神经网络瓦斯涌出量预测系统研究与应用.pdf

神经网络瓦斯涌出量预测系统研究与应用孙 翔 宇（山西焦煤有限责任公司东曲煤矿，山西 古交 030200）摘要：采集煤矿瓦斯监控系统“一通三防”自动化监测系统实时数据、通风技术数据、抽采技术数据、防突技术数据、地测技术数据、产量进尺数据，并与技术数据相融合，生成“一通三防”综合服务数据宽表，建立“一通三防”数据管理系统。通过神经网络瓦斯涌出量模型对海量“一通三防”数据进行自主学习与感知数据，实现瓦斯涌出量预测，自动编写瓦斯数据分析报告。关键词：一通三防；数据宽表；神经网络；瓦斯涌出量预测；数据分析中图分类号：TD712文献标志码：A文章编号：1009-0797（2023）05-0065-04Research and application of neural network gas emission prediction systemSUN Xiangyu（030200,Abstract:Collect real-time data of one link and three prevention automatic monitoring system such as coal mine gas monitoring system,ventilation section technical data,extraction section technical data,anti-breakthrough technology data,geodesy technical data,and outputadvance data.Real-time data and technical data are fused to generate a wide table of one link and three defense comprehensive servicedata,and establish a one link and three defense data middle platform.Through the neural network gas outflow model 1-2,the massive onelink and three defense data is independently learned and perceived to realize the prediction of gas outflow and automatically compile gas dataanalysis reports.Keywords:one link and three defenses；data width table；neural networks；data analysis0引言目前的煤矿生产中，瓦斯检测主要依赖于瓦斯监控及人工现场检测，传统的煤矿安全监测系统只是在传感器据超出标准水平后简单地发出超限报警。对瓦斯浓度变化趋势主要根据安全管理人员的经验判断，依靠传统监测系统的数据及人员分析方式。在面对复杂灾害的预警、应急与管理决策时，逐渐呈现力不从心之势。因此，利用大数据分析技术，建立矿井“一通三防”数据分析平台，可以通过接入现有各类煤矿生产辅助系统数据，对作业地点数据进行深度挖掘，采用神经网络瓦斯涌出量预测技术，分析预测出采掘工作面及回风巷道的瓦斯涌出量变化趋势，并及时给出应对策略，做到提前治理，提高矿井防范化解风险的能力，保障矿井人员和财产安全。1神经网络瓦斯预测体系神经网络 1-2 是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，通过对大量历史数据的机器学习，形成复杂的隐藏层 3 和神经元模型 4，对数据进行感知和自我学习，再将用于预测的条件数据输入到神经网络瓦斯预测模型中自动计算，输出预测结果，以实现未来数据预测。对数据中台中融合的数据进行“一通三防”数据分析，对瓦斯进行预测，自动生成数据分析报告。