CN109033593B - 利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 - Google Patents
利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 Download PDFInfo
- Publication number
- CN109033593B CN109033593B CN201810774095.0A CN201810774095A CN109033593B CN 109033593 B CN109033593 B CN 109033593B CN 201810774095 A CN201810774095 A CN 201810774095A CN 109033593 B CN109033593 B CN 109033593B
- Authority
- CN
- China
- Prior art keywords
- prediction
- local
- risk
- index
- outburst
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007405 data analysis Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 239000003245 coal Substances 0.000 claims description 84
- 230000002265 prevention Effects 0.000 claims description 58
- 238000005520 cutting process Methods 0.000 claims description 47
- 125000004122 cyclic group Chemical group 0.000 claims description 38
- 238000005553 drilling Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 23
- 238000003795 desorption Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 13
- 208000024891 symptom Diseases 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005641 tunneling Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,包括如下步骤:步骤S1:建立局部突出危险性预测预报数据的特征提取模型;步骤S2:确定突出危险因素反演所需的局部突出危险性预测预报循环的数量N;步骤S3:建立局部突出危险性预测预报循环数为N的突出危险因素反演模型;步骤S4:利用特征提取模型处理采集得到的工作面最近N个循环的局部突出危险性预测预报数据,得到工作面当前的局部突出危险性预测预报特征指标值的集合;步骤S5:获得工作面当前位置的突出危险因素反演结果;步骤S6:发布报警信息;步骤S7:重复步骤S4至步骤S6,对工作面的突出危险因素进行动态反演和报警。
Description
技术领域
本发明属于煤与瓦斯突出防治技术领域,涉及一种利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法。
背景技术
煤与瓦斯突出(以下简称“突出”)破坏性极大,是威胁煤矿安全的主要自然灾害之一。突出预测预报是突出灾害防治的重要手段,我国突出矿井广泛开展局部突出危险性预测预报工作。但是,现有的局部突出危险性预测预报方法,均是通过预测预报指标值与临界值的简单对比来确定工作面突出危险性,当预测预报指标值超过临界值时判定为突出危险工作面,否则判定为无突出危险工作面。这种判定方法存在以下问题:1)仅根据预测预报指标的大小来确定工作面的突出危险性,对预测预报数据隐含的信息挖掘利用不够,造成了预测预报数据资源的巨大浪费,预测预报准确率不高;2)将判定结果简单分为有突出危险和无突出危险,没有考虑预测预报指标与瓦斯赋存、地质构造、应力集中、煤体结构异常等突出危险因素之间潜在关系,对防突措施制定和防突管理的指导作用有限。
随着信息技术的快速发展,大数据已成为当前社会的研究热点,面向大数据的数据处理技术应用而生,这为突出预测预分析报提供了新的手段。公开号为CN106872663A的中国专利申请公开了一种基于大数据平台的瓦斯突出预测预警方法,包括以下步骤:A、将安全监控系统自动采集的实时监测数据存储在Hadoop平台的HDFS分布式文件系统,并分析实时监测数据是否存在零值数据或缺失数据,如果存在零值数据或缺失数据则进入步骤B,如果不存在零值数据或缺失数据则进入步骤C;B、利用线性指数平滑法对实时监测数据进行预处理,剔除或者替代零值数据,补齐缺失数据,然后进入步骤C;C、分析实时监测数据和检测防突数据的基本特点,分别确定实时监测数据的监测周期和检测防突数据的检测周期,然后进入步骤D;D、根据检测防突数据的检测周期,将属于一个检测周期内的实时监测数据作为一个数据集合,然后进入步骤E;E、提取每个数据集合中的最大值、均值和最大增长速率特征值作为监测数据特征参数,并将各个监测数据特征参数存储在Hadoop平台的HDFS分布式文件系统,然后进入步骤F;F、将一个检测周期内测定的钻孔瓦斯涌出初速度qmax和最大钻屑量smax与该检测周期内的监测数据特征参数相结合,形成瓦斯突出危险性样本,然后进入步骤G;G、根据瓦斯突出危险性样本,利用BP神经网络进行瓦斯突出预测,得到防突检测参数钻孔瓦斯涌出初速度qmax和最大钻屑量smax的预测值,然后进入步骤H;H、将煤巷掘进工作面突出危险性参数中的钻孔瓦斯涌出初速度qmax和最大钻屑量smax的临界值与预测值进行比较,如果预测值大于等于临界值,则进行瓦斯突出预警,如果预测值小于临界值,则不预警。
该基于大数据平台的瓦斯突出预测预警方法虽然采用了面向大数据的数据处理技术,但是其本质上仍是一种通过预测预报指标值与临界值的简单对比来确定工作面突出危险性的方法,仍存在上述问题。
发明内容
有鉴于此,本发明的目的在于提供一种利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,利用大数据思维方法对局部突出危险性预测预报数据进行深入挖掘分析,超前动态反演工作面的突出危险因素,指导矿井科学防突决策和防突管理,对于煤矿安全具有重要意义。
为达到上述目的,本发明提供如下技术方案:
一种利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,包括如下步骤:
步骤S1:建立局部突出危险性预测预报数据的特征提取模型;
步骤S2:确定突出危险因素反演所需的局部突出危险性预测预报循环的数量N:
N=INT(30/ly)+1
其中,INT为取整函数;ly为矿井局部突出危险性预测预报的循环允许进尺;
步骤S3:采集历史工作面的局部突出危险性预测预报数据,建立局部突出危险性预测预报循环数为N的突出危险因素反演模型;
