CN110750941B - 一种基于煤矿通风动态解算的瓦斯涌出预测方法 - Google Patents
一种基于煤矿通风动态解算的瓦斯涌出预测方法 Download PDFInfo
- Publication number
- CN110750941B CN110750941B CN201911081763.2A CN201911081763A CN110750941B CN 110750941 B CN110750941 B CN 110750941B CN 201911081763 A CN201911081763 A CN 201911081763A CN 110750941 B CN110750941 B CN 110750941B
- Authority
- CN
- China
- Prior art keywords
- gas emission
- gas
- ventilation
- data
- prediction
- 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 62
- 238000009423 ventilation Methods 0.000 title claims abstract description 58
- 239000003245 coal Substances 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012417 linear regression Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000000611 regression analysis Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002939 conjugate gradient method Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Entrepreneurship & Innovation (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
Abstract
一种基于煤矿通风动态解算的瓦斯涌出预测方法,属于煤矿安全监测技术领域。该方法接入矿山物联网,将布置在井下关键节点检测设备所采集到的数据,带入到建立的通风网络中进行解算,根据求解得到的风量分配数据和收集的瓦斯传感器数值算出井下瓦斯涌出量;根据通风计算结果和测点实时数据进行动态计算优化,得出全矿井每个局部的瓦斯、通风状况;利用机器学习的方法对瓦斯涌出量和矿山物联网中的瓦斯地质、监测数据数据经行处理,找出瓦斯涌出量和其他的数据之间关联,得出瓦斯涌出预测模型。本发明方法得到的瓦斯涌出量预测方法对瓦斯涌出量的预测准确有效,同时预测结果具有时效性,对煤矿井下施工有着良好的指导性。
Description
技术领域
本发明属于煤矿安全监测技术领域,具体涉及一种基于煤矿通风动态解算的瓦斯涌出预测方法。
背景技术
瓦斯灾害一直是威胁我国煤炭开采过程中安全生产的重要因素之一。瓦斯的潜在影响随着煤层开采深度的增加变得更加显著。瓦斯涌出量是矿井瓦斯防治及通风设计的重要依据,准确的对其进行预测能够有效防止多种瓦斯灾害的发生。因此改进瓦斯涌出量预测方法及技术,提高瓦斯涌出量预测的精度,对改善提高煤炭安全生产具有积极地现实意义。
随着国家对煤矿安全生产工作的日益重视,煤矿的精细化科学管理在很多煤矿企业得到了试用和推广,精细化管理就离不开精确数据的支撑和支持。在煤矿安全监控系统数据应用方面,监控系统应该具有大数据的分析与应用功能,瓦斯涌出的预测预警被纳入其中。目前,虽然我国大部分煤矿中安装了瓦斯探测和报警系统,但预警能力大打折扣,更多的是对探测器某一时刻的探测结果进行报警,具有一定的消息滞后性。少数煤矿装备了瓦斯预测系统,仅是对瓦斯探测器得到的瓦斯量进行数据处理从而达到预测效果。但是煤矿井下通风环境复杂多变,巷道众多,且各条巷道的风速是动态变化的,所以瓦斯探测器的数值需要结合通风情况进行计算。这些因素都对瓦斯涌出预测所需的高精度提出了巨大的考验。
发明内容
针对现有技术的缺陷,本发明提供了一种基于煤矿通风动态解算的瓦斯涌出预测方法。
本发明是一种基于煤矿通风动态解算的瓦斯涌出预测方法,该方法分为以下步骤:
1、接入矿山物联网,将布置在井下关键节点检测设备所采集到的数据,带入到建立的通风网络中进行解算;
2、根据求解得到的风量分配数据和收集的瓦斯传感器数值算出井下瓦斯涌出量;
3、根据通风计算结果和测点实时数据,进行动态计算优化,得出全矿井每个局部的瓦斯、通风状况;
4、利用机器学习的方法,对瓦斯涌出量和矿山物联网中的瓦斯地质、监测数据数据经行处理,找出瓦斯涌出量和其他的数据之间关联,得出瓦斯涌出预测模型。
