基于CNN的煤岩瓦斯复合动力灾害预测.pdf

王凯,李康楠,杜锋,等.基于 CNN 的煤岩瓦斯复 合动力 灾害预 测 J.矿业科 学学报,2023,8(5):613-622.DOI:10.19606/ki.jmst.2023.05.003Wang Kai,Li Kangnan,Du Feng,et al.Prediction of coal-gas compound dynamic disaster based on convolutional neural networkJ.Journal of Min-ing Science and Technology,2023,8(5):613-622.DOI:10.19606/ki.jmst.2023.05.003基于 CNN 的煤岩瓦斯复合动力灾害预测王凯1,2,李康楠1,2,杜锋1,2,张翔1,2,王衍海1,2,周家旭21.中国矿业大学(北京)共伴生能源精准开采北京市重点实验室,北京 100083;2.中国矿业大学(北京)应急管理与安全工程学院,北京 100083收稿日期:2023-02-17 修回日期:2023-04-03基金项目:国家自然科学基金(52130409,52004291)作者简介:王凯(1972),男,河南遂平人,教授,博士生导师,主要从事安全工程与应急管理、矿井瓦斯及煤岩动力灾害防治、矿井通风等方面的教学与研究工作。Tel:[phone],E-mail:kaiwang 摘 要:随着我国煤矿开采逐渐进入深部区域,煤岩瓦斯复合动力灾害日益严重,对煤矿的安全生产造成极大威胁。基于某矿现场数据,采用智能预测手段对煤岩瓦斯复合动力灾害进行研究。首先,依据大数据处理流程,应用箱型图分析法(Box-plot)与多重插补法(MI)进行数据清洗,结合灰色关联度分析法(GRA)建立煤岩瓦斯复合动力灾害指标体系;然后应用主成分分析法(PCA)进行数据降维,结合深度学习中的卷积神经网络(CNN)建立基于 BMGP-CNN 的煤岩瓦斯复合动力灾害预测模型;运用现场案例数据将此模型与 BP 模型、随机森林(RF)模型、支持向量机(SVM)模型及人工神经网络(ANN)模型进行对比验证,发现 BMGP-CNN 模型预测结果的准确率最高,且该模型的收敛速度较快,能够在数秒内完成预测。研究结果对于煤岩瓦斯复合动力灾害的预测和防控具有重要意义。关键词:煤岩瓦斯复合动力灾害;深度学习;大数据;指标体系;预测模型中图分类号:TD 713 文献标志码:A文章编号:2096-2193(2023)05-0613-10Prediction of coal-gas compound dynamic disasterbased on convolutional neural networkWang Kai,Li Kangnan,Du Feng,Zhang Xiang,Wang Yanhai,Zhou Jiaxu1.Key Laboratory for Precise Mining of Intergrown Energy and Resources,China University of Mining and Technology-Beijing,Beijing 100083,China;2.School of Emergency Management and Safety Engineering,China University of Mining and Technology-Beijing,Beijing 100083,ChinaAbstract:As deep mining becomes prevalent in Chinas coal mining industry,coal-gas compound dy-namic disasters pose increasing threat to the safety production of coal mines.This paper adopts the fielddata of Pingmei No.8 coal mine for analysis,with the attempt to predict coal-gas compound dynamicdisaster through convolutional neural network.Following the routine of the big data processing,we firstemployed Box-plot analysis and multiple interpolation method(MI)to clean the data.Combined withgrey relationanalysis(GRA),weestablishedacoal-gascompounddynamicdisasterindexsystem.Then,principal component analysis(PCA)is used for dimensionality