步骤S4:采集工作面最近N个循环的局部突出危险性预测预报数据,利用特征提取模型处理采集得到的工作面最近N个循环的局部突出危险性预测预报数据,得到工作面当前的局部突出危险性预测预报特征指标值的集合;
步骤S5:将工作面当前的局部突出危险性预测预报特征指标值的集合代入所述突出危险因素反演模型中,获得工作面当前位置的突出危险因素反演结果;
步骤S6:根据突出危险因素反演结果及时发布报警信息;
步骤S7:随着工作面的推进,重复步骤S4至步骤S6,对工作面的突出危险因素进行动态反演和报警。
进一步,所述步骤S1中,所述局部突出危险性预测预报数据的特征提取模型的建立方法如下:
单次预测预报指标最大值amax,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的最大值;
单次预测预报指标平均值aavg,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的平均值,即:
其中,ai为煤样的预测指标值;为M总煤样数量;
单次预测预报指标超标率k,为单次局部突出危险性预测预报中预测指标超标的煤样数量m与总煤样数量M之比,即:
k=m/M
单次预测预报指标临界值比λ,为单次局部突出危险性预测预报中测定的预测指标最大值amax与临界值L之比,即:
λ=amax/L
单次预测预报指标超标类型ξ,为单次局部突出危险性预测预报中预测指标超标形式及超标的预测指标类型,其中预测指标超标形式包括单指标超标和多指标超标,超标的预测指标类型包括钻屑量S超标、钻屑瓦斯解吸指标K1或△h2超标、钻孔瓦斯涌出初速度q超标和综合指标R超标;
循环效检次数n,为单个局部防突预测循环的防突措施效果检验累计次数;
循环预测指标平均值Aavg,为工作面G个局部防突预测循环的预测指标平均值,即:
其中Ai为局部防突预测循环的预测指标值;
循环预测指标超标率μ,为工作面G个局部防突预测循环中预测指标超标的循环数n1所占的比例,即:
μ=n1/G
循环预测指标t倍临界值占比率δt,为工作面G个局部防突预测循环中预测指标未超标但达到临界值t(0<t<1)倍的循环数nt所占比例,即:
δt=nt/G
循环预测指标均比v,为工作面当前局部防突出预测循环的预测指标值A与工作面G个局部防突预测循环的预测指标平均值Aavg之比,即:
v=A/Aavg
连续超标循环数c,为工作面G个局部防突预测循环中连续超标的局部防突预测循环数;
循环预测指标变化趋势B,为工作面G个局部防突预测循环的预测指标所表现出的上升、下降或稳定等变化趋势。
进一步,所述循环预测指标变化趋势B通过以下方法进行确定:
依次对工作面G个局部防突预测循环的预测指标测定结果进行标准化处理,标准化处理公式为:
其中:A'i为标准化处理后的循环预测指标值;Ai为循环预测指标测定结果;L为预测预报指标的临界值;i为局部防突预测循环编号,从当前循环开始及之前循环的编号依次为0,1,2,…,G-1,且当i=0时为当前循环的编号;
采用最小二乘法对数据集(-i,A'i)进行线性拟合,获得直线A'=bi+b0的斜率参数b;
将b与±B0进行对比,若b≥B0,则判定为上升趋势,若-B0<b<B0,则判定为稳定趋势,若b≤-B0,则判定为下降趋势,其中B0为循环预测指标变化趋势的区间临界值,B0>0。
进一步,所述步骤S3中,所述突出危险因素反演模型的建立方法如下:
步骤S31:采集历史工作面的局部突出危险性预测预报数据,并以工作面推进距离为基准轴线对其进行整理,形成历史工作面的局部突出危险性预测预报序列数据;
步骤S32:采用所述特征提取模型对所述历史工作面的局部突出危险性预测预报序列数据进行处理,形成历史工作面的局部突出危险性预测预报特征序列数据;
步骤S33:采集矿井历史工作面的空间位置、瓦斯参数测定、地质构造揭露、煤层赋存揭露和突出征兆观测的历史数据;
步骤S34:从瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面对历史工作面的突出危险因素进行判识,并以工作面推进距离为基准轴线对判识结果进行整理,形成历史工作面的突出危险因素序列数据;
步骤S35:以工作面推进距离为基准轴线,对局部突出危险性预测预报特征序列数据和突出危险因素序列数据进行合并处理,形成历史工作面的防突序列数据,并将其添加到矿井历史防突序列数据库中;
步骤S36:从矿井历史防突序列数据库中,提取各历史工作面的防突序列数据,依次生成对应历史工作面的局部防突事务集,并将矿井各历史工作面的局部防突事务集进行合并处理,形成矿井的局部防突事务集合;
步骤S37:对矿井的局部防突事务集合进行关联分析,得到局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则:
Ri:Ti→{zi}(i=1,2,3,4,5);
Ti:{x1∈(ai1,bi1),x2∈(ai2,bi2),…,xj∈(aij,bij),y1=ci1,y2=ci2,…,yk=cik};
zi:z1=瓦斯富集zw,z2=地质构造zd,z3=煤层异常zc,z4=应力集中zf,z5=突出征兆zs;
其中:xj和yk分别为局部突出危险性预测预报特征指标项中的连续属性项和分类属性项;(aij,bij)为关联规则Ri中局部突出危险性预测预报特征指标项xj的区间条件;cik为关联规则Ri中局部突出危险性预测预报特征指标yk的类型条件;
步骤S38:根据局部突出危险性预测预报特征指标项与突出风险因素项之间的关联规则,建立突出危险因素反演模型:
其中:T为局部突出危险性预测预报特征指标的集合;T1,T2,T3,T4,T5分别为与瓦斯富集、地质构造、煤层异常、应力集中、突出征兆5个方面的突出危险因素项关联的局部突出危险性预测预报特征指标项的条件的集合;
步骤S39:重复步骤S41至步骤S48,对突出危险因素反演模型进行动态更新。
进一步,所述步骤S36中,历史工作面的局部防突事务集的生成步骤如下:
步骤S361:从起始位置开始,沿着工作面推进距离轴线,对历史工作面的防突序列数据进行搜索,依次找出每一组局部突出危险性预测预报特征指标数据所对应的工作面推进距离,并将其作为历史工作面局部防突事务的空间位置标识;
步骤S362:针对局部防突事务中的局部突出危险性预测预报特征指标项,直接提取历史工作面防突序列数据中、在对应空间位置处的相应局部突出危险性预测预报特征指标的值;
步骤S363:设定突出危险因素反演的超前距离lc;针对局部防突事务中的突出危险因素项,以局部防突事务所对应的空间位置为起点,在历史工作面的防突序列数据中,向对应类型的突出危险因素的序列数据施加跨度为lc的超前距离约束,当超前距离约束中没有突出危险因素时,赋予该突出危险因素项“0”值,否则,赋予该突出危险因素项“1”值;
步骤S364:从第一个局部防突事务开始,重复步骤S362和S363,直到最后一个局部防突事务结束,依次完成对历史工作面所有的局部防突事务的项的赋值,形成历史工作面的局部防突事务集。
本发明的有益效果在于:
本发明利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,采用大数据思维和方法,通过对局部突出危险性预测预报数据的挖掘分析,在不增加煤矿井下突出预测预报工程量的情况下,超前识别工作面隐藏的突出危险因素,提高了局部突出危险性预测预报数据的利用价值,能够有效指导矿井合理防突决策和科学防突管理,超前动态反演工作面的突出危险因素,指导矿井科学防突决策和防突管理,提高防突工作的针对性,避免煤与瓦斯突出事故发生,对于煤矿安全具有重要意义。
