CN111291997A - 基于随钻测量技术的煤层冲击危险性实时评估方法 - Google Patents
基于随钻测量技术的煤层冲击危险性实时评估方法 Download PDFInfo
- Publication number
- CN111291997A CN111291997A CN202010099143.8A CN202010099143A CN111291997A CN 111291997 A CN111291997 A CN 111291997A CN 202010099143 A CN202010099143 A CN 202010099143A CN 111291997 A CN111291997 A CN 111291997A
- Authority
- CN
- China
- Prior art keywords
- drilling
- optimal
- training set
- neural network
- parameters
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 290
- 238000011156 evaluation Methods 0.000 title claims abstract description 114
- 239000003245 coal Substances 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 title claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012417 linear regression Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 163
- 238000012549 training Methods 0.000 claims description 161
- 239000011435 rock Substances 0.000 claims description 34
- 238000005065 mining Methods 0.000 claims description 33
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005641 tunneling Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 239000002817 coal dust Substances 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Geology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Geochemistry & Mineralogy (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geophysics (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种基于随钻测量技术的煤层冲击危险性实时评估方法，它是以对煤体进行钻进的同时同步采集钻机的钻进参数和钻屑量数据作为样本数据，建立多元线性回归模型、神经网络模型和优化的神经网络预测模型，将钻进参数作为预测模型的输入，钻屑量作为输出，对比选择最优的模型作为最终的预测模型并自动更新至现场施工移动终端和地上电脑终端，在对煤层进行日常冲击危险性评估时，利用最终的预测模型对从预评估的煤体采集得到的钻进参数进行自动分析，以此来对该煤体进行冲击危险性评估；本发明减少了钻屑量的收集工作，大大简化了煤体的冲击危险性评估程序，缩短了评估时间，降低了评估成本。
Description
技术领域
本发明涉及采矿工程冲击地压评估领域，尤其涉及一种基于随钻测量技术的煤层冲击危险性实时评估方法。
背景技术
从能源需求角度看，我国以煤炭为主的能源格局短时间内不会改变，煤炭比重较长时间内将保持在50％左右，且煤炭开采95％左右以地下井工开采为主。目前，煤炭开采以每年10-20m的速度向深部延伸，深部开采在中东部已逐渐成为常态，伴随开采深度的增加，煤层面临高瓦斯、高地应力、高岩溶水压的作用，同时开采过程中煤层应力场异常复杂且受反复扰动影响，极易发生冲击地压。我国冲击地压灾害预防技术经过多年发展，基本明确了发生冲击地压煤岩体物理力学特性，即冲击多发生在具有冲击倾向性且积聚大量弹性能区域煤岩体。
冲击地压的预测方法，除了以往的经验类比法外，大致可以分为两类。一类是以钻屑法为主的局部探测法，包括煤岩体变形观测法、煤岩体应力测量法、流动地音检测法、岩饼法等。这类方法主要用于探测采掘局部区段的冲击危险程度，操作工艺简单易行，工人容易掌握，已经得到广泛应用。但这类方法的缺点是预测工作在时间、空间上不连续，费工费时。
第二类是地球物理系统监测方法，包括地音系统监测法和微震系统监测法，以及其他地球物理方法，如：电磁辐射、地温、地磁等。该类方法可以实现在空间和时间上的连续监测。但采用此方法投入成本较大，并且数据维护管理较困难，分析数据和判定煤岩体的力学状态难度较大，需要经过长期试验，积累大量经验数据才可准确预测。
中国专利授权公告号CN 103104294 B公开了一种冲击地压的预测方法，它是根据利用人工分析主振频率随时间或钻孔深度变化曲线的畸变点个数来预测煤层的冲击地压倾向性，再结合钻屑量和预钻孔时所得到的振动频谱曲线综合预测冲击地压。该方法与传统钻屑法相比，不同之处是将钻屑法中的辅助参数(吸钻、卡钻和钻孔冲击现象)数字化，在一定程度上提高了冲击地压预测的准确性，但是还存在以下缺陷，一是预测冲击地压时，仍然需要对每个钻孔进行煤粉量的收集工作，对于每个回采工作面或者掘进工作面需要钻进几百甚至上千个钻孔，这种煤粉量的收集工作大大降低了冲击地压预测的效率；二是由于采用人工处理振动数据，导致处理结果误差大，效率低，时效差；三是采集到的振动信号需要进行幅值域分析等方法进行预处理，得到振动指标(无量纲幅域参数)，过程复杂，进而增加了样本数据的获取难度；另外振动信号的采集容易受到工作现场环境噪声的影响，影响最终的预测精度。