reduction of the da-ta.Combined with the convolution neural network(CNN)in deep learning,we established the coal-gascompound dynamic disaster prediction model based on BMGP-CNN.The field data is used to compareand verify this model with BP,random forest(RF),support vector machine(SVM)and artificial neural第 8 卷 第 5 期2023 年 10 月矿 业 科 学 学 报JOURNAL OF MINING SCIENCE AND TECHNOLOGYVol.8 No.5Oct.2023network(ANN).It is found that BMGP-CNN model yields prediction results with satisfactory accuracyand quick convergence.The results offer implications for the prediction and prevention of coal-gas com-pound dynamic disasters.Key words:coal-gas compound dynamic disaster,deep learning,big data,index system,prediction model 随着煤炭开采深度逐步加大,深部高瓦斯压力、高地应力、低渗透性煤层及其围岩之间的耦合作用不断增强,出现了一种兼具煤与瓦斯突出和冲击地压特征的复合型动力灾害,称为煤岩瓦斯复合动力灾害1-4。深部高瓦斯压力与地应力条件下灾害的发生机理更为复杂,增加了灾害发生的不确定性及发生频率,时刻威胁着矿井的生产安全。进行煤岩瓦斯复合动力灾害预测研究,科学系统地排除煤岩瓦斯复合动力灾害事故隐患,从而降低事故所造成的人员伤亡与财产损失,是深部矿井实现安全高效开采亟待解决的难题之一5-8。目前,煤岩瓦斯复合动力灾害的预测主要基于传统预测方法,通过确定评判标准分别对各影响因素进行评价,从而实现对煤岩瓦斯复合动力灾害的预测,评判标准的差异会影响预测结果的准确度9-11。随着“智慧矿井”的提出与实施,深度学习理论逐渐被引入煤与瓦斯突出及冲击地压灾害预测领域,取得了良好的实践效果。学者应用概率神经网络(PNN)12、BP 神经网络13、支 持 向 量 机(SVM)14、小 波 神 经 网 络(WNN)15、广义回归神经网络(GRNN)16等智能算法,通过数据训练建立预测模型,对典型动力灾害进行快速预测,从而保证煤矿开采活动的安全与高效。煤岩瓦斯复合动力灾害由于影响因素复杂繁多,灾害发生、发展过程尚未明朗,无法充分挖掘指标信息特征与灾害发生、发展的内在联系。目前,传统复合动力灾害预测手段存在预测指标单一、预测准确率不理想等缺点,而以深度学习为代表的数学方法进行煤岩瓦斯复合动力灾害的智能预测鲜有报道。基于此,本文首先借助大数据技术建立煤岩瓦斯复合动力灾害指标体系,然后结合深度学习建立煤岩瓦斯复合动力灾害预测模型,实现对煤岩瓦斯复合动力灾害的准确预测。1 模型建立流程与方法原理1.1 预测模型建立流程建立煤岩瓦斯复合动力灾害预测模型流程(图 1)如下:(1)建立煤岩瓦斯复合动力灾害预测指标体系。复合动力灾害预测指标体系的建立是搭建与训练预测模型的前提。将获取到的现场数据中的定性数据转换为数值数据;然后运用箱型图分析法(Box-plot)剔除错误数据,用回归插补法(MI)填补空缺数据,完成对初始数据的清洗;运用灰色关联度分析法(GRA)对完整数据进行数据分析,建立预测指标体系。(2)建立煤岩瓦斯复合动力灾害预测模型。对体系内指标进行主成分分析(PCA),使模型输入层降维;选用深度学习中的卷积神经 网 络(CNN)进行模型搭建,对模型隐含层中各项参数进行优化,从而提高预测效果,最终建立基于深度学习的 BMGP-CNN(Box-plot-MI-GRA-PCA-CNN)煤岩瓦斯复合动力灾害预测模型。(3)建立对比模型,应用某矿案例数据进行对比预测,验证 BMGP-CNN 煤岩复合动力灾害预测模型的准确性与实用性。图 1 煤岩瓦斯复合动力灾害预测模型建立流程Fig.1 Prediction model of coal-gas compounddynamical disaster614矿 业 科 学 学 报第 8 卷1.2 方法原理1.2.1 箱型图分析法(Box-plot)箱型图分析法是一种通过计算设定数据的正常值范围(上、下界),将超出范围的数值定义为离群点(错误数据),然后将离群点数据剔除的数据清洗方法17。将样本内数据按照值的大小进行降序排列,位于第25%数值设为 A,位于第75%数值设为 B。