进一步的,所述的通风网络的解算步骤为:
设巷道中的风流在任一巷道截面内的性质是均匀的,即设为一维流体流动;
通风网络表示为非对称有向图G(V,E),V为通风巷道交叉口构成的点集,E为通风巷道的边集,且若(v,v′)∈E,v,v′∈V,则其中v,v′表示V中不同的两个点;对赋予元组(s,g,Δp),其中e表示为E中的一条边;s表示风的阻力系数,单位为N·s2/m8;g表示风的流量,单位为m3/s;Δp表示局部升压即局扇,单位为Pa;v,v′是V中不同的点,定义从v到v′的边集为E+(v)={v′|(v,v′)∈E},从v′到v的边集为E-(v)={v′|(v′,v)∈E};
设G′(V,E′)为G(V,E)对应的无向图,给定e∈E′,定义e的权值为
图G′中共有m=|E|+1-|V|条独立回路,设独立回路集合{C′i|i=1,2,…,m},其中并有(vik,vik+1)∈E′,k=0,1,…,ni;
对叶子结点建立由vl0到vlj,j=1,2,…,nl,的nl条连通路径C″j,令{Ck}={C′i}∪{C″j},Ck表示独立回路集合C′i和连通路径C″j的并集;
给定e(v1,v2)∈E,有v1.p-v2.p=e.s·(e.g)2,其中p表示点的风压。对给定e∈E,则支路风压为
设自然风压为p0,vw为V中任意叶子结点。对任意v∈V,建立由vw到v的路径D,vw对应压力为:p(v)=p0-∑e∈Dρ(e)p(e)。
通风网络方程组如下:
其中e+表示出发点为v点的边,e-表示驶入点为v点的边。
进一步的,井下瓦斯涌出量的计算方法如下:
以通风拓扑G(V,E)为基础,重新赋予边e∈E边上的元组(s,g,Δp,Q,q,q′,w),Q表示边的体积;q,q′分别为瓦斯含量和涌出速率;w表示瓦斯涌出权重;定义:
其中E+(v)是v点涌入风量的边集,E-(v)是v点涌出风量的边集,E(v)是包含v点的边集。
ei∈E-(v),τi表示瓦斯含量占比系数。
γi表示涌入或涌出瓦斯含量系数,Δt表示单位时间。
记边的属性χi=ei.χ(χ=q,q′,Q),ei∈E,对瓦斯涌出计算须给出如下方程组:
对 表示t+1时刻巷道的瓦斯含量,/>表示t时刻巷道流出瓦斯量,/>表示t时刻巷道流入量,/>表示t时刻巷道瓦斯涌出速率。
设Eλ表示已安装瓦斯浓度传感器的边集;对ei∈Eλ,Ti为实测瓦斯浓度,Qi为边的体积,建立如下等式:
在满足上述方程约束下,优化如下目标函数:
进一步的,目标函数优化方法如下:
对目标函数的优化为优化这类问题;其中x=[x1,x2,…,xn]T为未知量;Λ为n×n对角矩阵,对角元素为λ1,λ2,…,λn,λi>0;A为m×n系数矩阵,b为n维向量[b1,b2,…,bm]T;求解过程如下:
(1)令对L的列向量l1,l2,…,lm进行正交归一化,得到m′≤m个正交基h,h2,…,hm′;
处理过程如下:
1)令m′=0,i=j=1;
2)当j<m时:如果||h′i||>ε,则hi=h′i/||h′i||,m′=i,i=i+1,其中h′i是列向量li正交归一化的结果,ε是残差;
3)j=j+1,再回到2)。
(2)设u1=[0,0,…,0,1]T为n+1维单位向量,其在h1,h2,…,hm′正交子空间上的投影为设h′为在n+1维上的分量,令/>则||u1-h1||2即为所求最小值。
利用共轭梯度法,建立优化目标函数:xT(ATA+μΛ-1)x-ATb,0<μ<1
进一步的,所述的动态计算优化方法如下:
在通风拓补图中,关闭风门所在的边集主扇、局扇所在的边集/>有监测监控数据的点集和边集分别为VM,EM;动态计算优化问题如下:
(1)输入EG,EF及相关参数,求解通风网络,结果与VM,EM相关参数对比;
(2)输入VM,EM相关参数,求解EG,EF及相关参数;
对问题(1),通过对通风网络方程组的直接计算解决。对问题(2),使用遗传算法GA求解。
进一步的,所述的瓦斯涌出预测模型采用多元回归分析结合基于机器学习神经网络的方法,目标为上述计算的瓦斯涌出量,样本数据已各个涌出巷道为主题,维度包括:
(1)巷道厚度、截面积、已开采量、作业时间;
(2)所在煤层厚度、体积;
(3)瓦斯含量、压力、涌出初速度、测量时间;
(4)瓦斯抽放的浓度、负压、流量、累计量;
(5)煤矿开采强度、开采率、推进速度。
进一步的,所述的多元回归分析结合基于机器学习神经网络的方法,具体如下:
瓦斯涌出预测模型得出预测值yt看成是多元线性回归分析预测值yl与残差预测值ξi两部分组成,即yt=yl+ξi;多元线性回归能够对瓦斯涌出量的线性部分进行拟合预测,并根据多元线性回归分析方程对瓦斯涌出影响因素进行变量分析及控制;再利用神经网络的非线性逼近能力对瓦斯涌出量的非线性部分进行拟合预测,并对多元线性回归分析进行补偿修正,弥补线性模型的不足,以提高瓦斯涌出预测模型的精度。
