模型對預處理后的鉆進參數進行分析，預測出相對應的鉆屑量；將預測得的鉆屑量與事先設定的臨界值進行對比，進而對沖擊危險性等級進行評定；

第五步：在開采進入下一個階段水平時，重復步驟一到四。