设A 与 B 的差值为 C,即C=A-B(1)那么,设上界为 AD,下界为 BD,其值分别为AD=A+1.5C(2)BD=B-1.5C(3)1.2.2 多重插补法(MI)多重插补法18处理缺失数据的具体步骤如下:(1)运用合理的插补模型进行 M(M1)次相互独立的插补,创建完整的数据集与每个独立的未观测到数据的数据集。(2)应用相关数据分析方法对进行填补后的M 个完整数据集分别进行数据分析,得到 M 个估计,即 1,M。(3)运用公式进行计算,综合考虑 M 个估算所包含的不同信息,得到完整数据集。一般应用可靠性统计法来估计。1.2.3 灰色关联度分析法(GRA)灰色关联度分析法是定量描述和比较系统发展变化态势的方法19。该方法能够避免数据信息不对称所造成的损失,在样本不服从经典概率分布函数的情况下,以较少的工作量有效地降低系统的冗余度,建立合适的指标体系。具体步骤如下:(1)建立初始序列。设母因素序列为 Y0,各影响因素作为母因素的比较序列,为子因素 Yi(i=1,2,n)。母因素与子因素的观测值分别为Y0=y0(1),y0(2),y0(n)Yi=yi(1),yi(2),yi(n)(4)(2)无量纲化处理。对各序列的原始数据进行无量纲化处理,设 X0,Xi(i=1,2,m)分别为进行无量纲化处理后的母因素与子因素,其观测值(采用均值化无量纲处理的方法)分别为x0(k)=y0(k)1nnt=1y0(t)xi(k)=yi(k)1nnt=1yi(t)(5)(3)计算关联系数。原始数据在进行无量纲化处理后,x0与 xi(i=1,2,3,n)在 k 点的关联系数为i(k)=miniminkx0(k)-xi(k)+maximaxkx0(k)-xi(k)x0(k)-xi(k)+maximaxkx0(k)-xi(k)(6)i(k)=x0(k)-xi(k)(i=1,2,3,n)式中,i(k)为 x0与 xi在 k 点的绝对差;为分辨系数,一般取 0.5;miniminkx0(k)-xi(k)为两级最小差;maximaxkx0(k)-xi(k)为两级最大差。(4)计算灰色关联度。灰色关联度 ri计算公式如下:ri=1nnk=1i(k)(7)1.2.4 主成分分析法(PCA)主成分分析法能够找出拥有众多变量的数据内部所蕴含的相似性与关联性因素,并创造出极少的公因子来表达共性,从而有效地对数据 降维20-21。具体步骤如下:(1)原始指标数据的标准化采集。设 p 维随机向量 x=(x1,x2,xp)T与 n 个样品 xi=(xi1,xi2,xip)T(i=1,2,n,np)构造样本阵,对样本阵中的阵元进行如下标准化变换得标准化矩阵 Z。Zij=xij-xjsj(i=1,2,n,j=1,2,p)(8)xj=ni=1xijnsj=ni=1(xij-xj)2n-1(2)构造标准化矩阵 Z 求相关系数矩阵 R。R=(rij)pxp=(ZTZ)n-1(9)rij=ZkiZkjn-1(i,j=1,2,p)(3)求解相关系数矩阵 R。依据式(10)进行求解,得到 p 个特性根,按式(11)确定 m 值,使信息的利用率达 t 以上,对每个 由式(12)得到单位特征向量 b。R-I=0(10)615第 5 期王凯等:基于 CNN 的煤岩瓦斯复合动力灾害预测mj=1jpj=1j t(t 最大主应力(X2)瓦斯压力(X3)断层数量(X4)埋深(X5)煤厚(X6)瓦斯含量(X7)煤体破坏类型(X8)软分层变化(X9)顶板抗压强度(X10)瓦斯放散初速度(X11)煤层倾角(X12)软分层厚度(X13)揉皱系数(X14)煤层倾角变异系数(X15)煤厚变异系数(X16)。灰色关联度值的大小表示子因素与母因素同步变化的程度,关联度值小的因素对灾害变化的判断不敏感,所以不宜作为指标。本文将灰色关联度值小于 0.849 的 6 个因素剔除,保留前 10 个影响因素,建立包含 10 个指标(煤的坚固性系数、最大主应力、瓦斯压力、断层数量、埋深、煤厚、瓦斯含量、煤体破坏类型、软分层变化、顶板抗压强度)的煤岩瓦斯复合动力灾害指标体系,如图 3 所示。图 3 煤岩瓦斯复合动力灾害预测指标体系Fig.3 Prediction index system of coal-gascompound dynamical disasters3 建立复合动力灾害预测模型3.1 PCA 优化输入数据GRA 初步筛选出的因素数量尚有一定规模,各因素之间关联度高,可能存在因素间的多重共线性,从而影响 CNN 预测的运算速度与准确性。对影响因素进行 PCA 简化得到公因子,进一步降低影响因617第 5 期王凯等:基于 CNN 的煤岩瓦斯复合动力灾害预测素的横向维度,能够有效避免该问题的发生。3.1.1 提取主成分图 4 为碎石图。该图可以直观地得到各主成分所代表信息量的大小。图 4 碎石图Fig.4 Broken stone diagram一般来说,当主成分数量较多时,初始特征值大于 1 的主成分可以代表整体数据所蕴含的信息。由图 4 可知,有 4 个主成分的特征值大于 1,分别为 3.54、1.54、1.132、1.094,因此本文用这 4 个主成分来代表 10 个影响因素。