通过对历史工作面埋深、断层、煤厚、陷落柱、残余瓦斯含量、瓦斯压力、推进度、风量、气温、大气压力、瓦斯涌出量等大量数据的机器学习，形成复杂的隐藏层和神经元模型，对数据进行感知和自我学习。当新的预测数据输入到神经网络瓦斯预测模型 5-6 中，模型自动对数据进行认知分析，输出预测结果。神经网络瓦斯预测，通过对临近工作面历史数据或本工作面总体走向长度超过 40%回采期间历史数据的万次机器学习，构造预测模型，系统运行原理见图 1。图 1神经网络瓦斯涌出量预测系统运行原理2023 年第 5 期煤矿现代化第 32 卷652矿井“一通三防”数据管理系统接入煤矿瓦斯监控系统等“一通三防”自动化监测系统实时数据、通风技术数据、抽采技术数据、防突技术数据、地测技术数据、产量进尺数据，并与技术数据相融合。采集煤矿瓦斯监控系统实时数据，根据贺西煤矿实际情况，实行垂直分库分表数据存储方案，每月1 个库，每日 1 张表。日表数据量约为 100 万条数据，与 web 终端通讯采用 http webapi 和 tcp rpc。通风数据实现自动采集，抽采数据实现科室原表一键上传，采集格式支持 xls,xlsx 和网页手动录入，采集数据包含：孔板系数、压差、浓度、温度、负压、混量、瓦斯纯量、瓦斯纯累、实际可解析瓦斯量；防突报表采集端采集数据包含：单工作面防突效果检验孔里程、残余瓦斯含量和瓦斯压力，瓦斯压力根据残余瓦斯含量、煤层容重、吸附常数 a、吸附常数 b、灰分、水分、孔隙率等参数进行自动计算；地测数据报表采集端采集数据包含：是否有断层、断层数量和是否有陷落柱。后台管理系统可实现自动化实时数据采集服务、瓦斯实时、历史数据调用与分析预测、自动 AI 分析、自选数据 AI 分析、人员定位实时数据调用、综合数据报表管理与调用、瓦斯分级预警报警、瓦斯压力计算、科室业务数据管理与调用。实时数据与技术数据相融合，将采集的数据通过 ETL 转换（Extract,transform,load），生成“一通三防”综合服务数据宽表，宽表汇集融合各业务科室数据，自动汇集通风、抽采、防突、地测、进尺、气象等数据，构建风速、实配风量、断面、瓦斯浓度、风排瓦斯量、抽采瓦斯量、绝对瓦斯涌出量、残余瓦斯含量、瓦斯压力、推进度、最高气温、最低气温、气压、断层规模、断层数量、是否有陷落柱、工作面类型和是否有突出危险等信息维度的一通三防数据宽表，为神经网络瓦斯模型训练提供历史数据。3方案设计3.1神经网络瓦斯涌出量模型构建工作内容分别收集历史和正作业的采掘工作面进风量、工作面回风量、推进度、最高气温、最低低温、大气压力、断层、残余瓦斯含量和瓦斯压力等 9 个影响因素，利用 9 个影响因素构建神经网络的机器学习条件，预测工作面绝瓦斯涌出量。其中，根据矿井实际情况，工作面进风量、工作面回风量、推进度、最高气温、最低低温、大气压力等6 个数据可以从煤矿瓦斯监控系统、产量监测系统、气象接口等进行自动采集与转化。断层、残余瓦斯含量和瓦斯压力等 3 个参数，采用人工录入或 Excel 导入等方式采集与转化。3.2数据样本选用 2416、3410、3412 工 作 面、3316 材 巷、3318 材巷、3318 高抽巷和 3414 运巷等采掘工作面历史数据样本，样本来源为通风、抽采、防突、地测和生产进尺等历史数据，每个工作面数据不少于150 组样本数据。3.3生成与验证利用梯度下降法迭代神经网络，每次机器学习不低于 1 万次，构建神经网络瓦斯模型，并采用交叉验证法评估模型，模型均方根误差在 5+/-0.000 以下使用该模型进行实际验证。模型构建后利用自身条件数据进行瓦斯预测，预测值与实测数据进行比对，预测数据在抛弃系统误差的情况下出现误差超过 10%，即调整神经网络学习速率、动参、惩罚系数和添加隐藏层，反复调整参数、隐藏层和机器学习，直到神经网络瓦斯预测模型误差低于 10%且模型计算稳定。在系统掌握贺西煤矿瓦斯地质资料基础上，对2416 工作面、3410 工作面、3412 工作面、3316 材巷、33818 材巷、3318 高抽、3414 运巷等 7 个采掘工作面进行试训练、算法和参数调优。采用的参考影响因素有工作面进风量、工作面回风量、推进度、最高气温、最低低温、大气压力、断层、残余瓦斯含量和瓦斯压力等 9 个影响因素，利用 9 个影响因素构建神经网络的机器学习条件，预测工作面绝瓦斯涌出量。试验结果选用的 5 个工作面样本数据，在经过算法优化后，无论是模型的交叉验证最大值和预测与实际比对，均达到了预计效果，计算结果见表 1。其中，模型交叉验证的均方根误差最大为 0.140+/-0.000，小于最大容忍值 5.000+/-0.000；工作面瓦斯预测值与实际值比对，最大误差率为 9.76%，小于10%的最大容忍误差。表 1神经网络瓦斯预测试验结果表2023 年第 5 期煤矿现代化第 32 卷工作面均方根误差最小误差率最大误差率平均误差率2416 工作面0.100+/-0.0000.07%9.76%2.06%3316 材巷0.096+/-0.0000.03%5.70%1.58%3318 材巷0.071+/-0.0000.10%8.16%3.59%3318 高抽0.006+/-0.0000.10%9.18%2.42%3410 工作面0.140+/-0.0000.01%9.18%2.56%663.4程序构建将大量的传感器实时数据分库分表存到历史数据库中，报表数据存到业务系统数据中，根据传感器历史数据和报表数据的关系 ETL 到数据仓库中。数据仓库根据数据分析需求通过 sql 生成分析数据集，利用.NET 的 AI 分析库 ML.NET 和 TensorFlow.NET 提供算法，进行神经网络瓦斯涌出量预测，最后将预测结果写到业务系统数据库中，程序构建方案见图 2。图 2神经网络瓦斯涌出量预测模型程序构建方案4应用情况在系统运行时间里，系统自动进行 20 次 AI 任务（每周 1 次），分别为 3412 工作面和 3414 运巷进行瓦斯涌出量预测。4.13412 工作面神经网络瓦斯涌出量预测3412 工作面 2020 年 3 月 14 日-2020 年 10 月20 日实测数据。10 000 次机器训练模拟与实测瓦斯涌出量曲线拟合程度较高，见图 3。图 33412 工作面实测瓦斯涌出量与神经网络机器学习模拟值对比图神经网络模型计算工作面在施工期间最大绝对瓦斯涌出量 9.496 m3/min，最小值 4.890 m3/min，平均值 7.402 m3/min。工作面历史数据计算 3412 工作面在回采期间最大绝对瓦斯涌出量 9.610 m3/min，最小值 4.860m3/min，平均值 7.411 m3/min。通过对 3412 工作面 3-10 月份 221 组样本进行神经网络程序自动建模与预测，值误差率 0.05%3.74%、平均 0.73%（抛弃系统错误值）。该作业地点自动程序构建的神经网络瓦斯涌出量预测模型稳定可靠。4.23414 运巷神经网络瓦斯涌出量预测3414 运巷 2020 年 3 月 14 日-2020 年 9 月 22日实测数据。10 000 次机器训练模拟与实测瓦斯涌出量曲线拟合程度较高，见图 4。图 43414 运巷实测瓦斯涌出量与神经网络机器学习模拟值对比图神经网络模型计算运输巷在施工期间最大绝对瓦斯涌出量 0.360 m3/min，最小值 0.120 m3/min，平均值 0.240 m3/min。工作面历史数据计算 3414 运输巷在施工期间最大绝对瓦斯涌出量 0.371 m3/min，最小值 0.129m3/min，平均值 0.246 m3/min。3414 运巷神经网络瓦斯预测模型，通过对 3-10月份 193 组样本进行神经网络建模，值误差率0.03%8.40%、平均 2.85%（抛弃系统错误值）。该作业地点自动程序构建的神经网络瓦斯涌出量预测模型稳定可靠。实际应用中 3412 工作面和 3414 运巷的程序自动神经网络瓦斯涌出量预测模型构建及实际预测结果误差率在 0.038.40%之间。模型交叉验证的均方根误差最大为 0.072+/-0.000，小于最大容忍值5.000+/-0.000；工作面瓦斯预测值与实际值比对，2023 年第 5 期煤矿现代化第 32 卷67（上接第 64 页）3）N1100 工作面推采过程中，微震事件运行轨迹不断受到褶皱构造轴线的控制与引导作用。表明覆岩顶板活动引起的矿压显现除了受到顶板 18.4 m砂岩等关键岩层、30 m 宽度的区段煤柱和侧向N1101 工作面采空区的控制外，还受到本工作面的所有两侧的背斜与向斜构造引起的水平地应力夹持的影响。4）N1100 工作面动压显现的应力峰值位于工作面前方 60100 m 范围内，超前动压显著影响范围为超前 200220 m，非动压影响区在工作面超前320340 m 范围以外。为工作面停采线外大巷煤柱的优化设计及其超前抗震支护提供了数据依据。参考文献：1 蓝航，陈东科，毛德兵.我国煤矿深部开采现状及灾害防治分析J.煤炭科学技术，2016，44（1）：39-46.2 周宏伟，谢和平，左建平，等.赋存深度对岩石力学参数影响的实验研究J.科学通报，2010，55（34）：3276-3284.3 朱斯陶，姜福兴，朱海洲，等.高应力区掘进工作面冲击地压事故发生机制研究 J.岩土力学，2018，39（S2）：337-343.4 田向辉，李振雷，宋大钊，等.某冲击地压频发工作面微震冲击前兆信息特征及预警方法研究 J.岩石力学与工程学报，2020，39（12）：2 471-2 482.5 石嘉栋，何川.煤矿冲击地压的微震监测的实例分析 J.科学技术创新，2021（6）：26-276 杨志国，于润沧，郭然，等 基于微震监测技术的矿山高应力区采动研究J 岩土力学与工程学报，2009，28（2）：3632 36377 姜福兴，叶根喜，王存文，等高精度微震监测技术在煤矿突水监测中的应用 J.岩土力学与工程学报，2008，27（9）：1932 1938作者简介：张兴润（1986），男，中国矿业大学矿业工程专业毕业，硕士研究生学历，高级工程师，研究方向：采矿工程。（收稿日期：2023-2-2）最大误差率为 8.40%，小于 10%的最大容忍误差。实际应用效果见表 2。从实际应用情况来看，采用神经网络算法进行瓦斯涌出量预测误差低、效果好。表 2神经网络瓦斯预测实际效果表5结论采用工作面进风量、工作面回风量、推进度、最高气温、最低低温、大气压力、断层、残余瓦斯含量、瓦斯压力等 9 个计算维度，构建神经网络瓦斯涌出量预测模型，通过 10 000 次机器学习训练和对整神经网络学习速率、动参、惩罚系数和添加隐藏层等不断调整，形成拟合度高的神经网络算法模型。利用程序自动构建对应的工作面模型、自动调参，瓦斯涌出量预测数据误差低、效果好。神经网络瓦斯涌出量预测系统能够更好地去分析、预测数据，提前发现隐患，超前治理，使决策手段和措施更具针对性、实效性。参考文献：1 吴财芳，曾勇，秦勇.神经网络分析方法在瓦斯预测中的应用J.地球科学进展，2004，19（5）：860-866.2 薛鹏骞，吴立锋，李海军.基于小波神经网络的瓦斯涌出量预测研究J.中国安全科学学报，2006，16（2）：22-25.3 预测模型.实际应用表明，模型精度能满足要求，并对隐含层神经元数目对步长影响作了讨论J.4 戴洪磊，田茂义，柳林，等.基于 LM 神经网络瓦斯灾害预测模型的应用研究J.地球科学前沿（汉斯），2012，2（2）：P.87-92.5 裴韶华.基于优化的神经网络模型在矿井瓦斯涌出预测中的应用研究D.2015.6 王涛，王洋洋，郭长娜，等.QGA-RBF 神经网络在矿井瓦斯涌出量预测中的应用J.传感技术学报，2012，25（1）：119-123.作者简介：孙翔宇（1991），男，湖南祁阳人，2012 年毕业于太原理工大学，工程师，主要从事煤矿安全生产管理工作。（收稿日期：2023-1-16）2023 年第 5 期煤矿现代化第 32 卷工作面均方根误差最小误差率最大误差率平均误差率3412 工作面0.072+/-0.0000.05%3.74%0.73%3414 运巷0.008+/-0.0000.03%8.40%2.85%68