[發明專利]一種基于深度學習的煤與瓦斯突出強度預測方法

在審

• 申請號: 202011229641.6
• 申請日: 2020-11-06
• 公開（公告）號: CN112183901A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 關金鋒;周侃;司中應;鄒福財;聶子淇
• 申請（專利權）人: 貴州工程應用技術學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 戚星

本發明屬于瓦斯開采技術領域，具體為一種基于深度學習的煤與瓦斯突出強度預測方法，包括步驟一：數據準備，選取煤與瓦斯突出的預測指標，定義訓練數據，并對數據進行標準化處理；步驟二：特征提取，根據數據集定義網絡或模型組成，將輸入映射到目標，提取地質指標特征；步驟三：配置學習過程，選擇損失函數、優化器和需要監控的指標，設置迭代次數；步驟四：訓練模型，輸入樣本調用模型的fit方法在訓練數據上進行迭代，對模型進行訓練和優化；步驟五：驗證模型，在驗證集上對煤與瓦斯突出樣本進行預測，并與實際結果進行對照，確定模型的預測精度，其結構合理，表達能力更強，映射效果更優，從而更能夠提高突出強度預測的準確度。

技術領域

本發明涉及瓦斯開采技術領域，具體為一種基于深度學習的煤與瓦斯突出強度預測方法。

背景技術

煤與瓦斯突出等煤巖動力災害現象以及由此引發的煤與瓦斯爆炸等事故均嚴重制約了礦山生產和經濟效益的提高。近年來，隨著煤礦開采強度和深度的不斷加大，煤與瓦斯突出問題日益顯著，有效的突出強度預測方法對防突消突工作具有重大意義。目前，我國預測煤與瓦斯突出的方法主要有定性的比較分析、綜合評價方法、電磁輻射預測突出、微震技術預測突出和線性回歸分析法等。由于煤與瓦斯突出影響因素復雜，具有很強的非線性特點，而上述方法主要是以單一因素為主，所以存在較大的局限性，不能夠真實反映出突出特征及突出區域。

突出現象的非線性動力機制表明:影響突出的各基本因素與突出危險之間存在難以用顯函數描述的非線性映射關系。深度學習作為機器學習的一個分支領域，其本質特征是逐層訓練機制，具有較強的非線性映射能力和高度自學習、自適應能力，相比于傳統的煤與瓦斯突出的預測方法以及淺層神經網絡的預測方法，表達能力更強，映射效果更優，從而更能夠提高突出強度預測的準確度。

因此，本文以某礦區為研究對象，以煤與瓦斯突出的綜合作用假說為理論指導，在充分提取影響突出的地質因素的基礎之上，提出利用深度學習框架Keras建立煤與瓦斯突出強度預測模型，提出了基于深度學習的煤與瓦斯突出預測方法。

發明內容

本部分的目的在于概述本發明的實施方式的一些方面以及簡要介紹一些較佳實施方式。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

因此，本發明的目的是提供一種基于深度學習的煤與瓦斯突出強度預測方法，表達能力更強，映射效果更優，從而更能夠提高突出強度預測的準確度。

為解決上述技術問題，根據本發明的一個方面，本發明提供了如下技術方案：

一種基于深度學習的煤與瓦斯突出強度預測方法，其包括如下步驟：

步驟一：數據準備，選取煤與瓦斯突出的預測指標，定義訓練數據，并對數據進行標準化處理；

步驟二：特征提取，根據數據集定義網絡或模型組成，將輸入映射到目標，提取地質指標特征；

步驟三：配置學習過程，選擇損失函數、優化器和需要監控的指標，設置迭代次數；

步驟四：訓練模型，輸入樣本調用模型的fit方法在訓練數據上進行迭代，對模型進行訓練和優化；

步驟五：驗證模型，在驗證集上對煤與瓦斯突出樣本進行預測，并與實際結果進行對照，確定模型的預測精度。

作為本發明所述的一種基于深度學習的煤與瓦斯突出強度預測方法的一種優選方案，其中：采用交叉熵損失函數categorical_crossentropy作為損失函數。

作為本發明所述的一種基于深度學習的煤與瓦斯突出強度預測方法的一種優選方案，其中：采用RMSprop優化算法作為模型的優化器，以加快算法的學習速度。