3.1.2 计算公因子首先对原始指标数据进行标准化,然后将指标数据与成分矩阵(表 3)进行计算,得到公因子数据(表 4)。其计算公式如下:Yi=ai1F1+ai2F1+ai3F1+ai10F1(16)式中,Yi为公因子数据 i;ai1,ai2,ai3,ai10分别为与成分 F1在同一行且进行标准化后的因子载荷;F1为提取成分 1。表 3 成分矩阵Table 3 Component matrix原始指标成分1234埋深0.887-0.2760.073-0.062软分层变化0.0010.4680.7290.045煤体破坏类型0.6030.402-0.0880.223煤厚-0.0290.1080.1420.837断层数量0.6890.449-0.2840.093坚固性系数-0.483-0.6080.4020.066瓦斯压力0.580-0.2090.3930.220瓦斯含量0.810-0.3190.112-0.213顶板抗压强度-0.0420.5470.386-0.474最大主应力0.828-0.2370.095-0.075表 4 计算后的部分公因子数据Table 4 Calculated common factor data(part)序号Y1Y2Y3Y4116.122-1.9561.166-0.1432-5.2640.0020.0550.22931.1200.7890.024-1.96840.906-1.686-0.191-1.0545-2.115-3.1560.760-0.670616.336-2.8530.5000.6901051.487-1.2470.0250.504进一步降维后,10 个原始变量转换为 4 个公因子 Y1、Y2、Y3与 Y4。原本具有一定相关性的指标数据,通过分析与计算转化为相互独立的几个综合性公因子。进行降维处理后的公因子,可以全面地反映原有指标所蕴含的有用信息。将得到的公因子数据作为 CNN 神经网络模型的输入数据,进行模型的建立。3.2 数据格式转换卷积神经网络在图像分类预测方面具有良好的预测精度。将 PCA 降维后的公因子数值数据按照其序号通过 MATLAB 代码依次转换为条形图,统一储存于代码路径文件夹中。公因子数据的尺寸为 15,转换格式后的图形为一列条码,若通过CNN 降低特征维度的同时尽可能提取样本数据的特征信息,则不需要通过增加网络层数来提取特征。3.3BMGP-CNN 煤岩瓦斯复合动力灾害预测模型参数确定3.3.1 卷积层参数优选卷积层内卷积核尺寸、卷积核数量、步长 3 个参数与卷积层数量,对预测模型的结果有直接影响。卷积核尺寸影响对应特征信息的大小;卷积核数量的增加可以一次性识别更多信息,但也可能造成信息的重叠与冗余;步长决定了模型进行降采样后输出的尺寸,步长越大特征图输出下降越快,所保留特征可能存在丢失等情况。卷积层数量影响着 数 据 特 征 提 取 的 准 确 性、运 算 速率等。图 5(a)(b)分别为卷积核 4 种尺寸与 5 种数量下,步长为 1 和 2 时,煤岩瓦斯复合动力灾害预测模型的性能图;图 5(c)为卷积层数量对煤岩瓦斯复合动力灾害预测性能的影响。618矿 业 科 学 学 报第 8 卷图 5 卷积层参数优化Fig.5 Parameter optimization of convolution layer 由图 5(a)可知,当卷积核尺寸较小时,卷积核内信息随尺寸的增加而增多,使得模型预测准确度升高;当卷积核尺寸到达一定大小时,由于煤岩瓦斯复合动力灾害预测数据本身所包含的信息量有限,继续增加卷积核尺寸既不会得到更多预测信息,还有可能丢失部分关键信息导致准确率下降,因此将卷积核尺寸设置为 15。由图 5(b)可知,当卷积核数量较小时,卷积核能够识别的数据特征随数量的增加而增多,而当卷积核的数量到达一定程度时,继续增加卷积核数量会导致其他参数过多而造成冗余,因此将卷积核数量设置为 128。对比图5(a)和(b)可知,步长为1 时,准确率明显升高,故步长选择 1。分析图 5(c)可知,卷积层的数量对于预测结果的准确率影响不大,而运算时间随卷积层数量的增大而明显升高,严重影响运算效率,故本模型使用 1 层卷积层。3.3.2 激活函数、池化层与 Dropout 概率优选模型拟合实际问题中的复杂关系需要进行函数的激活工作。常用的激活函数有 ReLU、Tanh 与Sigmoid 函数,针对煤岩瓦斯复合动力灾害预测模型,分别运用 3 种激活函数进行对比分析,结果如图 6(a)所示。Sigmoid 函数和 Tanh 函数在参数更新过程中需要更长的计算时间,且准确率也有较小程度的降低,因此采用 ReLU 函数作为激活函数。池化层默认为最大池化,有 Poolsize 与步长两个参数可进行优选。图6(b)研究了 Poolsize 与步长对煤岩瓦斯复合动力灾害预测模型性能的影响,通过准确率的大小确定池化层的 Poolsize 为15、步长为1。在卷积神经网络训练过程中,神经元通过失活(Dropout)以确保模型不会产生过拟合的现象,而过多神经元的失活又会导致模型的拟合效果差。