因此，开发一种基于随钻测量技术的煤层冲击危险性实时评估方法，在煤岩体钻孔过程中，通过采集钻机的钻进参数数据，建立多元线性回归模型、神经网络模型和优化的神经网络预测模型并对比选定最优的预测性能，再利用选定的最优预测模型直接实时评估煤体的冲击危险性等级，则可大大简化评估程序，缩短评估时间，提高评估精度，避免现行技术存在的技术瓶颈。
发明内容
为了真正实现煤层冲击危险性预测的正确性、客观性和高效性，本发明提出了一种过程简单、受工作现场环境影响小的基于振动监测技术的煤层冲击危险性实时评估方法。
本发明的目的是针对现有技术存在的不足，提出了一种基于随钻测量技术的煤层冲击危险性实时评估方法。
为实现上述目的，本发明采用如下技术方案：
一种基于随钻测量技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：
第一步：样本信号采集
对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别利用钻屑法对煤体钻孔，钻孔过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机的钻进参数，钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量，其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；
第二步：样本信号预处理
将步骤一采集到的每个等级的所有样本信号中的钻进参数按每一米分别取平均值，每一米的钻进参数平均值和相对应的1个钻屑量数据构成一个数据集，每个等级所有的数据集构成各自的样本数据库，为了消除数量级的影响，将样本数据库中的6个钻进参数归一化到[0-1]数值，同样对相应的钻屑量数据进行归一化到[0-1]；
第三步：确定最优预测模型及参数
将采集到的样本数据库分按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，钻屑量作为预测模型的输出，具体方法如下：
3.1：采用多元线性回归模型对钻屑量进行预测，得到最优的模型评价指标值；
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出对应的钻屑量预测值，根据测试集的钻屑量预测值和实际值分别计算模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值,该模型评价指标值便是通过多元线性回归模型得到的最优的模型评价指标值；
3.2：采用神经网络模型对钻屑量进行预测，确定最优的神经网络模型参数，同时得到最优的模型评价指标值，具体方法分为：
3.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；
3.2.2：对于神经网络的输入维度，设置对照试验，设置6个钻进参数的全部不同组合分别设置为神经网络的输入，即神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练，将测试集的钻进参数输入训练后的神经网络，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值。分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大，将每个训练集或测试集的三个模型评价指标排序序号值分别进行相加，每个测试集或训练集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.2.3：为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤3.2.2中确定的最优钻进参数组合设置为神经网络的输入，神经网络的隐含层设置为1层，对训练集进行训练后，将测试集的钻进参数输入训练后的神经网络，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值同时确定最优的隐含层节点数；
3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，最终得到最优的模型评价指标值：
3.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的种群数量；
3.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.3.4：采用步骤3.3.1、步骤3.3.2和步骤3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；
3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，最终确定最优的模型评价指标值：
3.4.1：采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
3.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的种群数量；
3.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.4.4：采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的模型评价指标值；
3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化采用采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终得到最优的模型评价指标值：
3.5.1：采用试错法确定神经网络最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的总国家数量；
3.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为3.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的的排序原则，确定最优的帝国主义国家数量；
3.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.5.5：采用步骤3.5.1到步3.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；