通过建立突出危险因素反演模型,充分考虑预测预报指标与瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面的突出危险因素之间潜在关系,能够充分发挥对防突措施制定和防突管理的指导作用。
本发明的其它优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明实施例提供的利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法的步骤;
图2为本发明实施例提供的突出危险因素反演模型的建立步骤;
图3为本发明实施例提供的历史工作面的防突序列数据集的结构;
图4为本发明实施例提供的矿井局部突出预测预报事务集的结构;
图5为本发明实施例提供的历史工作面的局部防突事务生成方法。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本实施例利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,包括如下步骤:
步骤S1:建立局部突出危险性预测预报数据的特征提取模型。本实施例的局部突出危险性预测预报数据的特征提取模型的建立方法如下:
单次预测预报指标最大值amax,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的最大值;
单次预测预报指标平均值aavg,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的平均值,即:
其中,ai为煤样的预测指标值;为M总煤样数量;
单次预测预报指标超标率k,为单次局部突出危险性预测预报中预测指标超标的煤样数量m与总煤样数量M之比,即:
k=m/M
单次预测预报指标临界值比λ,为单次局部突出危险性预测预报中测定的预测指标最大值amax与临界值L之比,即:
λ=amax/L
单次预测预报指标超标类型ξ,为单次局部突出危险性预测预报中预测指标超标形式及超标的预测指标类型,其中预测指标超标形式包括单指标超标和多指标超标,超标的预测指标类型包括钻屑量S超标、钻屑瓦斯解吸指标K1或△h2超标、钻孔瓦斯涌出初速度q超标和综合指标R超标;
循环效检次数n,为单个局部防突预测循环的防突措施效果检验累计次数;
循环预测指标平均值Aavg,为工作面G个局部防突预测循环的预测指标平均值,即:
其中Ai为局部防突预测循环的预测指标值;
循环预测指标超标率μ,为工作面G个局部防突预测循环中预测指标超标的循环数n1所占的比例,即:
μ=n1/G
循环预测指标t倍临界值占比率δt,为工作面G个局部防突预测循环中预测指标未超标但达到临界值t(0<t<1)倍的循环数nt所占比例,即:
δt=nt/G
循环预测指标均比v,为工作面当前局部防突出预测循环的预测指标值A与工作面G个局部防突预测循环的预测指标平均值Aavg之比,即:
v=A/Aavg
连续超标循环数c,为工作面G个局部防突预测循环中连续超标的局部防突预测循环数;
循环预测指标变化趋势B,为工作面G个局部防突预测循环的预测指标所表现出的上升、下降或稳定等变化趋势。本实施例的循环预测指标变化趋势B通过以下方法进行确定:
依次对工作面G个局部防突预测循环的预测指标测定结果进行标准化处理,标准化处理公式为:
其中:A'i为标准化处理后的循环预测指标值;Ai为循环预测指标测定结果;L为预测预报指标的临界值;i为局部防突预测循环编号,从当前循环开始及之前循环的编号依次为0,1,2,…,G-1,且当i=0时为当前循环的编号;
采用最小二乘法对数据集(-i,A'i)进行线性拟合,获得直线A'=bi+b0的斜率参数b;
将b与±B0进行对比,若b≥B0,则判定为上升趋势,若-B0<b<B0,则判定为稳定趋势,若b≤-B0,则判定为下降趋势,其中B0为循环预测指标变化趋势的区间临界值,B0>0。
步骤S2:确定突出危险因素反演所需的局部突出危险性预测预报循环的数量N:
N=INT(30/ly)+1
其中,INT为取整函数;ly为矿井局部突出危险性预测预报的循环允许进尺。
步骤S3:采集历史工作面的局部突出危险性预测预报数据,建立局部突出危险性预测预报循环数为N的突出危险因素反演模型。
本实施例的突出危险因素反演模型的建立方法如下:
步骤S31:采集历史工作面的局部突出危险性预测预报数据,并以工作面推进距离为基准轴线对其进行整理,形成历史工作面的局部突出危险性预测预报序列数据;
步骤S32:采用所述特征提取模型对所述历史工作面的局部突出危险性预测预报序列数据进行处理,形成历史工作面的局部突出危险性预测预报特征序列数据;
步骤S33:采集矿井历史工作面的空间位置、瓦斯参数测定、地质构造揭露、煤层赋存揭露和突出征兆观测的历史数据;
步骤S34:从瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面对历史工作面的突出危险因素进行判识,并以工作面推进距离为基准轴线对判识结果进行整理,形成历史工作面的突出危险因素序列数据;
步骤S35:以工作面推进距离为基准轴线,对局部突出危险性预测预报特征序列数据和突出危险因素序列数据进行合并处理,形成历史工作面的防突序列数据,并将其添加到矿井历史防突序列数据库中;
步骤S36:从矿井历史防突序列数据库中,提取各历史工作面的防突序列数据,依次生成对应历史工作面的局部防突事务集,并将矿井各历史工作面的局部防突事务集进行合并处理,形成矿井的局部防突事务集合;
具体的,本实施例的历史工作面的局部防突事务集的生成步骤如下:
步骤S361:从起始位置开始,沿着工作面推进距离轴线,对历史工作面的防突序列数据进行搜索,依次找出每一组局部突出危险性预测预报特征指标数据所对应的工作面推进距离,并将其作为历史工作面局部防突事务的空间位置标识;
步骤S362:针对局部防突事务中的局部突出危险性预测预报特征指标项,直接提取历史工作面防突序列数据中、在对应空间位置处的相应局部突出危险性预测预报特征指标的值;
步骤S363:设定突出危险因素反演的超前距离lc;针对局部防突事务中的突出危险因素项,以局部防突事务所对应的空间位置为起点,在历史工作面的防突序列数据中,向对应类型的突出危险因素的序列数据施加跨度为lc的超前距离约束,当超前距离约束中没有突出危险因素时,赋予该突出危险因素项“0”值,否则,赋予该突出危险因素项“1”值;
步骤S364:从第一个局部防突事务开始,重复步骤S362和S363,直到最后一个局部防突事务结束,依次完成对历史工作面所有的局部防突事务的项的赋值,形成历史工作面的局部防突事务集。
步骤S37:对矿井的局部防突事务集合进行关联分析,得到局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则:
Ri:Ti→{zi}(i=1,2,3,4,5);
Ti:{x1∈(ai1,bi1),x2∈(ai2,bi2),…,xj∈(aij,bij),y1=ci1,y2=ci2,…,yk=cik};
zi:z1=瓦斯富集zw,z2=地质构造zd,z3=煤层异常zc,z4=应力集中zf,z5=突出征兆zs;
