[發明專利]基于機器學習的瓦斯超限預警模型構建方法及預警方法

有效

• 申請號: 202010138067.7
• 申請日: 2020-03-03
• 公開（公告）號: CN111324988B
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 任如意;宗云兵;白軻;尹青山
• 申請（專利權）人: 山西西山煤電股份有限公司;浪潮通用軟件有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/096;G06N20/00;E21F17/00;E21F7/00;E21F17/18
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 孫園園

1.基于機器學習的瓦斯超限預警方法，其特征在于包括如下步驟：

通過基于機器學習的瓦斯超限預警模型構建方法構建瓦斯超限預警模型，得到最終瓦斯超限預警模型，所述最終瓦斯超限預警模型共兩個，分別為預測抽采量模型和絕對瓦斯涌出量模型；

基于預測抽采量模型計算抽采瓦斯量，基于絕對瓦斯涌出量模型計算絕對瓦斯涌出量；

基于抽采瓦斯量和絕對瓦斯涌出量計算風排瓦斯量，風排瓦斯量＝絕對瓦斯涌出量-抽采瓦斯量；

基于風排瓦斯量計算瓦斯濃度百分率，瓦斯濃度百分率＝風排瓦斯量/回風量*100；

基于瓦斯濃度百分率生成瓦斯超限評估報告，通過瓦斯超限評估報告進行業務風險分析；

其中，基于機器學習的瓦斯超限預警模型構建方法構建瓦斯超限預警模型，包括如下步驟：

通過實驗分析得到瓦斯相關特征；

對于目標煤礦，采集瓦斯相關特征，基于瓦斯相關特征構建訓練集；

基于MLP神經網絡構建瓦斯超限預警模型，所述瓦斯超限預警模型包括輸入層、輸出層和至少一個隱藏層，所述瓦斯超限預警模型共兩個，分別為預測抽采量模型和絕對瓦斯涌出量模型；

以訓練集為輸入，通過隨機梯度下降方法對上述瓦斯超限預警模型進行參數優化，得到訓練后瓦斯超限預警模型，所述瓦斯超限預警模型中參數包括權重和偏置；

對于訓練后瓦斯超限預警模型，對權重系數矩陣進行正則化處理，得到最終瓦斯超限預警模型；

瓦斯相關特征包括如下特征：

K1值，為煤樣瓦斯解吸特性，用于直接揭示當前煤礦瓦斯的涌出特性；

瓦斯解析量，瓦斯解吸量越大，巷道內可釋放的瓦斯越多；

瓦斯賦存量，為煤樣中保存的瓦斯總量；

瓦斯殘余量，為抽采后煤層中瓦斯殘余量；

瓦斯殘余壓力，為抽采后煤層中瓦斯的壓力；

通風類型，巷道形狀決定通風類型，根據巷道形狀將通風類型分為U型、Y型、Z型,對于不同煤礦，考慮該參數可以保證模型有更好的泛化能力；

進風量，為利用傳感器在巷道進入10-15m處測風得到的風量，進風是外界新鮮空氣的輸入用，用于帶出巷道內的瓦斯；

回風量，為利用傳感器在巷道排風口處測得的風量，回風量包含了巷道內的非新鮮空氣，所述非新鮮空氣包括瓦斯，非新鮮空氣需要從巷道排出；

漏風量，殘存在巷道內的風量，漏風量＝進風量—回風量，漏風量越大，對于瓦斯隨回風排出巷道越不利；

巷道彎曲復雜度，相比形狀為直線段的巷道模型，實際巷道由于各種地質條件而形成彎曲的形狀，巷道彎曲復雜度越高，瓦斯涌出量越高，同時越不利于風排；

抽采量，從煤層內部抽取的瓦斯，抽采方式包括但不限于軌順、皮順、高抽巷、低抽巷、采空區，抽采日報表包含純標沉量；混合標沉量；瓦斯(＝純標沉量/混合標沉量*100)；

推進度，為每天前進路程，推進度＝刀數*滾筒深度，推進度越大，瓦斯涌出越大；

距離斷層、陷落柱、褶曲的距離，不同距離處瓦斯涌出量不同，推進度越大，瓦斯涌出越大；

斷層、陷落柱、褶曲的數量和面積，當掘進到與斷層距離為0的地質構造處時，瓦斯涌出量與地質構造數量、斷面積的大小有關；

鉆孔巖煤分布，為煤層、巖石的組合、分布、大小比例，影響瓦斯的涌出；

大氣壓力，其影響煤礦地質構造和瓦斯涌出；

大氣最高、最低溫度，其影響煤礦地質構造和瓦斯涌出；

巷道氣壓，其影響瓦斯的涌，氣壓越大，瓦斯越不容易從煤層中涌出；

煤層厚度，為煤層厚度；

工作面切眼長度，為工作面煤層切眼長度；

對于訓練后瓦斯超限預警模型，基于Dropout對權重系數矩陣進行正則化處理，用于防止訓練后瓦斯超限預警模型過擬合；

所述隱藏層共一層；

所述瓦斯超限預警模型中引入的激活函數為ReLU函數；

通過隨機梯度下降方法對上述瓦斯超限預警模型進行參數優化，包括如下步驟：

以交叉熵作為衡量預測值和實際值之間偏差的損失函數；

通過隨機梯度下降算法作為計算損失函數最小值的優化算法。