3.6：对步骤3.1到步骤3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值进行对比，同样利用步骤3.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数；
第四步：冲击危险性快速实时评估
当开采到下一个相同冲击地压危险性等级工作面时，仅对预监测评估的工作面煤体进行钻孔作业和采集每米钻机钻进参数，不记录钻屑量，采集的钻进参数采用第二步中的信号预处理对钻进参数求平均并归一化，再利用最优预测模型对预处理后的钻进参数进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的临界值进行对比，进而对冲击危险性等级进行评定；
第五步：在开采进入下一个阶段水平时，重复步骤一到四。
上述步骤一到五，除了钻进作业、钻屑量数据采集是由人工进行操作，其余过程均由程序自动运行，无需人工干预。
步骤一中所述的钻机采用气动手持式或者支架式钻机，1m插接式麻花钻杆和Φ42mm钻头。
本发明所带来的有益技术效果是：
煤矿井下每个开采水平阶段往往有一二十个工作面，现有技术对于具有冲击倾向性的煤层每开采完一个工作面就需要对下一个工作面的冲击地压危险等级进行综合评估，对于评估结果等级为弱冲击、中等冲击或强冲击的工作面开采时需要采用钻屑法监测评估煤层冲击危险性，一般每个工作面需要钻进数百个钻孔，每个钻孔钻进的同时需要同步采集近10次钻屑量，而本发明方法只需对每个开采水平阶段采用钻屑法对初次遇到的不同危险等级的部分工作面进行常规钻屑收集称重作业，获取样本数据后，当开采到下一个同危险等级的工作面时仅需钻孔作业，不再进行钻屑的搜集称重作业，只需用本发明的方法即可快速获得该工作面冲击地压的危险程度，大大简化了煤岩体的冲击危险性评估程序，缩短了评估时间，降低了评估成本；根据钻杆的钻进参数来评估煤体冲击危险性，大大降低了人工评估的主观因素的影响，从而保证了评估结果的客观准确性；同时，对比使用多元线性回归模型、神经网络模型和优化的神经网络模型进行钻进参数到钻屑量的预测，进而实现煤岩体冲击危险性等级的评估，保证了评估的精度；另外，使用评估结果可以实时显示在现场移动终端和地上电脑端，实现了评估的实时化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述基于随钻测量技术的煤层冲击危险性实时评估方法实施例的示意图；
图2为本发明一种实施方式的流程示意图。
图中，1、钻进参数采集装置；2、钻机底座；3、信号收发器；4、数据物理存储端；5、煤体；6、地上电脑终端；7、现场施工移动终端。
具体实施方式
为了更加简明扼要叙述本发明整体操作过程，以某矿井-300米水平开采阶段为例，该水平阶段共开采一层煤(3#煤)，该层煤已完成煤层冲击倾向性鉴定，鉴定结果为具有冲击倾向性，该水平开采阶段设计规划共有10个回采工作面和20个掘进工作面，对于所有工作面开采和掘进前均需要先进行冲击危险性综合评估，对于综合评估结果为弱、中等和强冲击等级的工作面需要在开采或掘进过程中进行冲击地压的监测评估，在开采或掘进过程中则利用本发明方法高效快速准确地预测冲击地压危险程度。为了便于叙述，该开采水平阶段各工作面按照开采顺序，依次称为第一工作面，第二工作面，第三工作面，……以此类推。
下面结合附图1-2详述利用本发明方法对该矿井-300米水平开采阶段煤层冲击危险性实时评估过程如下：
第一步：连接信号采集装置
参照图1，将钻进参数采集装置1固定在气动钻机底座2上，钻进参数采集装置1安装之后，调试并确保钻进参数采集装置1的信号传输正常，钻进参数采集装置1采集的钻进参数信号通过无线传输至信号收发器3，所述无线的信号收发器3并入煤矿采场有线(或无线)传输网络，实现采集的信号实时传送至地上的数据物理存储端4和现场施工移动终端7，钻进参数采集装置1采集的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量。其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数。
所述的钻机采用气动手持式或者支架式钻机，1m插接式麻花钻杆和Φ42mm钻头。
所述钻进参数采集装置为现有技术，参考申请号201510159253.8应用于钻机的地质状况实时反映与超前探测系统及方法。
第二步：样本信号采集
对于该矿井-300米水平开采阶段，首先进行第一回采工作面的开采，按照常规，在开采前首选利用现有技术(比如综合指数法)综合评估第一回采工作面冲击地压危险程度，经评估为最高危险等级-强冲击，需要在开采过程中进行冲击地压的监测评估，利用钻屑法在第一回采工作面煤体5钻若干个有代表性的钻孔进行监测评估，每3-4天监测一次，监测钻孔布置方式为：距工作面煤壁15-20米范围内开始，向回采方向100米范围内进行布置监测钻孔，监测钻孔数量为4-5个，钻孔间距为25-20米，钻孔地点、孔距可根据现场实际情况进行适当调整；钻孔布置在采高中部、平行于层面，垂直于煤壁，选取煤壁中较为完整、破碎较少的部分；钻孔孔深10m。每个钻孔在钻进过程中从第一米开始每钻孔一米后停止钻进，收集钻屑量数据，同步采集钻进时钻机参数。具体为：采用钻屑法对煤体钻孔时钻进参数采集装置同步采集钻进时钻机的钻进参数，将钻进参数通过信号收发器传送至数据物理存储端4，每钻孔一米后停止钻进，收集钻屑量数据，记录至现场施工移动终端7，经信号收发器3传输至物理存储端。为避免误差的影响，忽略每个钻孔的第1个一米的数据，从第2米开始进行采集，对于需要进行冲击地压监测评估的掘进工作面，当进行掘进期间的钻屑法监测时，采用同样的方法收集监测钻孔的钻屑量和钻进参数；
第三步：样本信号预处理
将步骤二采集到的所有样本信号中的钻进参数按每一米取平均值，每一米的每个钻进参数平均值和相对应的1个钻屑量数据构成一个数据集，所有的数据集构成危险等级为强冲击工作面的样本数据库，为了消除数量级的影响，将样本数据库中的6个钻进参数归一化到[0-1]数值，同样对相应的钻屑量数据进行归一化到[0-1]；
第四步：确定最优预测模型及参数
将采集到的样本数据库分按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，钻屑量作为预测模型的输出，具体过程为：