其中:xj和yk分别为局部突出危险性预测预报特征指标项中的连续属性项和分类属性项;(aij,bij)为关联规则Ri中局部突出危险性预测预报特征指标项xj的区间条件;cik为关联规则Ri中局部突出危险性预测预报特征指标yk的类型条件;
步骤S38:根据局部突出危险性预测预报特征指标项与突出风险因素项之间的关联规则,建立突出危险因素反演模型:
其中:T为局部突出危险性预测预报特征指标的集合;T1,T2,T3,T4,T5分别为与瓦斯富集、地质构造、煤层异常、应力集中、突出征兆5个方面的突出危险因素项关联的局部突出危险性预测预报特征指标项的条件的集合;
步骤S39:重复步骤S41至步骤S48,对突出危险因素反演模型进行动态更新。
步骤S4:采集工作面最近N个循环的局部突出危险性预测预报数据,即此时N=G,利用特征提取模型处理采集得到的工作面最近N个循环的局部突出危险性预测预报数据,得到工作面当前的局部突出危险性预测预报特征指标值的集合;
步骤S5:将工作面当前的局部突出危险性预测预报特征指标值的集合代入所述突出危险因素反演模型中,获得工作面当前位置的突出危险因素反演结果;
步骤S6:根据突出危险因素反演结果及时发布报警信息;
步骤S7:随着工作面的推进,重复步骤S4至步骤S6,对工作面的突出危险因素进行动态反演和报警。
本实施例利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,采用大数据思维和方法,通过对局部突出危险性预测预报数据的挖掘分析,在不增加煤矿井下突出预测预报工程量的情况下,超前识别工作面隐藏的突出危险因素,提高了局部突出危险性预测预报数据的利用价值,能够有效指导矿井合理防突决策和科学防突管理,超前动态反演工作面的突出危险因素,指导矿井科学防突决策和防突管理,提高防突工作的针对性,避免煤与瓦斯突出事故发生,对于煤矿安全具有重要意义。通过建立突出危险因素反演模型,充分考虑预测预报指标与瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面的突出危险因素之间潜在关系,能够充分发挥对防突措施制定和防突管理的指导作用。
下面通过具体实例对本发明的实施方式进行说明。
为了更加清晰的展现本实施例中单次预测预报指标最大值(amax)、单次预测预报指标平均值(aavg)、单次预测预报指标超标率(k)、单次预测预报指标临界值比(λ)、单次预测预报指标超标类型(ξ)等局部突出危险性预测预报特征指标的计算方法,故列举如下实例进行说明:例如,某掘进工作面按照《防治煤与瓦斯突出规定》要求采用钻屑指标法(钻屑量S和钻屑瓦斯解吸指标K1)进行局部突出危险性预测预报,指标临界值采用《防治煤与瓦斯突出规定》中推荐的临界值S=6kg/m、K1=0.5mL/g.min1/2。某次局部突出危险性预测预报的指标测定结果如下:
1#钻孔钻屑量S测定结果为2.2、2.4、3.2、3.8、4.7、4.6、5.4、5.8、4.8和4.6kg/m,
钻屑瓦斯解吸指标K1测定结果为0.12、0.24、0.28、0.42和0.36mL/g.min1/2;
2#钻孔钻屑量S测定结果为2.3、2.1、3.8、3.6、4.8、4.2、4.7、5.2、4.6和5.4kg/m,
钻屑瓦斯解吸指标K1测定结果为0.15、0.22、0.35、0.54和0.48mL/g.min1/2;
3#钻孔钻屑量S测定结果为1.8、2.7、2.8、3.2、3.8、4.7、4.5、4.9、5.0和5.2kg/m,
钻屑瓦斯解吸指标K1测定结果为0.17、0.25、0.22、0.38和0.35mL/g.min1/2;
则本次局部突出危险性预测预报的特征指标的值计算具体为:
单次预测预报指标最大值(amax):
amaxA=max{2.2,2.4,3.2,3.8,4.7,4.6,5.4,5.8,4.8,4.6,2.3,2.1,3.8,3.6,4.8,4.2,4.7,5.2,4.6,5.4,1.8,2.7,2.8,3.2,3.8,4.7,4.5,4.9,5.0,5.2}=5.8kg/m;
amaxK1=max{0.12,0.24,0.28,0.42,0.36,0.15,0.22,0.35,0.54,0.48,0.17,0.25,0.22,0.38,0.35}=0.54mL/g.min1/2。
单次预测预报指标平均值(aavg):
aavgs=(2.2+2.4+3.2+3.8+4.7+4.6+5.4+5.8+4.8+4.6+2.3+2.1+3.8+3.6+4.8+4.2+4.7+5.2+4.6+5.4+1.8+2.7+2.8+3.2+3.8+4.7+4.5+4.9+5.0+5.2)/30=4.0kg/m;
aavgK1=(0.12+0.24+0.28+0.42+0.36+0.15+0.22+0.35+0.54+0.48+0.17+0.25+0.22+0.38+0.35)/15=0.302mL/g.min1/2。
单次预测预报指标超标率(k):本次局部突出危险性预测预报,钻屑量S共测定30个煤样,均未超过临界值S=6kg/m,因此总煤样数量Ms=30,预测指标超标的煤样数量ms=0,钻屑量S的单次预测预报指标超标率为ks=mS/Ms=0;钻屑瓦斯解吸指标K1共测定15个煤样,其中1个煤样超过了临界值K1=0.5mL/g.min1/2,因此总煤样数量Mk1=15,预测指标超标的煤样数量mk1=1,钻屑瓦斯解吸指标K1的单次预测预报指标超标率为kK1=mk1/Mk1=1/15=0.067。
单次预测预报指标临界值比(λ):本次局部突出危险性预测预报,钻屑量S最大值为Smax=5.8kg/m,钻屑瓦斯解吸初速度指标K1最大值为K1max=0.54mL/g.min1/2,两个预测预报指标的临界值为LS=6kg/m和LK1=0.5mL/g.min1/2,因此,钻屑量S的单次预测预报指标临界值比λS=Smax/LS=5.8/6=0.97,钻屑瓦斯解吸初速度指标K1的单次预测预报指标临界值比λK1=K1max/LK1=0.54/0.5=1.08。
单次预测预报指标超标类型(ξ):本次局部突出危险性预测预报只有K1指标超过了临界值,因此预测指标超标形式为单指标超标,超标的预测指标类型为钻屑瓦斯解吸指标K1超标。
为了更加清晰的展现本实施例中循环预测指标平均值(Aavg)、循环预测指标超标率(λ)、循环预测指标t倍临界值占比率(δt)、循环预测指标均比(v)、连续超标循环数(c)、循环预测指标变化趋势(Q)等特征指标的计算方法,故列举如下实例进行说明:例如,某掘进工作面按照《防治煤与瓦斯突出规定》要求采用钻屑指标法(钻屑量S和钻屑瓦斯解吸指标K1)进行局部突出危险性预测预报,指标临界值采用《防治煤与瓦斯突出规定》中推荐的临界值S=6kg/m、K1=0.5mL/g.min1/2。最近5个局部防突预测循环(当前循环及前4个循环)的预测指标测定结果依次为Smax=4.8、6.2、4.9、5.7、4.5kg/m,K1max=0.52、0.55、0.35、0.53、0.43mL/g.min1/2,则循环预测指标平均值(Aavg)、循环预测指标超标率(λ)、循环预测指标t倍临界值占比率(δt)、循环预测指标均比(v)、连续超标循环数(c)、循环预测指标整体变化趋势(Q)等局部突出危险性预测预报特征指标值的计算具体为:
循环预测指标平均值(Aavg):