研究 Dropout 概率对煤岩瓦斯复合动力灾害预测图 6 其他参数优化Fig.6 Other parameter optimization模型性能的影响,得到模型准确率随 Dropout 概率的增大而持续降低,这是由于模型中的数据量小,不需要 Dropout 层防止过拟合。故本模型不使用Dropout 层(Dropout 概率设置为 0)。3.3.3 卷积神经网络参数确定运用 MATLAB 中 Deep Network Designer 模块进行卷积神经网络的建立,参数见表 5。619第 5 期王凯等:基于 CNN 的煤岩瓦斯复合动力灾害预测表 5 卷积神经网络预测模型参数Table 5 Structure of CNN prediction model模型参数取值卷积核尺寸15卷积核数量128步长1卷积层数1激活函数ReLU池化层参数15,1Dropout 概率03.3.4 训练参数的确定在优化器的选择方面,SGD 没有动量的概念,下降速度慢,可能仅找到局部的最优点而不是全局最优;SGDM 在梯度下降的过程中引入一阶动量,解决了 SGD 的缺陷。因此,模型选用 SGDM 优化器进行优化。在迭代次数(Max Epochs)的确定方面,模型在训练过程中,迭代次数小于 90 时,准确率逐渐增加;大于 90 时,准确率变化曲线趋于平缓。故迭代周期设为 100。在初始学习率(Initial Learn Rate)的确定方面,对于梯度下降,当初始学习率设置过小时,目标函数的收敛过程十分缓慢;而当初始学习率设置过大时,梯度可能会在最小值附近反复跳跃甚至无法收敛。选取 10-3、10-4、10-5这 3 种初始学习率进行结果对比,得到初始学习率为 10-3时,准确度与用时分别为 89%、16 s;初始学习率为 10-4时,分别为 95%、17 s;初始学习率为 10-5时,分别为96%、58 s。通过对准确度、耗时等方面的综合比较,最终确定初始学习率为 10-4。3.4 BMGP-CNN 模型预测结果BMGP-CNN 模型预测结果如图 7(a)所示。由图可知,训练样本预测错误率为 0。选取某矿 15组现场数据作为测试样本进行预测,结果如图 7(b)所示,测试样本中第 12 组煤岩瓦斯复合动力灾害案例预测错误,错误率为 6.7%,在合理范围内,模型基于样本数据的预测效果较好。3.5 模型预测结果对比为验证基于 BMGP-CNN 神经网络的煤岩瓦斯复合动力灾害预测模型的可行性和准确性,将15 组测试样本分别输入 BP 模型13,26、随机森林(RF)模型27-28、支持向量机(SVM)模型14,29及人工神经网络(ANN)模型30-31的预测结果进行对比并分别计算各自的准确率,结果见表6。图 7 样本预测结果和实际结果Fig.7 Sample prediction results表 6 各个模型的预测结果与准确率Table 6 Prediction results and accuracy of each model序号实际结果BPRFSVMANN100100222202311021422222500001601200722222811111900002102220211111111220222131211214121111521212测试集准确率/%66.78073.380由表 6 可知,4 种模型预测结果的准确率均低于 BMGP-CNN 预测模型(93.3%),且 CNN 模型的收敛速度较快,表明基于 BMGP-CNN 的煤岩瓦斯复合动力灾害预测模型具有较高的准确率,在实际现场灾害预测方面具有良好的推广价值。620矿 业 科 学 学 报第 8 卷4 结 论(1)以某矿现场数据为基础,对煤岩瓦斯复合动力灾害影响参数进行了数据获取、数据转换,运用Boxplot 筛除错误数据、MI 填补不完整数据进行数据清洗,运用GRA 进行关联分析,建立了包含煤的坚固性系数、最大主应力、瓦斯压力、断层数量、埋深、煤厚、瓦斯含量、煤体破坏类型、软分层变化、顶板抗压强度10 个影响因素的煤岩瓦斯复合动力灾害预测指标体系。(2)运用深度学习理论,以卷积神经网络为基础,通过对模型进行结构设计与训练、确定模型评估指标、对输入数据运用主成分分析法进行降维处理、对卷积神经网络关键参数进行优化、确定预测模型的训练参数等步骤,建立了基于 BMGP-CNN的煤岩瓦斯复合动力灾害预测模型。同时建立了BP、RF、SVM,ANN 对比模型,进行预测效果的对比。结果表明,BMGP-CNN 模型预测准确率达到93.3%,具有较高的准确性与较快的运算速度。参考文献1 Wang K,Zhou A T,Zhang J F,et al.Real-time numericalsimulations and experimental research for the propagationcharacteristics of shock waves and gas flow during coal andgas outburstJ.Safety Science,2012,50(4):835-841.2 Wang K,Du F.Coal-gas compound dynamic disasters inChina:a reviewJ.Process Safety and EnvironmentalProtection,2020,133:1-17.3 潘一山.煤与瓦斯突出、冲击地压复合动力灾害一体化研究J.煤炭学报,2016,41(1):105-112.Pan Yishan.Integrated study on compound dynamic dis-aster of coal-gas outburst and rockburstJ.Journal ofChina Coal Society,2016,41(1):105-112.4 王凯,赵恩彪,郭阳阳,等.中间主应力影响下含瓦斯复合煤岩体变形渗流及能量演化特征研究J.矿业科学学报,2023,8(1):74-82.WangKai,ZhaoEnbiao,GuoYangyang,etal.Deformation,seepage and energy evolution characteristicsof gas-bearing coal-rock under intermediate principal stressJ.Journal of Mining Science and Technology,2023,8(1):74-82.5 朱丽媛,潘一山,李忠华,等.深部矿井冲击地压、瓦斯突出复合灾害发生机理J.煤炭学报,2018,43(11):3042-3050.ZhuLiyuan,PanYishan,LiZhonghua,etal.Mechanisms of rockburst and outburst compound disasterin deep mineJ.Journal of China Coal Society,2018,43(11):3042-3050.6 尹光志,李星,鲁俊,等.深部开采动静载荷作用下复合动力灾害致灾机理研究J.煤炭学报,2017,42(9):2316-2326.Yin Guangzhi,Li Xing,Lu Jun,et al.Disaster-causingmechanism of compound dynamic disaster in deep miningunder static and dynamic load conditionsJ.Journal ofChina Coal Society,2017,42(9):2316-2326.7 齐庆新,潘一山,李海涛,等.煤矿深部开采煤岩动力灾害防控理论基础与关键技术J.煤炭学报,2020,45(5):1567-1584.Qi Qingxin,Pan Yishan,Li Haitao,et al.Theoreticalbasis and key technology of prevention and control ofcoal-rock dynamic disasters in deep coal mining J.Journal of China Coal Society,2020,45(5):1567-1584.8 张庆贺,袁亮,杨科,等.深井煤岩动力灾害的连续卸压开采防治机理J.采矿与安全工程学报,2019,36(1):80-86,102.Zhang Qinghe,Yuan Liang,Yang Ke,et al.Mechanism a-nalysis on continuous stress-relief mining for preventingcoal and rock dynamic disasters in deep coal minesJ.Journal of Mining&Safety Engineering,2019,36(1):80-86,102.9 刘喜军.深井煤岩瓦斯动力灾害防治研究J.煤炭科学技术,2018,46(11):69-75.Liu Xijun.Study on coal and rock gas dynamics disasterprevention and control in deep mineJ.Coal Scienceand Technology,2018,46(11):69-75.10 齐庆新,潘一山,舒龙勇,等.煤矿深部开采煤岩动力灾害多尺度分源防控理论与技术架构J.煤炭学报,2018,43(7):1801-1810.Qi Qingxin,Pan Yishan,Shu Longyong,et al.Theoryand technical framework of prevention and control withdifferent sources in multi-scales for coal and rockdynamic disasters in deep mining of coal minesJ.Journal of China Coal Society,2018,43(7):1801-1810.11 窦林名,何学秋,Ren Ting,等.