[發(fā)明專利]基于機(jī)器學(xué)習(xí)的瓦斯超限預(yù)警模型構(gòu)建方法及預(yù)警方法

有效

• 申請?zhí)枺?/td>: 202010138067.7
• 申請日: 2020-03-03
• 公開（公告）號: CN111324988B
• 公開（公告）日: 2023-08-08
• 發(fā)明（設(shè)計）人: 任如意;宗云兵;白軻;尹青山
• 申請（專利權(quán)）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(jì)南信達(dá)專利事務(wù)所有限公司 37100
• 代理人: 孫園園

本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的瓦斯超限預(yù)警模型構(gòu)建方法及預(yù)警方法，屬于瓦斯超限預(yù)警領(lǐng)域，要解決的技術(shù)問題為如何對瓦斯涌出量進(jìn)行預(yù)測以及及時預(yù)警。方法包括如下步驟：通過實驗分析得到瓦斯相關(guān)特征；對于目標(biāo)煤礦，采集瓦斯相關(guān)特征，構(gòu)建訓(xùn)練集；基于MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建瓦斯超限預(yù)警模型；以訓(xùn)練集為輸入，通過隨機(jī)梯度下降方法對上述瓦斯超限預(yù)警模型進(jìn)行參數(shù)優(yōu)化；對于訓(xùn)練后瓦斯超限預(yù)警模型，對權(quán)重系數(shù)矩陣進(jìn)行正則化處理。方法包括如下步驟：通過上述方法構(gòu)建瓦斯超限預(yù)警模型；計算抽采瓦斯量，計算絕對瓦斯涌出量；計算風(fēng)排瓦斯量；基于風(fēng)排瓦斯量計算瓦斯?jié)舛劝俜致剩换谕咚節(jié)舛劝俜致噬赏咚钩拊u估報告。

技術(shù)領(lǐng)域

本發(fā)明涉及以瓦斯超限預(yù)警領(lǐng)域，具體地說是一種基于機(jī)器學(xué)習(xí)的瓦斯超限預(yù)警模型構(gòu)建方法及預(yù)警方法。

背景技術(shù)

近年來，我國重大事故死亡人數(shù)居高不下，其中瓦斯爆炸造成的死亡人數(shù)占50％以上，其中高瓦斯含量的礦井占全國統(tǒng)配煤礦總數(shù)的46％，而大部分礦井的瓦斯預(yù)警技術(shù)相對落后、檢測系統(tǒng)的能力不足，成為實現(xiàn)安全生產(chǎn)的最大障礙。煤與瓦斯事故發(fā)生的影響因素眾多，其致因也非常復(fù)雜，根據(jù)目前的研究情況，瓦斯超限預(yù)警技術(shù)受限的原因較多，主要存在以下的問題：預(yù)警指標(biāo)不完善，覆蓋因素不全或未覆蓋主要影響因素,預(yù)警模型數(shù)據(jù)集較少及分析能力不足,預(yù)警信息對礦端的實時監(jiān)測能力不足、預(yù)警準(zhǔn)確率不足。

我國目前的瓦斯檢測、監(jiān)測系統(tǒng)、瓦斯超限上報和監(jiān)控主要以礦級為主，這些信息的準(zhǔn)確性、及時性難以得到保障。但是，隨著國家對煤礦安全生產(chǎn)工作的日益重視，煤礦越來越要求精細(xì)化科學(xué)管理，通過一段時間的煤礦企業(yè)推廣，有了初步的效果。2016年國家安檢總局在《煤礦安全監(jiān)控系統(tǒng)升級改造技術(shù)方案》第九條加強(qiáng)數(shù)據(jù)應(yīng)用分析中明確提出，監(jiān)控系統(tǒng)應(yīng)該具有大數(shù)據(jù)的分析與應(yīng)用功能，瓦斯涌出的預(yù)測預(yù)警被納入其中。因此，在瓦斯預(yù)警方面，需要明確提出系統(tǒng)應(yīng)具備瓦斯涌出量預(yù)測預(yù)警功能，根據(jù)井下瓦斯、風(fēng)速等數(shù)據(jù)預(yù)測瓦斯涌出量，并及時預(yù)警。

基于上述分析，如何對瓦斯涌出量進(jìn)行預(yù)測以及及時預(yù)警，是需要解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明的技術(shù)任務(wù)是針對以上不足，提供一種基于機(jī)器學(xué)習(xí)的瓦斯超限預(yù)警模型構(gòu)建方法及預(yù)警方法，來解決如何對瓦斯涌出量進(jìn)行預(yù)測以及及時預(yù)警的問題。

第一方面，本發(fā)明提供一種基于機(jī)器學(xué)習(xí)的瓦斯超限預(yù)警模型構(gòu)建方法，包括如下步驟：

通過實驗分析得到瓦斯相關(guān)特征；

對于目標(biāo)煤礦，采集瓦斯相關(guān)特征，基于瓦斯相關(guān)特征構(gòu)建訓(xùn)練集；

基于MLP神經(jīng)網(wǎng)絡(luò)構(gòu)建瓦斯超限預(yù)警模型，所述瓦斯超限預(yù)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(yù)警模型共兩個，分別為預(yù)測抽采量模型和絕對瓦斯涌出量模型；

以訓(xùn)練集為輸入，通過隨機(jī)梯度下降方法對上述瓦斯超限預(yù)警模型進(jìn)行參數(shù)優(yōu)化，得到訓(xùn)練后瓦斯超限預(yù)警模型，所述瓦斯超限預(yù)警模型中參數(shù)包括權(quán)重和偏置；

對于訓(xùn)練后瓦斯超限預(yù)警模型，對權(quán)重系數(shù)矩陣進(jìn)行正則化處理，得到最終瓦斯超限預(yù)警模型。

作為優(yōu)選，對于區(qū)別于目標(biāo)煤礦的另一個煤礦，將上述最終瓦斯超限預(yù)警模型進(jìn)行遷移學(xué)習(xí)，所述遷移學(xué)習(xí)后最終瓦斯超限預(yù)警模型適用于所述另一個煤礦。

作為優(yōu)選，所述瓦斯相關(guān)特征包括：

K1值，為煤樣瓦斯解吸特性，用于直接揭示當(dāng)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(nèi)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