所述的瓦斯涌出预测模型采用多元回归分析结合基于机器学习神经网络的方法,基本步骤如下:
(1)对瓦斯涌出影响因素进行选取,建立瓦斯涌出量预测指标体系,收集原始数据;
(2)对瓦斯涌出量观测数据进行共线性诊断,若无共线性则直接建立多元线性回归模型;若自变量之间存在共线性问题,则对进入方程的变量进行选取或者利用主成分分析提取互相独立的主成分,利用处理后获取的变量建立瓦斯涌出量预测的多元线性回归分析模型。设原始瓦斯涌出量为y,设神经网络残差为εi,有εi=yl(i)-y(i),其中yl(i)为多元线性回归分析瓦斯涌出量预测值,y(i)为实际瓦斯涌出量,序列εi中隐含了原序列中的非线性关系;
(3)以原始瓦斯涌出量为自变量,残差εi为因变量,利用神经网络对非线性函数εi进行逼近,此过程亦是对瓦斯涌出量的非线性部分进行拟合;
(4)利用(3)训练好的网络对残差进行预测,设神经网络残差预测值为ξi,利用ξi对多元线性函数预测值yl进行修正,得最终模型预测结果为yt=yl+ξi。
本发明的有益效果:本发明提出基于通风网络解算和动态计算方法得出全矿井每个局部的通风及瓦斯情况,对于瓦斯涌出量的计算更为精准。实验结果表明使用多元线性回归结合机器学习神经网络得到的瓦斯涌出量预测方法对瓦斯涌出量的预测准确有效,同时预测结果具有时效性,对煤矿井下施工有着良好的指导性。
附图说明
图1是本发明的流程图;
图2是简单的矿井通风网络示意图;
图3是瓦斯涌出量预测的技术路线图;
图4是瓦斯涌出量影响因素的主成分分析折线图。
具体实施方式
为使本发明的上述目的、特征和和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明,使本发明的上述及其他目的、特征和优势更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按比例绘制附图,重点在于示出本发明的主旨。
本发明是一种基于煤矿通风动态解算的瓦斯涌出预测方法,结合图1,可将本发明分为以下步骤:
步骤1,接入矿山物联网,获取矿井内的各种数据信息;
该矿山物联网对煤矿的采掘工程、地质地层、瓦斯地质等进行数字化建模,利用计算机3D技术形成矿山图。同时链接各种传感器、监控系统,实现物物互联,更好的获取各个测点数据。本发明所需获取的数据信息包括:(1)煤矿各巷道内的风阻、风速、风压;(2)巷道厚度、截面积、已开采量、作业时间;(3)所在煤层厚度、深度、体积;(4)瓦斯含量、压力、涌出初速度、测量时间;(5)瓦斯抽放的浓度、负压、流量、累计量;(6)煤矿开采强度、开采率、推进速度。
步骤2,对矿井进行通风网络解算,得到风量分配数据;
在通风网络中,把独立分支风量看作回路风量,同时又当做变量,非独立分支的风量可以用回路风量表示。一个回路中,设想独立分支风量在独立回路中是连续流动的,这样就形成了所谓的“回路风量”,独立分支风量或回路风量便是一级完备的独立分支风量变量。利用图论中的运算法则,可以借助回路风量来表达分支风量,由此列出的风量平衡方程式与回路风压方程式及阻力方程式就构成了由N-M+1个非线性方程式组成的方程组,解此方程组就可以求得回路风量及树枝风量。
假设巷道中的风流在任一巷道截面内的性质是均匀的,即假设为一维流体流动,通风网络图见图2;
通风网络表示为非对称有向图G(V,E),V为通风巷道交叉口构成的点集,E为通风巷道的边集,且若(v,v′)∈E,v,v′∈V,则其中v,v′表示V中不同的两个点;对赋予元组(s,g,Δp),其中其中e表示为E中的一条边;s表示风的阻力系数,单位为N·s2/m8;g表示风的流量,单位为m3/s;Δp表示局部升压即局扇,单位为Pa;v,v′是V中不同的点,定义从v到v′的边集为E+(v)={v′|(v,v′)∈E},从v′到v的边集E-(v)={v′|(u,v′)∈E};
设G′(V,E′)为G(V,E)对应的无向图,定义e的权值
图G′中共有m=|E|+1-|V|条独立回路,设独立回路集合{Ci′|i=1,2,…,m},其中并有(vik,vik+1)∈E′,k=0,1,…,ni;
对叶子结点建立由vl0到vlj(j=1,2,…,nl)的nl条连通路径C″j,令{Ck}={C′i}∪{C″j},Ck表示独立回路集合C′i和连通路径C″j的并集;
给定e(v1,v2)∈E,有v1.p-v2.p=e.s·(e.g)2,其中p表示点的风压。对给定e∈E,则支路风压为
设自然风压为p0,vw为V中任意叶子结点。对任意v∈V,建立由vw到v的路径D,vw对应压力为:p(v)=p0-Σe∈Dρ(e)p(e)。
通风网络方程组如下:
式中e+表示出发点为v点的边,e-表示驶入点为v点的边。
方程求解分为两个部分:
(1)初始化:
利用点面距离法或拉格朗日乘子法,对如下问题优化:
(2)平差迭代:
对给定e∈E,记q(e)=2·(e.s)·|e.g|,对
对令e.g=e.g-ρ(e)·δ。
步骤3,结合风量分配数据和瓦斯传感器数值计算得出瓦斯涌出量;
以通风拓扑G(V,E)为基础,重新赋予边e(∈E)边上的元组(s,g,Δp,Q,q,q′,w),即Q表示边的体积;q,q′分别为瓦斯含量和涌出速率;w表示瓦斯涌出权重;定义:
式中E+(v)是v点涌入风量的边集,E-(v)是v点涌出风量的边集,E(v)是包含v点的边集。
ei∈E-(v),τi表示瓦斯含量占比系数。
γi表示涌入(涌出)瓦斯含量系数,Δt表示单位时间。
记边的属性χi=ei.χ(χ=q,q′,Q),ei∈E,对瓦斯涌出计算须给出如下方程组:
对 表示t+1时刻巷道的瓦斯含量,/>表示t时刻巷道流出瓦斯量,/>表示t时刻巷道流入量,/>表示t时刻巷道瓦斯涌出速率。
设Eλ表示已安装瓦斯浓度传感器的边集;对ei∈Eλ,Ti为实测瓦斯浓度,Qi为边的体积,建立如下等式:
在满足上述方程约束下,优化如下目标函数:
对目标函数的优化为优化这类问题;其中x=[x1,x2,…,xn]T为未知量;Λ为n×n对角矩阵,对角元素为λ1,λ2,…,λn(λi>0);A为m×n系数矩阵,b为n维向量[b1,b2,…,bm]T;求解过程如下:
(1)令对L的列向量l1,l2,…,lm进行正交归一化,得到m′≤m个正交基h,h2,…,hm′;
处理过程如下:
1)令m′=0,i=j=1;
2)当j<m时:如果||h′i||>ε,则hi=h′i/||h′i||,m′=i,i=i+1,其中h′i是列向量li正交归一化的结果,ε是残差;
3)j=j+1,再回到2)。
(2)设u1=[0,0,…,0,1]T为n+1维单位向量,其在h1,h2,…,hm′正交子空间上的投影为设h′为在n+1维上的分量,令/>则||u1-h1||2即为所求最小值。
利用共轭梯度法,建立优化目标函数:xT(ATA+μΛ-1)x-ATb,0<μ<1。
步骤4,进行动态计算优化,得出全矿井的通风,瓦斯状况;
在通风拓补图中,关闭风门所在的边集主扇、局扇所在的边集/>有监测监控数据的点集和边集分别为VM,EM;动态计算优化问题如下:
(1)输入EG,EF及相关参数,求解通风网络,结果与VM,EM相关参数对比;
(2)输入VM,EM相关参数,求解EG,EF及相关参数;
对问题(1),通过对通风网络方程组的直接计算解决。对问题(2),使用遗传算法(GA)求解。
基于遗传算法得到对于问题(2)的求解模型如下:
式中:rj为第j分支的风阻;为第j分支的风量;/>为第j分支的阻力调节值;/>为第j分支风压;/>为第j分支内位能差,亦自然风压;{cij}为基本回路矩阵;{bij}为基本关联矩阵。其中,/> 为第j分支允许风量下限;为第j分支允许风量上限;/>Δhj-min为第j分支允许风压调节下限;/>为第j分支允许风压调节上限。
下面结合图3对步骤5、6进行详细说明。
步骤5,对瓦斯涌出预测所需的样本数据作多元回归分析,对线性部分作拟合预测;
在做多元回归分析之前,先对瓦斯涌出影响因素作分析,根据相关原则,建立瓦斯涌出预测指标体系。瓦斯涌出量受多种因素影响,主要有以下三大方面:(1)地质因素,(2)开采技术,(3)自然因素。此外根据可度量性、具体性、相关性的原则构建瓦斯涌出预测指标体系。建立的瓦斯涌出预测指标体系如下:煤层原始瓦斯含量(m3·t-1)、现时瓦斯涌出量(m3·t-1)、煤层深埋深度(m)、煤层厚度(m)、采高(m)、工作面长度(m)、推进速度(m·d-1)、采出率(%)、临近层瓦斯含量(m3·t-1)、临近层层间距(m)、开采强度(t·d-1)。
对瓦斯涌出量观测数据进行共线性诊断,若无共线性则直接建立多元线性回归模型;若自变量之间存在共线性问题,则对进入方程的变量进行有效的选取或者利用主成分分析提取互相独立的主成分。通过对影响瓦斯涌出的因素进行主成分分析,结果可见图4,得知前四个影响因素即煤层原始瓦斯含量(m3·t-1)、现时瓦斯涌出量(m3·t-1)、煤层深埋深度(m)、煤层厚度(m)对瓦斯涌出量有显著影响,并且所选自变量之间无信息重叠,进一步验证了所选的主成分之间不存在多重共线问题。
利用处理后获取的变量建立瓦斯涌出预测的多元线性回归分析模型。设原始瓦斯涌出量为y,设残差为εi,有
εi=yl(i)-y(i)
yl(i)为多元线性回归分析瓦斯涌出量预测值,y(i)为实际瓦斯涌出量,序列εi中隐含了原序列中的非线性关系。
步骤6,结合机器学习神经网络的方法,对多元回归分析进行补偿修正,得到瓦斯涌出预测模型;
基于神经网络的自学习功能、非线性处理、并行分布式处理以及鲁棒性强的特点,本发明选择神经网络的方法来实现瓦斯涌出预测的非线性部分。以原始瓦斯涌出量为自变量,残差εi为因变量,利用神经网络对非线性函数εi进行逼近,此过程亦是对瓦斯涌出量的非线性部分进行拟合。
神经网络由输入层、隐藏层、输出层三大部分组成,所有的观测数据组成输入层;隐藏层为径向基层,其中隐藏层的变换函数变换函数二位对称的非负非线性径向基函数,且径向基函数选用Gaussian函数。
输入层选择上述构建的瓦斯涌出预测指标,总数为10,重标度方法为标准化;隐藏层节点数设置为10,激活函数选择Softmax函数;输出层为回归分析残差εi,尺度因变量的重标度方法为标准化;激活函数和错误函数分别是恒等和平方和。
利用上述训练好的神经网络对残差进行预测,设神经网络残差预测值为ξi,利用ξi对多元线性函数预测值yl进行修正,得最终模型预测结果为yt=yl+ξi。
在以上的描述中阐述了许多具体细节以便充分理解本发明。但是以上描述仅是本发明的较佳实施例而已,本发明能够以许多不同于在此描述的其他方法来实施,因此本发明不受上面公开的具体实施的限制。凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均属于本发明技术方案保护的范围内。
Claims (6)
1.一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,该方法接入矿山物联网,将布置在井下关键节点检测设备所采集到的数据,带入到建立的通风网络中进行解算,根据求解得到的风量分配数据和收集的瓦斯传感器数值算出井下瓦斯涌出量;根据通风计算结果和测点实时数据,进行动态计算优化,得出全矿井每个局部的瓦斯、通风状况;利用机器学习的方法,对瓦斯涌出量和矿山物联网中的瓦斯地质数据、监测数据进行处理,找出瓦斯涌出量和其他的数据之间关联,得出瓦斯涌出预测模型;
所述的通风网络的解算步骤为:
设巷道中的风流在任一巷道截面内的性质是均匀的,即设为一维流体流动;
通风网络表示为非对称有向图G(V,E),V为通风巷道交叉口构成的点集,E为通风巷道的边集,且若(v,v′)∈E,v,v′∈V,则其中v,v′表示V中不同的两个点;对e∈E,赋予元组(s,g,Δp),其中e表示为E中的一条边;s表示风的阻力系数,单位为N·s2/m8;g表示风的流量,单位为m3/s;Δp表示局部升压即局扇,单位为Pa;v,v′是V中不同的点,定义从v到v′的边集为E+(v)={v′|(v,v′)∈E},从v′到v的边集为E-(v)={v′|(v′,v)∈E};
设G′(V,E′)为G(V,E)对应的无向图,给定e∈E′,定义e的权值为
图G′中共有m=|E|+1-|V|条独立回路,设独立回路集合{C′i|i=1,2,…,m},其中并有(vik,vik+1)∈E′,k=0,1,…,ni;
对叶子结点建立由vl0到vlj,j=1,2,…,nl,的nl条连通路径C″j,令{Ck}={C′i}∪{C″j},Ck表示独立回路集合C′i和连通路径C″j的并集;
给定e(v1,v2)∈E,有v1.p-v2.p=e.s·(e.g)2,其中p表示点的风压;对给定e∈E,则支路风压为
设自然风压为p0,vw为V中任意叶子结点;对任意v∈V,建立由vw到v的路径D,vw对应压力为:p(v)=p0-∑e∈Dρ(e)p(e);
通风网络方程组如下:
其中e+表示出发点为v点的边,e-表示驶入点为v点的边;
井下瓦斯涌出量的计算方法如下:
以通风拓扑G(V,E)为基础,重新赋予边e∈E边上的元组(s,g,Δp,Q,q,q′,w),Q表示边的体积;q,q′分别为瓦斯含量和涌出速率;w表示瓦斯涌出权重;定义:
其中E+(v)是v点涌入风量的边集,E-(v)是v点涌出风量的边集,E(v)是包含v点的边集;
τi表示瓦斯含量占比系数;
γi表示涌入或涌出瓦斯含量系数,Δt表示单位时间;
记边的属性χi=ei.χ(χ=q,q′,Q),ei∈E,对瓦斯涌出计算须给出如下方程组:
对 表示t+1时刻巷道的瓦斯含量,/>表示t时刻巷道流出瓦斯量,/>表示t时刻巷道流入量,/>表示t时刻巷道瓦斯涌出速率;
设Eλ表示已安装瓦斯浓度传感器的边集;对ei∈Eλ,Ti为实测瓦斯浓度,Qi为边的体积,建立如下等式:
在满足上述方程约束下,优化如下目标函数:
2.根据权利要求1所述的一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,目标函数优化方法如下:
对目标函数的优化为优化这类问题;其中x=[x1,x2,…,xn]T为未知量;Λ为n×n对角矩阵,对角元素为λ1,λ2,…,λn,λi>0;A为m×n系数矩阵,b为n维向量[b1,b2,…,bm]T;求解过程如下:
(1)令对L的列向量l1,l2,…,lm进行正交归一化,得到m′≤m个正交基h,h2,…,hm′;
处理过程如下:
1)令m′=0,i=j=1;
2)当j<m时:如果||h′i||>ε,则hi=h′i/||h′i||,m′=i,i=i+1,其中h′i是列向量li正交归一化的结果,ε是残差;
3)j=j+1,再回到2);
(2)设u1=[0,0,…,0,1]T为n+1维单位向量,其在h1,h2,…,hm′正交子空间上的投影为设h′为在n+1维上的分量,令/>则||u1-h1||2即为所求最小值;
利用共轭梯度法,建立优化目标函数:xT(ATA+μΛ-1)x-ATb,0<μ<1。
3.根据权利要求1所述的一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,所述的动态计算优化方法如下:
在通风拓补图中,关闭风门所在的边集主扇、局扇所在的边集/>有监测监控数据的点集和边集分别为VM,EM;动态计算优化问题如下:
(1)输入EG,EF及相关参数,求解通风网络,结果与VM,EM相关参数对比;
(2)输入VM,EM相关参数,求解EG,EF及相关参数;
对问题(1),通过对通风网络方程组的直接计算解决;对问题(2),使用遗传算法GA求解。
4.根据权利要求1所述的一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,所述的瓦斯涌出预测模型采用多元回归分析结合基于机器学习神经网络的方法,目标为上述计算的瓦斯涌出量,样本数据已各个涌出巷道为主题,维度包括:
(1)巷道厚度、截面积、已开采量、作业时间;
(2)所在煤层厚度、体积;
(3)瓦斯含量、压力、涌出初速度、测量时间;
(4)瓦斯抽放的浓度、负压、流量、累计量;
(5)煤矿开采强度、开采率、推进速度。
5.根据权利要求4所述的一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,所述的多元回归分析结合基于机器学习神经网络的方法,具体如下:
瓦斯涌出预测模型得出预测值yt看成是多元线性回归分析预测值yl与残差预测值ξi两部分组成,即yt=yl+ξi;多元线性回归能够对瓦斯涌出量的线性部分进行拟合预测,并根据多元线性回归分析方程对瓦斯涌出影响因素进行变量分析及控制;再利用神经网络的非线性逼近能力对瓦斯涌出量的非线性部分进行拟合预测,并对多元线性回归分析进行补偿修正,弥补线性模型的不足,以提高瓦斯涌出预测模型的精度。
6.根据权利要求5所述的一种基于煤矿通风动态解算的瓦斯涌出预测方法,其特征在于,所述的瓦斯涌出预测模型采用多元回归分析结合基于机器学习神经网络的方法,基本步骤如下:
(1)对瓦斯涌出影响因素进行选取,建立瓦斯涌出量预测指标体系,收集原始数据;
(2)对瓦斯涌出量观测数据进行共线性诊断,若无共线性则直接建立多元线性回归模型;若自变量之间存在共线性问题,则对进入方程的变量进行选取或者利用主成分分析提取互相独立的主成分,利用处理后获取的变量建立瓦斯涌出量预测的多元线性回归分析模型;设原始瓦斯涌出量为y,设神经网络残差为εi,有εi=yl(i)-y(i),其中yl(i)为多元线性回归分析瓦斯涌出量预测值,y(i)为实际瓦斯涌出量,序列εi中隐含了原序列中的非线性关系;
(3)以原始瓦斯涌出量为自变量,残差εi为因变量,利用神经网络对非线性函数εi进行逼近,此过程亦是对瓦斯涌出量的非线性部分进行拟合;
(4)利用(3)训练好的网络对残差进行预测,设神经网络残差预测值为ξi,利用ξi对多元线性函数预测值yl进行修正,得最终模型预测结果为yt=yl+ξi。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081763.2A CN110750941B (zh) | 2019-11-07 | 2019-11-07 | 一种基于煤矿通风动态解算的瓦斯涌出预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911081763.2A CN110750941B (zh) | 2019-11-07 | 2019-11-07 | 一种基于煤矿通风动态解算的瓦斯涌出预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750941A CN110750941A (zh) | 2020-02-04 |
CN110750941B true CN110750941B (zh) | 2023-09-15 |
Family
ID=69282558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911081763.2A Active CN110750941B (zh) | 2019-11-07 | 2019-11-07 | 一种基于煤矿通风动态解算的瓦斯涌出预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750941B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257927B (zh) * | 2020-10-22 | 2023-12-15 | 上海基蓝软件有限公司 | 一种基于sf6的全风网风量精确测试方法 |
CN113605957B (zh) * | 2021-08-04 | 2022-06-10 | 煤炭科学研究总院有限公司 | 煤层瓦斯抽采诱发煤体自燃的预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1244349A1 (ru) * | 1985-04-10 | 1986-07-15 | Всесоюзный Научно-Исследовательский Геологоразведочный Институт Угольных Месторождений | Способ прогноза газообильности выемочных участков угольных шахт |
CN103711523A (zh) * | 2013-12-24 | 2014-04-09 | 华北科技学院 | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 |
CN107122861A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 一种基于pca‑pso‑elm的瓦斯涌出量预测方法 |
-
2019
- 2019-11-07 CN CN201911081763.2A patent/CN110750941B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1244349A1 (ru) * | 1985-04-10 | 1986-07-15 | Всесоюзный Научно-Исследовательский Геологоразведочный Институт Угольных Месторождений | Способ прогноза газообильности выемочных участков угольных шахт |
CN103711523A (zh) * | 2013-12-24 | 2014-04-09 | 华北科技学院 | 基于局域分解-进化神经网络的瓦斯浓度实时预测方法 |
CN107122861A (zh) * | 2017-04-28 | 2017-09-01 | 辽宁工程技术大学 | 一种基于pca‑pso‑elm的瓦斯涌出量预测方法 |
Non-Patent Citations (3)
Title |
---|
康与涛 ; 罗新荣 ; 杨飞 ; 张爱然 ; .基于瓦斯流监测可视化的矿井风网实时解算.能源技术与管理.2008,(第02期),全文. * |
毕建武.基于多元回归残差RBF神经网络修正算法瓦斯涌出量预测研究.《中国硕士优秀学位论文全文数据库 工程科技I辑》.2017,第3-4章. * |
白伟 ; .利用AVENT软件和Scott-Hinsley迭代法解算矿井通风网络.现代矿业.2016,(第06期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110750941A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Dynamic evaluation of drilling leakage risk based on fuzzy theory and PSO-SVR algorithm | |
CN111441758B (zh) | 页岩油气甜点区的预测方法及装置 | |
Rostami et al. | Rigorous prognostication of permeability of heterogeneous carbonate oil reservoirs: Smart modeling and correlation development | |
Kaydani et al. | Permeability estimation in heterogeneous oil reservoirs by multi-gene genetic programming algorithm | |
BR102019022525A2 (pt) | método e sistema de monitoramento e otimização online das operações de mineração e processamento de minérios | |
CN112100727B (zh) | 一种断层破碎带影响下的富水隧道突水的预警防控方法 | |
Huang et al. | Machine learning-based automatic control of tunneling posture of shield machine | |
CN110750941B (zh) | 一种基于煤矿通风动态解算的瓦斯涌出预测方法 | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
Yu et al. | Application of a BP neural network in predicting destroyed floor depth caused by underground pressure | |
Zhou et al. | Fast prediction of reservoir permeability based on embedded feature selection and LightGBM using direct logging data | |
CN102194056A (zh) | 煤层顶底板突水危险评价预测的bn-gis方法 | |
Jiang et al. | Quantitative evaluation of mining geo-environmental quality in Northeast China: comprehensive index method and support vector machine models | |
CN107491846A (zh) | 采用类比法对煤炭资源进行概略技术经济评价的方法 | |
Ping-hua et al. | Recognition model of groundwater inrush source of coal mine: a case study on Jiaozuo coal mine in China | |
Wang et al. | Application of fuzzy analytic hierarchy process in sandstone aquifer water yield property evaluation | |
Agoubi et al. | A Mamdani adaptive neural fuzzy inference system for improvement of groundwater vulnerability | |
CN114357750A (zh) | 一种采空区充水状态评估方法 | |
Zhang et al. | The application of machine learning under supervision in identification of shale lamina combination types—A case study of Chang 73 sub-member organic-rich shales in the Triassic Yanchang Formation, Ordos Basin, NW China | |
Zou et al. | Intelligent control of smooth blasting quality in rock tunnels using BP-ANN, ENN, and ANFIS | |
Xu et al. | RETRACTED ARTICLE: Source discrimination of mine water inrush based on Elman neural network globally optimized by genetic algorithm | |
RU2014146091A (ru) | Способ оптимизации процесса разработки и выработки запасов нефтяных и газовых месторождений | |
Yi et al. | Spatial correlation-based machine learning framework for evaluating shale gas production potential: A case study in southern Sichuan Basin, China | |
CN116090696A (zh) | 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法 | |
Gao et al. | Gas outburst prediction based on the intelligent Dempster-Shafer evidence theory |
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 |