AavgS=(4.8+6.2+4.9+5.7+4.5)/5=5.22kg/m,
AavgK1=(0.52+0.55+0.35+0.53+0.43)/5=0.476mL/g.min1/2。
循环预测指标超标率(μ):本实例的5个防突预测循环中,共1个循环的钻屑量Smax超标,共有3个循环的钻屑瓦斯解吸特征指标K1max超标,因此,n1S=1,n1K1=3,N=5,钻屑量S的循环预测指标超标率μs=n1S/N=1/5=0.2,钻屑瓦斯解吸特征指标K1的循环预测指标超标率μK1=n1K1/N=3/5=0.6。
循环预测指标t倍临界值占比率(δt):本实例t取0.9,则钻屑量S临界值的0.9倍为6×0.9=5.4kg/m,钻屑瓦斯解吸特征指标K1临界值的0.9倍为0.5×0.9=0.45mL/g.min1 /2,5个防突预测循环中,钻屑量Smax未超标但达到5.4kg/m的有2个循环,钻屑瓦斯解吸特征指标K1max未超标但达到0.45mL/g.min1/2的有4个循环,所以ntS=2,ntK1=3,N=5,钻屑量S的循环预测指标0.9倍临界值占比率δ0.9S=2/5=0.4,钻屑瓦斯解吸特征指标K1的0.9倍临界值占比率δ0.9K1=3/5=0.6。
循环预测指标均比(v):本实例的当前防突循环的预测指标值为As=Smax=4.8kg/m,Ak1=K1max=0.52mL/g.min1/2,5个防突预测循环预测指标的平均值分别为AavgS=5.22kg/m,AavgK1=0.476mL/g.min1/2,所以钻屑量S的循环预测指标均比为vS=AS/AavgS=4.8/5.22=0.92,钻屑瓦斯解吸特征指标K1的循环预测指标均比为vK1=AK1/AavgK1=0.52/0.476=1.09。
连续超标循环数(c):本实例当中,当前预测循环的预测预报指标超标,前1个循环的循环预测预报指标超标,前2个循环的预测预报指标不超标,因此当前的连续超标循环数c=2。
循环预测指标变化趋势(B):首先,根据公式A′i=Ai/L对本实例的防突预测循环的预测指标测定结果进行标准化处理,钻屑量S的临界值为6kg/m,钻屑量S的循环预测指标测定结果标准化处理后依次为A′is=(0.8、1.03、0.82、0.78和0.75),从而得到数据集(-i,A'iS)={(0,0.8),(-1,1.03),(-2,0.82),(-3,0.78),(-4,0.75)};然后,利用最小二乘法对数据集进行线性拟合,获得直线A's=0.035i+0.907,-tan30°<0.035<tan30°,因此,钻屑量S的循环预测指标变化趋势特征指标Bs为稳定趋势。同样的步骤,钻屑瓦斯解吸指标K1的循环预测指标测定结果标准化处理后依次为A′iK1=(1.04、1.1、0.7、1.06和0.86),得到数据集(-i,A'iK1)={(0,1.04),(-1,1.1),(-2,0.7),(-3,1.06),(-4,0.86)},利用最小二乘法对数据集进行线性拟合获得直线A'K1=0.04i+1.032,-tan30°<0.04<-tan30°,因此,钻屑瓦斯解吸指标K1的环预测指标变化趋势特征指标也Bk1为稳定趋势。
本实施例局部突出危险性预测预报循环数为N的突出危险因素反演模型的进一步说明如下:
步骤S31:获取矿井历史工作面的局部突出危险性预测预报数据,并以工作面推进距离为基准轴线对其进行整理,形成历史工作面的局部突出危险性预测预报序列数据;
步骤S32:根据特征提取模型,对历史工作面的局部突出危险性预测预报序列数据进行处理,形成历史工作面的局部突出危险性预测预报特征序列数据;
步骤S33:获取矿井历史工作面的空间位置、瓦斯参数测定、地质构造揭露、煤层赋存揭露、突出征兆观测等历史数据;
步骤S34:从瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面对历史工作面的突出危险因素进行判识,并以工作面推进距离为基准轴线对判识结果进行整理,形成历史工作面的突出危险因素序列数据。其中,突出危险因素的判识规则如下:
第一,当煤层瓦斯含量(W)或煤层瓦斯压力(p)超过临界值时,判定工作面存在瓦斯富集,其中,瓦斯含量的临界值(Wl)和瓦斯压力的临界值(pl)采用《防治煤与瓦斯突出规定》推荐的区域突出危险性预测的临界值,即Wl=8m3/t,pl=0.74MPa;
第二,当工作面揭露有断层、陷落柱、煤层冲刷带、火成岩侵入等地质构造时,判定工作面存在地质构造;
第三,当煤层厚度变化率(△H)、煤层倾角变化(△a)和软分层厚度(h)超过临界值时,判定工作面煤层异常,其中,煤层厚度变化率的计算公式为△H=(H-H0)/H0,H为煤层厚度,H0为工作面所在区域正常情况下的煤层厚度;煤层倾角变化的计算公式为△a=a-a0,a为煤层倾角,a0为工作面所在区域正常情况下的煤层倾角;煤层厚度变率的临界值为△Hl=25%,煤层倾角变化的临界值为△al=10°,软分层厚度的临界值为hl=0.3m;
第四,当工作面进入遗留煤柱或其它采掘工作面造成的应力集中区时,判定工作面应力集中,其中,遗留煤柱的应力集中区范围采用《防治煤与瓦斯突出规定》推荐的保护层有效保护范围确定方法进行确定;
第五,当工作面出现喷孔、顶钻、响煤炮、支架来压、煤壁外鼓等现象时,判定工作面存在突出征兆。
步骤S35:以工作面推进距离为基准轴线,对局部突出危险性预测预报特征序列数据和突出危险因素序列数据进行合并处理,形成历史工作面的防突序列数据集,并将其添加到矿井历史防突序列数据库中。历史工作面防突序列数据集的结构如图3所示,包含有单次预测预报指标最大值(amax)、单次预测预报指标平均值(aavg)、单次预测预报指标超标率(k)、单次预测预报指标临界值比(λ)、单次预测预报指标超标类型(ξ)、循环效检次数(n)、循环预测指标平均值(Aavg)、循环预测指标超标率(μ)、循环预测指标t倍临界值占比率(δt)、循环预测指标均比(v)、连续超标循环数(c)、循环预测指标变化趋势(B)等12个局部突出危险性预测预报特征数据序列和瓦斯富集(Zw)、地质构造(Zd)、煤层赋存异常(Zc)、应力集中(Zf)、突出征兆(Zs)等5个突出危险因素数据序列。
步骤S36:从矿井历史防突序列数据库中,提取各历史工作面的防突序列数据,依次生成对应历史工作面的局部防突事务集,并将矿井各历史工作面的局部防突事务集进行合并处理,形成矿井的局部防突事务集合。
矿井局部突出预测预报事务集的结构如图4所示,其中,每一行对应一个局部突出预测预报事务,即一次局部突出危险性预测预报事件;每一列对应一个项,共有17个项,分别对应12个局部突出危险性预测预报特征指标和5类突出危险因素。矿井局部突出预测预报事务集包含了矿井所有历史工作面的局部突出预测预报事务,其中,第1个历史工作面共有n1个事务,对应于矿井局部突出预测预报事务集中的事务1至事务n1;第2个历史工作面共有n2-n1个事务,对应于矿井局部突出预测预报事务集中的事务n1+1至事务n2;第3个历史工作面共有n3-n2个事务,对应于矿井局部突出预测预报事务集中的事务n2+1至事务n3;依次类推,第i个历史工作面共有ni-ni-1个事务,对应于矿井局部突出预测预报事务集中的事务ni-1+1至事务ni;至到最后一个历史工作面,即第m个历史工作面,共有nm-nm-1个事务,对应于矿井局部突出预测预报事务集中的事务nm-1+1至事务nm。