4.1：采用多元线性回归模型对钻屑量的预测，得到最优的模型评价指标值；
对训练集进行多元线性回归拟合，得到拟合方程式Y＝b1x1+b2x2+L+bnxn+c，其中Y为钻屑量，n为钻进参数的数量，x1-xn为各钻进参数，b1-bn分别为各钻进参数对应的回归系数，，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的钻屑量预测值，根据测试集钻屑量预测值和测试集实际值分别计算模型评价指标值，即均方根误差(RMSE)、决定系数(R2)、方差占比(VAF)值，该模型评价指标值便是通过多元线性回归模型确定的最优的模型评价指标值；
4.2：采用神经网络模型对钻屑量进行预测，以便确定神经网络模型的主要参数，同时得到最优的模型评价指标值，具体如下：
4.2.1：采用试错法确定最优的神经网络的学习率、动量系数、激活函数；
4.2.2：对于神经网络的输入维度，设置对照试验，设置6个钻进参数的全部不同组合分别设置为神经网络的输入，即神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集进行训练得到训练集对应的钻屑量预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的钻屑量预测值，根据训练集和测试集各自的钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大，将每个训练集或测试集的三个模型评价指标排序序号值分别进行相加，每个训练集或测试集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
4.2.3：为了充分对比不同隐含层节点数对神经网络的预测性能的影响，设置对照试验，设置不同的隐含层节点数量如15、20、25、30、35、40、45、50、55、60、65、70、75、80、85、90、95、100，将步骤4.2.2中确定的最优钻进参数组合设置为神经网络的输入，神将网络的隐含层设置为1层，对训练集进行训练后得到训练集对应的钻屑量预测值，将测试集的钻进参数输入训练后的神经网络，得到测试集对应的钻屑量预测值，根据训练集和测试集各自的预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的模型评价指标值同时确定最优的隐含层节点数，进而确定最优的神经网络模型参数；
4.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤4.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，最终得到最优的模型评价指标值：
4.3.1：采用试错法确定最优的变异概率和交叉概率参数；
4.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据训练集和测试集的钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的种群数量；
4.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据训练集钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
4.3.4：采用步骤4.3.1、步骤4.3.2和步骤4.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的模型评价指标值；
4.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤4.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，最终得到最优的模型评价指标值：
4.4.1：采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
4.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用4.2.2中的排序原则，确定最优的种群数量；
4.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
4.4.4：采用步骤4.4.1、步骤4.4.2和步骤4.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的模型评价指标值；
4.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤4.2中确定的最优的参数，以便确定种群算法的主要参数，最终得到最优的模型评价指标值：
4.5.1：采用试错法确定神经网络最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
4.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的总国家数量；
4.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为步骤4.5.2中确定的最优的总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的帝国主义国家数量；
4.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤4.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
4.5.5：采用步骤4.5.1、4.5.2、4.5.3和4.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤4.2.2中的排序原则，确定最优的模型评价指标值；
4.6：对步骤4.1到步骤4.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标进行对比，同样利用步骤4.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数；
第五步：冲击危险性快速实时评估
现场施工移动终端和地上电脑终端的预测模型自动设置为步骤4.6获得的最优钻屑量预测模型及参数；当开采或掘进完第一工作面的时候，对第二工作面的冲击地压危险强度进行综合评估，此时会出现两种情况：
第一种情况：如果评估结果和第一工作面一样，即为强冲击危险强度，此时仅需对第二工作面煤体进行钻孔作业和采集每米钻机钻进参数，不记录钻屑量，采集的钻机钻进参数通过无线传输至信号收发器3，经信号收发器3分别传输至现场施工移动终端7和地上电脑终端6，两终端的预测程序自动进行步骤三中的信号预处理对钻进参数求平均并归一化，再利用最优预测模型对预处理后的钻进参数进行分析，预测出相对应的钻屑量；将预测得的钻屑量与相应的临界值进行对比，进而对冲击危险性等级进行评定。
第二种情况，如果评估结果和第一工作面不一样，即不是强冲击危险强度，此时需要重复步骤一到四，从而获得与第二工作面评估危险程度一致的最优的煤层钻屑量预测模型及参数，以后在该开采水平阶段，只要开采或掘进到与第一或第二工作面相同评估危险等级的工作面，都只需用本发明方法快速预测危险等级即可，以此类推。
第六步：在开采进入下一个阶段水平时，重复步骤一到步骤五。
当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的指导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。
Claims (1)
1.一种基于随钻测量技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：
第一步：样本信号采集
对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别对煤体钻孔，钻孔过程中从第一米开始每钻孔一米收集钻屑量数据，同步采集钻进时钻机的钻进参数；
所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量，其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：
其中，Ed为钻进比能，A为钻杆截面积，L为钻杆冲程，Ns为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；
第二步：样本信号预处理
将步骤一采集到的每个等级的所有样本信号中的钻进参数按每一米分别取平均值，每一米的钻进参数平均值和相对应的1个钻屑量数据构成一个数据集，每个等级所有的数据集构成各自的样本数据库，将样本数据库中的6个钻进参数和相应的钻屑量数据均归一化到[0-1]数值；
第三步：确定最优预测模型及参数
将采集到的样本数据库分按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，钻屑量作为预测模型的输出，具体方法如下：
3.1：采用多元线性回归模型对钻屑量进行预测，得到最优的模型评价指标值；
对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的钻屑量预测值，根据测试集的钻屑量预测值和实际值分别计算模型评价指标值，即均方根误差RMSE、决定系数R2、方差占比VAF值,该模型评价指标值便是通过多元线性回归模型得到的最优的模型评价指标值；
3.2：采用神经网络模型对钻屑量进行预测，确定最优的神经网络模型参数，同时得到最优的模型评价指标值，具体方法分为：
3.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；
3.2.2：对于神经网络的输入维度，设置对照试验，神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的钻屑量预测值，根据训练集和测试集的钻屑量预测值和实际值分别计算它们的模型评价指标RMSE、R2、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R2和VAF值获得的排序序号值越大，将每个训练集或测试集的三个模型评价指标排序序号值分别进行相加，每个测试集或训练集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；
3.2.3：设置对照试验，设置不同的隐含层节点数量，将步骤3.2.3中确定的最优钻进参数组合设置为神经网络的输入，神经网络的隐含层设置为1层，对训练集进行训练后，将测试集的钻进参数输入训练后的神经网络，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值同时确定最优的隐含层节点数；
3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，最终得到最优的模型评价指标值：
3.3.1：采用试错法确定最优的变异概率和交叉概率参数；
3.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的种群数量；
3.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；
3.3.4：采用步骤3.3.1、步骤3.3.2和步骤3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；
3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，最终确定最优的模型评价指标值：
3.4.1：采用试错法确定最优的自适应参数c1,c2和惯性因子参数；
3.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的种群数量；
3.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；
3.4.4：采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的模型评价指标值；
3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化采用采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终得到最优的模型评价指标值：
3.5.1：采用试错法确定神经网络最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；
3.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的总国家数量；
3.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为3.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的的排序原则，确定最优的帝国主义国家数量；
3.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；
3.5.5：采用步骤3.5.1到步3.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R2、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；
3.6：对步骤3.1到步骤3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值进行对比，同样利用步骤3.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数；
第四步：冲击危险性快速实时评估
当开采到下一个相同冲击地压危险性等级工作面时，仅对预监测评估的工作面煤体进行钻孔作业和采集每米钻机钻进参数，不记录钻屑量，采集的钻进参数采用第二步中的信号预处理对钻进参数求平均并归一化，再利用最优预测模型对预处理后的钻进参数进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的临界值进行对比，进而对冲击危险性等级进行评定；
第五步：在开采进入下一个阶段水平时，重复步骤一到四。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099143.8A CN111291997B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010099143.8A CN111291997B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111291997A true CN111291997A (zh) | 2020-06-16 |
| CN111291997B CN111291997B (zh) | 2022-02-25 |
Family
ID=71021399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010099143.8A Active CN111291997B (zh) | 2020-02-18 | 2020-02-18 | 基于随钻测量技术的煤层冲击危险性实时评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111291997B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111636859A (zh) * | 2020-07-09 | 2020-09-08 | 中煤科工集团重庆研究院有限公司 | 基于微破裂波检测的煤岩随钻自识别方法 |
| CN112145151A (zh) * | 2020-09-27 | 2020-12-29 | 中国矿业大学 | 一种基于随钻响应参数的冲击危险性动态探测及评估方法 |
| CN113268799A (zh) * | 2021-05-27 | 2021-08-17 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
| CN113807025A (zh) * | 2021-10-08 | 2021-12-17 | 浪潮云信息技术股份公司 | 基于全局优化算法构建神经网络力场模型的方法 |
| CN116842854A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
| CN118133906A (zh) * | 2024-05-10 | 2024-06-04 | 煤炭科学研究总院有限公司 | 煤矿冲击地压强度分级预测模型的训练方法及预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260599A (zh) * | 2015-09-30 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
| CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
| CN206057093U (zh) * | 2016-09-13 | 2017-03-29 | 西安科技大学 | 一种钻屑法预测冲击地压实验模拟系统 |
| CN109812259A (zh) * | 2017-11-20 | 2019-05-28 | 辽宁工程技术大学 | 一种煤矿用钻孔多指标测试装置及方法 |
| CN110778363A (zh) * | 2019-11-06 | 2020-02-11 | 山东科技大学 | 一种多参量随钻测量确定煤体应力高峰区并预警的方法 |
-
2020
- 2020-02-18 CN CN202010099143.8A patent/CN111291997B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105260599A (zh) * | 2015-09-30 | 2016-01-20 | 山东黄金矿业(莱州)有限公司三山岛金矿 | 一种基于bp神经网络建模的冲击地压动态预测方法 |
| CN105938611A (zh) * | 2016-07-06 | 2016-09-14 | 山东大学 | 一种基于随钻参数对地下工程围岩快速实时分级的方法 |
| CN206057093U (zh) * | 2016-09-13 | 2017-03-29 | 西安科技大学 | 一种钻屑法预测冲击地压实验模拟系统 |
| CN109812259A (zh) * | 2017-11-20 | 2019-05-28 | 辽宁工程技术大学 | 一种煤矿用钻孔多指标测试装置及方法 |
| CN110778363A (zh) * | 2019-11-06 | 2020-02-11 | 山东科技大学 | 一种多参量随钻测量确定煤体应力高峰区并预警的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王春华 等: "钻杆多指标法测定煤体应力试验研究", 《煤炭科学技术》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111636859A (zh) * | 2020-07-09 | 2020-09-08 | 中煤科工集团重庆研究院有限公司 | 基于微破裂波检测的煤岩随钻自识别方法 |
| CN111636859B (zh) * | 2020-07-09 | 2022-08-16 | 中煤科工集团重庆研究院有限公司 | 基于微破裂波检测的煤岩随钻自识别方法 |
| CN112145151A (zh) * | 2020-09-27 | 2020-12-29 | 中国矿业大学 | 一种基于随钻响应参数的冲击危险性动态探测及评估方法 |
| CN113268799A (zh) * | 2021-05-27 | 2021-08-17 | 深圳市岩土综合勘察设计有限公司 | 一种基于随钻数据预测溶洞埋深和尺寸的方法及系统 |
| CN113807025A (zh) * | 2021-10-08 | 2021-12-17 | 浪潮云信息技术股份公司 | 基于全局优化算法构建神经网络力场模型的方法 |
| CN116842854A (zh) * | 2023-09-01 | 2023-10-03 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
| CN116842854B (zh) * | 2023-09-01 | 2023-11-07 | 山东科技大学 | 基于优化神经网络的煤体应力智能预测和异径卸压方法 |
| CN118133906A (zh) * | 2024-05-10 | 2024-06-04 | 煤炭科学研究总院有限公司 | 煤矿冲击地压强度分级预测模型的训练方法及预测方法 |
| CN118133906B (zh) * | 2024-05-10 | 2024-07-12 | 煤炭科学研究总院有限公司 | 煤矿冲击地压强度分级预测模型的训练方法及预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111291997B (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291997B (zh) | 基于随钻测量技术的煤层冲击危险性实时评估方法 | |
| CN111291934B (zh) | 一种隧道施工过程中围岩实时分级预测及自检方法 | |
| CN111325461B (zh) | 基于振动监测技术的煤层冲击危险性实时评估方法 | |
| US8145462B2 (en) | Field synthesis system and method for optimizing drilling operations | |
| CN105785471A (zh) | 一种矿井预开采煤层的冲击危险性评价方法 | |
| US11789173B1 (en) | Real-time microseismic magnitude calculation method and device based on deep learning | |
| CN111722270A (zh) | 一种基于随钻监测设备的短距离超前地质预报方法 | |
| CN116522692B (zh) | 地下工程围岩结构特征原位探测与分级方法 | |
| CN113074695A (zh) | 一种基于掌子面三维变形监测的隧道稳定性判释方法 | |
| CN113279746A (zh) | 一种套管变形风险区域的确定方法及应用 | |
| CN104200284A (zh) | 矿井断层构造预测方法 | |
| CN114692410B (zh) | 基于地应力场反演数值距平分析的矿井动力灾害预估方法 | |
| CN115586086A (zh) | 一种基于大数据的井壁失稳分析方法 | |
| CN111340275B (zh) | 基于随钻探测技术的隧道支护模式选型实时预测方法 | |
| CN117805938B (zh) | 一种基于深度学习的围岩地质力学参数智能预测方法 | |
| CN116049942A (zh) | 一种应用于施工的软岩大变形快速判别及分级方法 | |
| CN111582528A (zh) | 一种基于断裂预测与动态响应的井间连通性判别方法 | |
| CN116756953A (zh) | 隧道施工期锚杆支护设计动态优化方法及装置 | |
| CN116816340A (zh) | 一种地层岩性及地质结构随钻智能识别方法及系统 | |
| CN116378769A (zh) | 一种矿山地压活动监测系统 | |
| CN113468646B (zh) | 基于地质力学模型和机器学习检测地热井风险的方法 | |
| CN112347424B (zh) | 一种基于Weibull函数的超高温高压开发安全钻井概率的评估方法 | |
| CN105698853B (zh) | 一种工作面回采期间围岩锚注支护效果的检测方法 | |
| CN112418598B (zh) | 一种页岩气井压后各段产气贡献率评价方法 | |
| Maity et al. | Quantifying proppant in the SRV along a fractured well at the hydraulic fracturing test site: A proppant log case study from Permian-Delaware Basin |
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 |