动静载叠加诱发煤岩瓦斯动力灾害原理及防治技术J.中国矿业大学学报,2018,47(1):48-59.Dou Linming,He Xueqiu,Ren Ting,et al.Mechanismofcoal-gasdynamicdisasterscausedbythesuperposition of static and dynamic loads and itscontrol technologyJ.Journal of China University ofMining&Technology,2018,47(1):48-59.12 王佳信,周宗红,张继华,等.煤与瓦斯突出危险性预测的 SS-PNN 模型及应用J.传感技术学报,2017,30(7):1112-1118.Wang Jiaxin,Zhou Zonghong,Zhang Jihua,et al.SS-PNN model for forecast of coal and gas outburst riskand its applicationJ.Chinese Journal of Sensors andActuators,2017,30(7):1112-1118.13 王雨虹,刘璐璐,付华,等.基于改进 BP 神经网络的煤矿冲击地压预测方法研究J.煤炭科学技术,2017,45(10):36-40.Wang Yuhong,Liu Lulu,Fu Hua,et al.Study on pre-dictedmethodofminepressurebumpbasedonimproved BP neural network J.Coal Science andTechnology,2017,45(10):36-40.14 孙玉峰,李中才.支持向量机法在煤与瓦斯突出分析中的应用研究J.中国安全科学学报,2010,20621第 5 期王凯等:基于 CNN 的煤岩瓦斯复合动力灾害预测(1):25-30,179.Sun Yufeng,Li Zhongcai.Application study of SVM inanalysis of coal and gas outburstJ.China Safety Sci-ence Journal,2010,20(1):25-30,179.15 Pan Y M,Deng Y H,Zhang Q Z,et al.Dynamic pre-diction of gas emission based on wavelet neural networktoolboxJ.Journal of Coal Science and Engineering:China,2013,19(2):174-181.16 史策,高峰,陈连城,等.煤矿冲击地压预测的 PCA-GRNN 方法J.中国安全科学学报,2016,26(7):119-124.Shi Ce,Gao Feng,Chen Liancheng,et al.Prediction ofpressure bump in coal mine by PCA-GRNN J.China Safety Science Journal,2016,26(7):119-124.17 Spitzer M,Wildenhain J,Rappsilber J,et al.BoxPlotR:a web tool for generation of box plotsJ.Nature Meth-ods,2014,11(2):121-2.18 孙玲莉,董世杰,杨贵军.常用多重插补法的插补重数选择J.统计与决策,2019,35(23):5-10.Sun Lingli,Dong Shijie,Yang Guijun.Selection of im-putation multiplicity on multiple imputation methodsJ.Statistics&Decision,2019,35(23):5-10.19 赵国飞,康天合,郭俊庆,等.基于区间值灰色关联度的煤层气区块生产潜力评价模型及应用J.采矿与安全工程学报,2020,37(4):794-803.Zhao Guofei,Kang Tianhe,Guo Junqing,et al.Appli-cation of evaluation model for the production potentialof coalbed methane block based on interval value greyrelational degree theory J.Journal of Mining&Safety Engineering,2020,37(4):794-803.20 陈绍杰,刘久潭,汪锋,等.基于 PCA-RA 的滨海矿井水源识别技术研究J.煤炭科学技术,2021,49(2):217-225.Chen Shaojie,Liu Jiutan,Wang Feng,et al.Technol