本实施例中,历史工作面的局部防突事务集的具体生成步骤为:
步骤S361:从起始位置开始,沿着工作面推进距离轴线,对历史工作面的防突序列数据进行搜索,依次找出每一组局部突出危险性预测预报特征指标数据所对应的工作面推进距离,并将其作为历史工作面局部防突事务的空间位置标识;
步骤S362:针对局部防突事务中的局部突出危险性预测预报特征指标项,直接提取历史工作面防突序列数据中,对应空间位置处,相应局部突出危险性预测预报特征指标的值;步骤S463:针对局部防突事务中的突出危险因素项,以局部防突事务所对应的空间位置为起点,在历史工作面的防突序列数据中,向对应类型的突出危险因素的序列数据施加跨度为lc的超前距离约束,突出危险因素反演的超前距离lc设定值取值范围为20-30m;当超前距离约束中没有突出危险因素时,赋予该突出危险因素项“0”值,否则,赋予该突出危险因素项“1”值;
步骤S364:从第一个局部防突事务开始,重复步骤S362和S363,直到最后一个局部防突事务结束,依次完成对历史工作面所有的局部防突事务的项的赋值,形成历史工作面的局部防突事务集。
本实施例中,步骤S363局部防突事务的突出危险因素项赋值过程中,通过向突出危险因素序列数据施加跨度为lc的超前距离约束,保证了将来建立的突出危险因素反演模型具有超前性,即利用建立的突出危险因素反演模型能够超前一定距离反演工作面前方的瓦斯富集、地质构造、煤层异常、应力集中等突出危险因素。
步骤S37:对矿井的局部防突事务集合进行关联分析,得到局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则:
Ri:Ti→{zi}(i=1,2,3,4,5);
Ti:{x1∈(ai1,bi1),x2∈(ai2,bi2),…,xj∈(aij,bij),y1=ci1,y2=ci2,…,yk=cik};
zi:z1=瓦斯富集zw,z2=地质构造zd,z3=煤层异常zc,z,4=应力集中zf,z,5=突出征兆zs;
其中:xj为局部突出危险性预测预报特征指标项中的连续属性项,包括单次预测预报指标最大值amax、单次预测预报指标平均值aavg、单次预测预报指标超标率k、单次预测预报指标临界值比λ、循环效检次数n、循环预测指标平均值Aavg、循环预测指标超标率μ、循环预测指标t倍临界值占比率δt、循环预测指标均比v、连续超标循环数c;yk为局部突出危险性预测预报特征指标项中的分类属性项,包括单次预测预报指标超标类型ξ和循环预测指标变化趋势B;(aij,bij)为关联规则Ri中局部突出危险性预测预报特征指标项xj的区间条件;cik为关联规则Ri中局部突出危险性预测预报特征指标yk的类型条件。
为了更加清晰的展现本实施例中局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则的形式,故列举如下实例进行说明:例如,某矿井局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则为:
R1:{AavgK1∈[0.4,0.6),BK1=上升趋势}→{瓦斯富集zw};
R2:{aavgk1∈[0.4,+∞),ck1∈[2,5]}→{地质构造zd};
R3:{kK1∈[0.05,1],vK1∈[0.55,1],ξ=K1超标}→{煤层异常zc};
R4:{δ0.8S∈[0.4,1]}→{应力集中zf};
R5:{amaxk1∈[0.6,+∞),n∈[2,5]}→{突出征兆zs}。
步骤S38:根据局部突出危险性预测预报特征指标项与突出风险因素项之间的关联规则,建立突出危险因素反演模型:
其中:T为局部突出危险性预测预报特征指标的集合;T1,T2,T3,T4,T5分别为与瓦斯富集、地质构造、煤层异常、应力集中、突出征兆等突出危险因素项关联的局部突出危险性预测预报特征指标项的条件的集合。为了更加清晰的展现本实施例中突出危险因素反演模型的建立方法,故列举如下实例进行说明:例如,某矿井局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则为:
R1:{AavgK1∈[0.4,0.6),BK1∈[0.1,+∞)}→{瓦斯富集zw};
R2:{aavgk1∈[0.4,+∞),ck1∈[2,5]}→{地质构造zd};
R3:{kK1∈[0.05,1],vK1∈[0.55,1],ξ=K1超标}→{煤层异常zc};
R4:{δ0.8S∈[0.4,1]}→{应力集中zf};
R5:{amaxk1∈[0.6,+∞),n∈[2,5]}→{突出征兆zs},
则与瓦斯富集、地质构造、煤层异常、应力集中、突出征兆等突出危险因素项关联的局部突出危险性预测预报特征指标项的条件集合分别为:
T1={AavgK1∈[0.4,0.6),BK1∈[0.1,+∞)},
T2={aavgk1∈[0.4,+∞),ck1∈[2,5]},
T3={kK1∈[0.05,1],vK1∈[0.55,1],ξ=K1超标},
T4={δ0.8S∈[0.4,1]},
T5={amaxk1∈[0.6,+∞),n∈[2,5]},
其中涉及的局部突出危险性预测预报特征指标项具体包括:amaxk1,aavgk1,kK1,ξ,n,AavgK1,δ0.8S,vK1,ck1,BK1,即T=(amaxk1,aavgk1,kK1,ξ,n,AavgK1,δ0.8S,vK1,ck1,BK1)。因此,建立突出危险因素反演模型为:
步骤S39:随着矿井工作面的不断更新,历史工作面不断产生,重复步骤S31至步骤S38,对突出危险因素反演模型进行动态更新。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (4)
1.一种利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,其特征在于:包括如下步骤:
步骤S1:建立局部突出危险性预测预报数据的特征提取模型;
所述局部突出危险性预测预报数据的特征提取模型的建立方法如下:
单次预测预报指标最大值amax,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的最大值;
单次预测预报指标平均值aavg,为单次局部突出危险性预测预报中测定的所有煤样的预测指标的平均值,即:
其中,ai为煤样的预测指标值;为M总煤样数量;
单次预测预报指标超标率k,为单次局部突出危险性预测预报中预测指标超标的煤样数量m与总煤样数量M之比,即:
k=m/M
单次预测预报指标临界值比λ,为单次局部突出危险性预测预报中测定的预测指标最大值amax与临界值L之比,即:
λ=amax/L
单次预测预报指标超标类型ξ,为单次局部突出危险性预测预报中预测指标超标形式及超标的预测指标类型,其中预测指标超标形式包括单指标超标和多指标超标,超标的预测指标类型包括钻屑量S超标、钻屑瓦斯解吸指标K1或△h2超标、钻孔瓦斯涌出初速度q超标和综合指标R超标;
循环效检次数n,为单个局部防突预测循环的防突措施效果检验累计次数;
循环预测指标平均值Aavg,为工作面G个局部防突预测循环的预测指标平均值,即:
其中Ai为局部防突预测循环的预测指标值;
循环预测指标超标率μ,为工作面G个局部防突预测循环中预测指标超标的循环数n1所占的比例,即:
μ=n1/G
循环预测指标t倍临界值占比率δt,为工作面G个局部防突预测循环中预测指标未超标但达到临界值t(0<t<1)倍的循环数nt所占比例,即:
δt=nt/G
循环预测指标均比v,为工作面当前局部防突出预测循环的预测指标值A与工作面G个局部防突预测循环的预测指标平均值Aavg之比,即:
v=A/Aavg
连续超标循环数c,为工作面G个局部防突预测循环中连续超标的局部防突预测循环数;
循环预测指标变化趋势B,为工作面G个局部防突预测循环的预测指标所表现出的上升、下降或稳定等变化趋势;
步骤S2:确定突出危险因素反演所需的局部突出危险性预测预报循环的数量N:
N=INT(30/ly)+1
其中,INT为取整函数;ly为矿井局部突出危险性预测预报的循环允许进尺;
步骤S3:采集历史工作面的局部突出危险性预测预报数据,建立局部突出危险性预测预报循环数为N的突出危险因素反演模型;
步骤S4:采集工作面最近N个循环的局部突出危险性预测预报数据,利用特征提取模型处理采集得到的工作面最近N个循环的局部突出危险性预测预报数据,得到工作面当前的局部突出危险性预测预报特征指标值的集合;
步骤S5:将工作面当前的局部突出危险性预测预报特征指标值的集合代入所述突出危险因素反演模型中,获得工作面当前位置的突出危险因素反演结果;
步骤S6:根据突出危险因素反演结果及时发布报警信息;
步骤S7:随着工作面的推进,重复步骤S4至步骤S6,对工作面的突出危险因素进行动态反演和报警。
2.根据权利要求1所述利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,其特征在于:所述循环预测指标变化趋势B通过以下方法进行确定:
依次对工作面G个局部防突预测循环的预测指标测定结果进行标准化处理,标准化处理公式为:
其中:A'i为标准化处理后的循环预测指标值;Ai为循环预测指标测定结果;L为预测预报指标的临界值;i为局部防突预测循环编号,从当前循环开始及之前循环的编号依次为0,1,2,…,G-1,且当i=0时为当前循环的编号;
采用最小二乘法对数据集(-i,A'i)进行线性拟合,获得直线A'=bi+b0的斜率参数b;
将b与±B0进行对比,若b≥B0,则判定为上升趋势,若-B0<b<B0,则判定为稳定趋势,若b≤-B0,则判定为下降趋势,其中B0为循环预测指标变化趋势的区间临界值,B0>0。
3.根据权利要求1所述利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,其特征在于:所述步骤S3中,所述突出危险因素反演模型的建立方法如下:
步骤S31:采集历史工作面的局部突出危险性预测预报数据,并以工作面推进距离为基准轴线对其进行整理,形成历史工作面的局部突出危险性预测预报序列数据;
步骤S32:采用所述特征提取模型对所述历史工作面的局部突出危险性预测预报序列数据进行处理,形成历史工作面的局部突出危险性预测预报特征序列数据;
步骤S33:采集矿井历史工作面的空间位置、瓦斯参数测定、地质构造揭露、煤层赋存揭露和突出征兆观测的历史数据;
步骤S34:从瓦斯富集、地质构造、煤层异常、应力集中和突出征兆5个方面对历史工作面的突出危险因素进行判识,并以工作面推进距离为基准轴线对判识结果进行整理,形成历史工作面的突出危险因素序列数据;
步骤S35:以工作面推进距离为基准轴线,对局部突出危险性预测预报特征序列数据和突出危险因素序列数据进行合并处理,形成历史工作面的防突序列数据,并将其添加到矿井历史防突序列数据库中;
步骤S36:从矿井历史防突序列数据库中,提取各历史工作面的防突序列数据,依次生成对应历史工作面的局部防突事务集,并将矿井各历史工作面的局部防突事务集进行合并处理,形成矿井的局部防突事务集合;
步骤S37:对矿井的局部防突事务集合进行关联分析,得到局部突出危险性预测预报特征指标项与突出危险因素项之间的关联规则:
Ri:Ti→{zi}(i=1,2,3,4,5);
Ti:{x1∈(ai1,bi1),x2∈(ai2,bi2),…,xj∈(aij,bij),y1=ci1,y2=ci2,…,yk=cik};
zi:z1=瓦斯富集zw,z2=地质构造zd,z3=煤层异常zc,z4=应力集中zf,z5=突出征兆zs;
其中:xj和yk分别为局部突出危险性预测预报特征指标项中的连续属性项和分类属性项;(aij,bij)为关联规则Ri中局部突出危险性预测预报特征指标项xj的区间条件;cik为关联规则Ri中局部突出危险性预测预报特征指标yk的类型条件;
步骤S38:根据局部突出危险性预测预报特征指标项与突出风险因素项之间的关联规则,建立突出危险因素反演模型:
其中:T为局部突出危险性预测预报特征指标的集合;T1,T2,T3,T4,T5分别为与瓦斯富集、地质构造、煤层异常、应力集中、突出征兆5个方面的突出危险因素项关联的局部突出危险性预测预报特征指标项的条件的集合;
步骤S39:重复步骤S41至步骤S48,对突出危险因素反演模型进行动态更新。
4.根据权利要求3所述利用局部突出危险性预测预报数据反演工作面突出危险因素的大数据分析方法,其特征在于:所述步骤S36中,历史工作面的局部防突事务集的生成步骤如下:
步骤S361:从起始位置开始,沿着工作面推进距离轴线,对历史工作面的防突序列数据进行搜索,依次找出每一组局部突出危险性预测预报特征指标数据所对应的工作面推进距离,并将其作为历史工作面局部防突事务的空间位置标识;
步骤S362:针对局部防突事务中的局部突出危险性预测预报特征指标项,直接提取历史工作面防突序列数据中、在对应空间位置处的相应局部突出危险性预测预报特征指标的值;
步骤S363:设定突出危险因素反演的超前距离lc;针对局部防突事务中的突出危险因素项,以局部防突事务所对应的空间位置为起点,在历史工作面的防突序列数据中,向对应类型的突出危险因素的序列数据施加跨度为lc的超前距离约束,当超前距离约束中没有突出危险因素时,赋予该突出危险因素项“0”值,否则,赋予该突出危险因素项“1”值;
步骤S364:从第一个局部防突事务开始,重复步骤S362和S363,直到最后一个局部防突事务结束,依次完成对历史工作面所有的局部防突事务的项的赋值,形成历史工作面的局部防突事务集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810774095.0A CN109033593B (zh) | 2018-07-15 | 2018-07-15 | 利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810774095.0A CN109033593B (zh) | 2018-07-15 | 2018-07-15 | 利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109033593A CN109033593A (zh) | 2018-12-18 |
CN109033593B true CN109033593B (zh) | 2023-05-02 |
Family
ID=64643059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810774095.0A Active CN109033593B (zh) | 2018-07-15 | 2018-07-15 | 利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109033593B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533887B (zh) * | 2019-08-07 | 2022-08-26 | 山东蓝光软件有限公司 | 一种基于实时监测数据的煤与瓦斯突出灾害离散模态预警方法,装置及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101787897A (zh) * | 2009-12-30 | 2010-07-28 | 西安西科测控设备有限责任公司 | 一种实时预测矿井煤与瓦斯突出危险性的系统及其方法 |
CN102705010A (zh) * | 2012-05-31 | 2012-10-03 | 中煤科工集团重庆研究院 | 一种工作面突出危险评价指标体系分析方法 |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102242642B (zh) * | 2011-03-30 | 2013-03-06 | 中国矿业大学 | 一种煤与瓦斯突出危险性多元信息耦合预测方法 |
-
2018
- 2018-07-15 CN CN201810774095.0A patent/CN109033593B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101787897A (zh) * | 2009-12-30 | 2010-07-28 | 西安西科测控设备有限责任公司 | 一种实时预测矿井煤与瓦斯突出危险性的系统及其方法 |
CN102705010A (zh) * | 2012-05-31 | 2012-10-03 | 中煤科工集团重庆研究院 | 一种工作面突出危险评价指标体系分析方法 |
CN107605536A (zh) * | 2017-11-02 | 2018-01-19 | 湖南科技大学 | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 |
Non-Patent Citations (1)
Title |
---|
基于SVM的煤与瓦斯突出危险性区域预测及防突技术研究;安文超;《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》;20140315(第3期);正文第45-57页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109033593A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107605536B (zh) | 基于多源信息融合的煤与瓦斯突出实时预警装置与方法 | |
Qiu et al. | Assessment of water inrush risk using the fuzzy delphi analytic hierarchy process and grey relational analysis in the Liangzhuang coal mine, China | |
CN101550841B (zh) | 煤与瓦斯突出综合预警系统及预警方法 | |
CN107180016B (zh) | 应用磨损比耗指数预测滚刀磨损量的分层求和法 | |
CN111197500B (zh) | 适用于tbm掘进隧道围岩等级实时判别方法及系统 | |
Ruan et al. | A new risk assessment model for underground mine water inrush based on AHP and D–S evidence theory | |
CN111022119B (zh) | 一种基于模式识别的盾构隧道结构抗震安全评价方法 | |
CN109345140B (zh) | 一种煤矿突水灾害预警的辅助方法 | |
CN111102006B (zh) | 一种突出矿井抽掘采部署失调动态预警智能决策方法 | |
CN109033593B (zh) | 利用局部突出危险预测预报数据反演工作面突出危险因素的大数据分析方法 | |
CN107091085B (zh) | 一种浅埋暗挖隧道地层稳定性的多参数判别方法 | |
Chen et al. | Evaluation of vertical shaft stability in underground mines: comparison of three weight methods with uncertainty theory | |
Liu et al. | A fuzzy analytic hierarchy process model to assess the risk of disaster reduction due to grouting in coal mining | |
CN107942383A (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN116128084A (zh) | 一种致密油藏水平井体积压裂缝网控制储量的预测方法 | |
CN110700884B (zh) | 一种基于解析法比拟预测综放工作面涌水量的方法 | |
CN109670729A (zh) | 一种顶板含水层富水性评价方法 | |
CN108169449A (zh) | 一种煤与瓦斯突出危险性局部预测指标敏感性确定方法 | |
CN105952455A (zh) | 一种露天矿崩落法处理复杂空区后的安全评估方法 | |
LIANG et al. | Stratum identification based on multiple drilling parameters and probability classification | |
Mohtasham Seyfi et al. | Estimation of coal seams gas content for evaluating potential use of methane drainage system in Tabas coal mine | |
CN106971267A (zh) | 一种煤矿安全管理风险评价方法 | |
Patyńska | Methodology of estimation of methane emissions from coal mines in Poland | |
Niewiadomski et al. | Recommendations for methane prognostics and adjustment of short-term prevention measures based on methane hazard levels in coal mine longwalls | |
Zheng et al. | Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |