CN111324988A - 基于机器学习的瓦斯超限预警模型构建方法及预警方法 - Google Patents
基于机器学习的瓦斯超限预警模型构建方法及预警方法 Download PDFInfo
- Publication number
- CN111324988A CN111324988A CN202010138067.7A CN202010138067A CN111324988A CN 111324988 A CN111324988 A CN 111324988A CN 202010138067 A CN202010138067 A CN 202010138067A CN 111324988 A CN111324988 A CN 111324988A
- Authority
- CN
- China
- Prior art keywords
- gas
- early warning
- warning model
- overrun early
- model
- 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
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH 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
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH DRILLING; MINING
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F7/00—Methods or devices for drawing- off gases with or without subsequent use of the gas for any purpose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明公开了一种基于机器学习的瓦斯超限预警模型构建方法及预警方法,属于瓦斯超限预警领域,要解决的技术问题为如何对瓦斯涌出量进行预测以及及时预警。方法包括如下步骤:通过实验分析得到瓦斯相关特征;对于目标煤矿,采集瓦斯相关特征,构建训练集;基于MLP神经网络构建瓦斯超限预警模型;以训练集为输入,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化;对于训练后瓦斯超限预警模型,对权重系数矩阵进行正则化处理。方法包括如下步骤:通过上述方法构建瓦斯超限预警模型;计算抽采瓦斯量,计算绝对瓦斯涌出量;计算风排瓦斯量;基于风排瓦斯量计算瓦斯浓度百分率;基于瓦斯浓度百分率生成瓦斯超限评估报告。
Description
技术领域
本发明涉及以瓦斯超限预警领域,具体地说是一种基于机器学习的瓦斯超限预警模型构建方法及预警方法。
背景技术
近年来,我国重大事故死亡人数居高不下,其中瓦斯爆炸造成的死亡人数占50%以上,其中高瓦斯含量的矿井占全国统配煤矿总数的46%,而大部分矿井的瓦斯预警技术相对落后、检测系统的能力不足,成为实现安全生产的最大障碍。煤与瓦斯事故发生的影响因素众多,其致因也非常复杂,根据目前的研究情况,瓦斯超限预警技术受限的原因较多,主要存在以下的问题:预警指标不完善,覆盖因素不全或未覆盖主要影响因素,预警模型数据集较少及分析能力不足,预警信息对矿端的实时监测能力不足、预警准确率不足。
我国目前的瓦斯检测、监测系统、瓦斯超限上报和监控主要以矿级为主,这些信息的准确性、及时性难以得到保障。但是,随着国家对煤矿安全生产工作的日益重视,煤矿越来越要求精细化科学管理,通过一段时间的煤矿企业推广,有了初步的效果。2016年国家安监总局在《煤矿安全监控系统升级改造技术方案》第九条加强数据应用分析中明确提出,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。因此,在瓦斯预警方面,需要明确提出系统应具备瓦斯涌出量预测预警功能,根据井下瓦斯、风速等数据预测瓦斯涌出量,并及时预警。
基于上述分析,如何对瓦斯涌出量进行预测以及及时预警,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供一种基于机器学习的瓦斯超限预警模型构建方法及预警方法,来解决如何对瓦斯涌出量进行预测以及及时预警的问题。
第一方面,本发明提供一种基于机器学习的瓦斯超限预警模型构建方法,包括如下步骤:
通过实验分析得到瓦斯相关特征;
对于目标煤矿,采集瓦斯相关特征,基于瓦斯相关特征构建训练集;
基于MLP神经网络构建瓦斯超限预警模型,所述瓦斯超限预警模型包括输入层、输出层和至少一个隐藏层,所述瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
以训练集为输入,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,得到训练后瓦斯超限预警模型,所述瓦斯超限预警模型中参数包括权重和偏置;
对于训练后瓦斯超限预警模型,对权重系数矩阵进行正则化处理,得到最终瓦斯超限预警模型。
作为优选,对于区别于目标煤矿的另一个煤矿,将上述最终瓦斯超限预警模型进行迁移学习,所述迁移学习后最终瓦斯超限预警模型适用于所述另一个煤矿。
作为优选,所述瓦斯相关特征包括:
K1值,为煤样瓦斯解吸特性,用于直接揭示当前煤矿瓦斯的涌出特性;
瓦斯解析量,瓦斯解吸量越大,巷道内可释放的瓦斯越多;
瓦斯赋存量,为煤样中保存的瓦斯总量;
瓦斯残余量,为抽采后煤层中瓦斯残余量;
瓦斯残余压力,为抽采后煤层中瓦斯的压力
通风类型,巷道形状决定通风类型,根据巷道形状将通风类型分为U型、Y型、Z型;
进风量,为利用传感器在巷道进入10-15m处测风得到的风量,用于带出巷道内的瓦斯;
回风量,为利用传感器在巷道排风口处测得的风量,回风量包含了巷道内的非新鲜空气,所述非新鲜空气包括瓦斯,非新鲜空气需要从巷道排出;
漏风量,残存在巷道内的风量,漏风量=进风量—回风量;
巷道弯曲复杂度,相比形状为直线段的巷道模型,实际巷道由于各种地质条件而形成弯曲的形状;
抽采量,从煤层内部抽取的瓦斯,抽采方式包括但不限于轨顺、皮顺、高抽巷、低抽巷、采空区;
推进度,为每天前进路程,推进度=刀数*滚筒深度;
距离断层、陷落柱、褶曲的距离,不同距离处瓦斯涌出量不同,推进度越大,瓦斯涌出越大;
断层、陷落柱、褶曲的数量和面积,当掘进到与断层距离为0的地质构造处时,瓦斯涌出量与地质构造数量、断面积的大小有关;
钻孔岩煤分布,为煤层、岩石的组合、分布、大小比例,影响瓦斯的涌出;
大气压力,其影响煤矿地质构造和瓦斯涌出;
大气最高、最低温度,其影响煤矿地质构造和瓦斯涌出;
巷道气压,其影响瓦斯的涌;
煤层厚度,为煤层厚度;
工作面切眼长度,为工作面煤层切眼长度。
作为优选,对于训练后瓦斯超限预警模型,基于Dropout对权重系数矩阵进行正则化处理,用于防止训练后瓦斯超限预警模型过拟合。
作为优选,所述隐含层共一层。
作为优选,所述瓦斯超限预警模型中引入的激活函数为ReLU函数。
作为优选,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,包括如下步骤:
以交叉熵作为衡量预测值和实际值之间偏差的损失函数;
通过随机梯度下降算法作为计算损失函数最小值的优化算法。
第二方面,本发明提供一种基于机器学习的瓦斯超限预警方法,包括如下步骤:
通过如第一方面任一项所述的基于机器学习的瓦斯超限预警模型构建方法构建瓦斯超限预警模型,得到最终瓦斯超限预警模型,所述最终瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
基于预测抽采量模型计算抽采瓦斯量,基于绝对瓦斯涌出量模型计算绝对瓦斯涌出量;
基于抽采瓦斯量和绝对瓦斯涌出量计算风排瓦斯量,风排瓦斯量=绝对瓦斯涌出量-抽采瓦斯量;
基于风排瓦斯量计算瓦斯浓度百分率,瓦斯浓度百分率=风排瓦斯量/回风量*100;
基于瓦斯浓度百分率生成瓦斯超限评估报告,通过瓦斯超限评估报告进行业务风险分析。
本发明的一种基于机器学习的瓦斯超限预警模型构建方法及预警方法具有以下优点:
1、基于MLP神经网络模型构建了瓦斯超限预警模型,分别为预测抽采量模型和绝对瓦斯涌出量模型,并分别对上述模型进行了参数优化以及权重的正则化处理,得到最终的终瓦斯超限预警模型,通过上述预测抽采量模型可计算得到抽采瓦斯量,通过绝对瓦斯涌出量模型可计算绝对瓦斯涌出量,并可进一步计算风排瓦斯量,从而形成瓦斯报告并根据预警报告进行预警;
2、在训练瓦斯超限预警模型时,选用的训练集为通过多次实验分析得到的瓦斯相关特征,涵盖了与瓦斯事故相关的众多影响因素,保证了覆盖范围;
3、在训练瓦斯超限预警模型时,通过随机梯度下降算法优化参数,加速了训练的过程,提高了训练精度;
4、构建的瓦斯超限预警模型中引入了ReLU激活函数,使得神经网络可以任意逼近任何非线性函数,且引入ReLU激活函数具有如下优点:当输入为正数时、不存在梯度消失问题,计算速度快,ReLU激活函数只有线性关系、无论前向传播还是反向传播,相比sigmod和tanh要快很多;
5、在训练瓦斯超限预警模型时,对权重系数矩阵进行正则化处理,可防止瓦斯超限预警模型出现过拟合现象;
6、由于不同煤矿工作面的地质条件、采煤环境差异很大,相关的特征在不同煤矿的权重也带来很大的差异,对于最终的瓦斯超限预警模型进行融合训练,使得得到的融合后的瓦斯超限预警模型可适应不同煤矿工作面。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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。
下面结合附图对本发明进一步说明。
附图1为实施例1基于机器学习的瓦斯超限预警模型构建方法的流程框图。
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地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,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是,在本发明实施例中的“多个”,是指两个或两个以上。
本发明实施例提供一种基于机器学习的瓦斯超限预警模型构建方法及预警方法,用于解决如何对瓦斯涌出量进行预测以及及时预警的技术问题。
实施例1:
本发明的一种基于机器学习的瓦斯超限预警模型构建方法,包括如下步骤:
S100、通过实验分析得到瓦斯相关特征;
S200、对于目标煤矿,采集瓦斯相关特征,基于瓦斯相关特征构建训练集;
S300、基于MLP神经网络构建瓦斯超限预警模型,所述瓦斯超限预警模型包括输入层、输出层和至少一个隐藏层,瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
S400、以训练集为输入,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,得到训练后瓦斯超限预警模型,所述瓦斯超限预警模型中参数包括权重和偏置;
S500、对于训练后瓦斯超限预警模型,对权重系数矩阵进行正则化处理,得到最终瓦斯超限预警模型。
瓦斯事故发生的影响因素众多,在进行瓦斯预警分析时,通常存在预警指标不完善、覆盖因素不全或者未覆盖主要影响因素的问题,从而导致预警准确率不足,本实施例中,在步骤S100中通过多次实验的方式分析得到瓦斯相关特征,具体包括如下特征:
(1)K1值,为煤样瓦斯解吸特性,用于直接揭示当前煤矿瓦斯的涌出特性;
(2)瓦斯解析量,瓦斯解吸量越大,巷道内可释放的瓦斯越多;
(3)瓦斯赋存量,为煤样中保存的瓦斯总量;
(4)瓦斯残余量,为抽采后煤层中瓦斯残余量;
(5)瓦斯残余压力,为抽采后煤层中瓦斯的压力
(6)通风类型,巷道形状决定通风类型,根据巷道形状将通风类型分为U型、Y型、Z型,对于不同煤矿,考虑该参数可以保证模型有更好的泛化能力;
(7)进风量,为利用传感器在巷道进入10-15m处测风得到的风量,进风是外界新鲜空气的输入用,用于带出巷道内的瓦斯;
(8)回风量,为利用传感器在巷道排风口处测得的风量,回风量包含了巷道内的非新鲜空气,所述非新鲜空气包括瓦斯,非新鲜空气需要从巷道排出;
(9)漏风量,残存在巷道内的风量,漏风量=进风量—回风量,漏风量越大,对于瓦斯随回风排出巷道越不利;
(10)巷道弯曲复杂度,相比形状为直线段的巷道模型,实际巷道由于各种地质条件而形成弯曲的形状,巷道弯曲复杂复杂度越高,瓦斯涌出量越高,同时越不利于风排;
(11)抽采量,从煤层内部抽取的瓦斯,抽采方式包括但不限于轨顺、皮顺、高抽巷、低抽巷、采空区,抽采日报表包含纯标沉量;混合标沉量;瓦斯(=纯标沉量/混合标沉量*100);
(12)推进度,为每天前进路程,推进度=刀数*滚筒深度,推进度越大,瓦斯涌出越大;
(13)距离断层、陷落柱、褶曲的距离,不同距离处瓦斯涌出量不同,推进度越大,瓦斯涌出越大;
(14)断层、陷落柱、褶曲的数量和面积,当掘进到与断层距离为0的地质构造处时,瓦斯涌出量与地质构造数量、断面积的大小有关;
(15)钻孔岩煤分布,为煤层、岩石的组合、分布、大小比例,影响瓦斯的涌出;
(16)大气压力,其影响煤矿地质构造和瓦斯涌出;
(17)大气最高、最低温度,其影响煤矿地质构造和瓦斯涌出;
(18)巷道气压,其影响瓦斯的涌,气压越大,瓦斯越不容易从煤层中涌出;
(19)煤层厚度,为煤层厚度;
(20)工作面切眼长度,为工作面煤层切眼长度。
本实施例中,瓦斯超限预警模型包括一个输入层、一个隐藏层和一个输出层。为了给神经元引入非线性因素,在瓦斯超限预警模型中加入了激活函数,使得神经网络可以任意逼近任何非线性函数。鉴于ReLU函数具有以下优点,选用ReLU函数:1、在输入为正数的时候,不存在梯度消失问题;2、计算速度快很多;3、ReLU函数只有线性关系,不管是前向传播还是反向传播,都比sigmod和tanh要快很多。
步骤S400中,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,包括如下步骤:
以交叉熵作为衡量预测值和实际值之间偏差的损失函数;
通过随机梯度下降算法作为计算损失函数最小值的优化算法。
交叉熵的值越小,两个概率分布就越接近。信息熵就是信息的不确定程度,信息熵越小,信息越确定。预测值和实际的信息熵表示的差值就是交叉熵,优化交叉熵,使得预测值更接近实际值。
随机梯度下降算法优化的不是在全部训练数据上的损失函数,而是在每轮迭代中,随机优化某一条训练数据上的损失函数,这样每一轮参数的更新速度大大加快。
为了防止模型的过拟合,步骤S500中对于训练后瓦斯超限预警模型,对权重系数矩阵进行正则化处理,得到最终瓦斯超限预警模型。、
本实施例中采用Dropout,所谓的Dropout指的是在用前向传播算法和反向传播算法训练模型时,一批数据迭代时,随机的从全连接网络中去掉一部分隐藏层的神经元。当然,Dropout并不意味着这些神经元永远的消失了,在下一批数据迭代前,会把模型恢复成最初的全连接模型,然后再用随机的方法去掉部分隐藏层的神经元,接着去迭代更新参数权重W和偏置b,当然,这次用随机的方法去掉部分隐藏层后的残缺网络和上次的残缺网络并不相同。
本实施例的基于机器学习的瓦斯超限预警模型构建方法得到最终的瓦斯超限预警模型,两个瓦斯超限预警模型分别为预测抽采量模型和绝对瓦斯涌出量模型,通过最终的预测抽采量模型可计算抽采瓦斯量,通过绝对瓦斯涌出量模型可计算绝对瓦斯涌出量模型,从而计算风排瓦斯量,风排瓦斯量=绝对瓦斯涌出量-抽采瓦斯量,进而可对瓦斯进行预测和预警。
作为本实施例的改进,由于不同煤矿工作面的地质条件、采煤环境差异很大,相关的特征在不同煤矿的权重也带来很大的差异。而对于工作面条件、地质因素相差不大的情况下,可以将既有模型迁移应用到其他相近工作面。迁移学习既要学习到总体的数据规律,又要学习到不同煤矿特有的规律,把数据多的煤矿学习的规律迁移到数据少的煤矿。因此需要对上述构建的瓦斯超限模型进行融合训练,找到不同因素特征在不同煤矿的权重。在进行反向传播过程中随机梯度下降算法训练时共享梯度参数,并根据共享梯度分别调整各模型的梯度参数。最终形成一个融合模型。
通过融合训练后最终瓦斯超限预警模型可对区别于上述目标煤矿的另一个煤矿进行预测和预警。
实施例2:
本发明的一种基于机器学习的瓦斯超限预警方法,包括如下步骤:
(1)、通过如实施例1公开的一种基于机器学习的瓦斯超限预警模型构建方法构建瓦斯超限预警模型,得到最终瓦斯超限预警模型,上述最终瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
(2)、基于预测抽采量模型计算抽采瓦斯量,基于绝对瓦斯涌出量模型计算绝对瓦斯涌出量;
(3)、基于抽采瓦斯量和绝对瓦斯涌出量计算风排瓦斯量,风排瓦斯量=绝对瓦斯涌出量-抽采瓦斯量;
(4)、基于风排瓦斯量计算瓦斯浓度百分率,瓦斯浓度百分率=风排瓦斯量/回风量*100;
(5)、基于瓦斯浓度百分率生成瓦斯超限评估报告,通过瓦斯超限评估报告进行业务风险分析。
其中,步骤(1)中,对于目标煤矿,采用最终的瓦斯超限预警模型进行预测和预警,对于不同于目标煤矿的另一个煤矿,需要通过实施例1中改进的实施方案,对上述最终的瓦斯超限预警模型进行融合训练,得到融合训练后最终的瓦斯超限预警模型,通过融合训练后的瓦斯超限模型进行预测和预警。
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 (8)
1.基于机器学习的瓦斯超限预警模型构建方法,其特征在于包括如下步骤:
通过实验分析得到瓦斯相关特征;
对于目标煤矿,采集瓦斯相关特征,基于瓦斯相关特征构建训练集;
基于MLP神经网络构建瓦斯超限预警模型,所述瓦斯超限预警模型包括输入层、输出层和至少一个隐藏层,所述瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
以训练集为输入,通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,得到训练后瓦斯超限预警模型,所述瓦斯超限预警模型中参数包括权重和偏置;
对于训练后瓦斯超限预警模型,对权重系数矩阵进行正则化处理,得到最终瓦斯超限预警模型。
2.根据权利要求1所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于对于区别于目标煤矿的另一个煤矿,将上述最终瓦斯超限预警模型进行迁移学习,所述迁移学习后最终瓦斯超限预警模型适用于所述另一个煤矿。
3.根据权利要求1或2所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于所述瓦斯相关特征包括:
K1值,为煤样瓦斯解吸特性,用于直接揭示当前煤矿瓦斯的涌出特性;
瓦斯解析量,瓦斯解吸量越大,巷道内可释放的瓦斯越多;
瓦斯赋存量,为煤样中保存的瓦斯总量;
瓦斯残余量,为抽采后煤层中瓦斯残余量;
瓦斯残余压力,为抽采后煤层中瓦斯的压力
通风类型,巷道形状决定通风类型,根据巷道形状将通风类型分为U型、Y型、Z型;
进风量,为利用传感器在巷道进入10-15m处测风得到的风量,用于带出巷道内的瓦斯;
回风量,为利用传感器在巷道排风口处测得的风量,回风量包含了巷道内的非新鲜空气,所述非新鲜空气包括瓦斯,非新鲜空气需要从巷道排出;
漏风量,残存在巷道内的风量,漏风量=进风量—回风量;
巷道弯曲复杂度,相比形状为直线段的巷道模型,实际巷道由于各种地质条件而形成弯曲的形状;
抽采量,从煤层内部抽取的瓦斯,抽采方式包括但不限于轨顺、皮顺、高抽巷、低抽巷、采空区;
推进度,为每天前进路程,推进度=刀数*滚筒深度;
距离断层、陷落柱、褶曲的距离,不同距离处瓦斯涌出量不同,推进度越大,瓦斯涌出越大;
断层、陷落柱、褶曲的数量和面积,当掘进到与断层距离为0的地质构造处时,瓦斯涌出量与地质构造数量、断面积的大小有关;
钻孔岩煤分布,为煤层、岩石的组合、分布、大小比例,影响瓦斯的涌出;
大气压力,其影响煤矿地质构造和瓦斯涌出;
大气最高、最低温度,其影响煤矿地质构造和瓦斯涌出;
巷道气压,其影响瓦斯的涌;
煤层厚度,为煤层厚度;
工作面切眼长度,为工作面煤层切眼长度。
4.根据权利要求1或2所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于对于训练后瓦斯超限预警模型,基于Dropout对权重系数矩阵进行正则化处理,用于防止训练后瓦斯超限预警模型过拟合。
5.根据权利要求1或2所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于所述隐含层共一层。
6.根据权利要求1或2所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于所述瓦斯超限预警模型中引入的激活函数为ReLU函数。
7.根据权利1或2所述的基于机器学习的瓦斯超限预警模型构建方法,其特征在于通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化,包括如下步骤:
以交叉熵作为衡量预测值和实际值之间偏差的损失函数;
通过随机梯度下降算法作为计算损失函数最小值的优化算法。
8.基于机器学习的瓦斯超限预警方法,其特征在于包括如下步骤:
通过如权利要求1-8任一项所述的基于机器学习的瓦斯超限预警模型构建方法构建瓦斯超限预警模型,得到最终瓦斯超限预警模型,所述最终瓦斯超限预警模型共两个,分别为预测抽采量模型和绝对瓦斯涌出量模型;
基于预测抽采量模型计算抽采瓦斯量,基于绝对瓦斯涌出量模型计算绝对瓦斯涌出量;
基于抽采瓦斯量和绝对瓦斯涌出量计算风排瓦斯量,风排瓦斯量=绝对瓦斯涌出量-抽采瓦斯量;
基于风排瓦斯量计算瓦斯浓度百分率,瓦斯浓度百分率=风排瓦斯量/回风量*100;
基于瓦斯浓度百分率生成瓦斯超限评估报告,通过瓦斯超限评估报告进行业务风险分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138067.7A CN111324988B (zh) | 2020-03-03 | 2020-03-03 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138067.7A CN111324988B (zh) | 2020-03-03 | 2020-03-03 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111324988A true CN111324988A (zh) | 2020-06-23 |
CN111324988B CN111324988B (zh) | 2023-08-08 |
Family
ID=71173130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010138067.7A Active CN111324988B (zh) | 2020-03-03 | 2020-03-03 | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111324988B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112554943A (zh) * | 2020-12-04 | 2021-03-26 | 中国铁建重工集团股份有限公司 | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 |
CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN115596509A (zh) * | 2022-09-21 | 2023-01-13 | 贵州安和矿业科技工程股份有限公司(Cn) | 一种煤矿巷道掘进过程中的瓦斯预警方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100325071A1 (en) * | 2007-08-17 | 2010-12-23 | Institutt For Energiteknikk | System and method for empirical ensemble-based virtual sensing of gas emission |
CN105240046A (zh) * | 2015-11-02 | 2016-01-13 | 山西晋煤集团技术研究院有限责任公司 | 大采高综采工作面初采及回采期间瓦斯抽采钻孔布置方法 |
CN105447600A (zh) * | 2015-12-09 | 2016-03-30 | 贵州省矿山安全科学研究院 | 一种采面瓦斯涌出量动态分源预测方法 |
CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
CN109403867A (zh) * | 2018-10-15 | 2019-03-01 | 西山煤电(集团)有限责任公司 | 跨采面大曲率递进式梳状钻孔掘进条带预抽消突方法 |
US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
CN110413013A (zh) * | 2019-07-18 | 2019-11-05 | 莱芜钢铁集团电子有限公司 | 一种智能吹氩系统及其控制方法 |
-
2020
- 2020-03-03 CN CN202010138067.7A patent/CN111324988B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100325071A1 (en) * | 2007-08-17 | 2010-12-23 | Institutt For Energiteknikk | System and method for empirical ensemble-based virtual sensing of gas emission |
CN105240046A (zh) * | 2015-11-02 | 2016-01-13 | 山西晋煤集团技术研究院有限责任公司 | 大采高综采工作面初采及回采期间瓦斯抽采钻孔布置方法 |
CN105447600A (zh) * | 2015-12-09 | 2016-03-30 | 贵州省矿山安全科学研究院 | 一种采面瓦斯涌出量动态分源预测方法 |
CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
CN107403234A (zh) * | 2017-06-24 | 2017-11-28 | 中铁二院工程集团有限责任公司 | 基于神经网络的隧道煤与瓦斯突出预测方法 |
US20190219994A1 (en) * | 2018-01-18 | 2019-07-18 | General Electric Company | Feature extractions to model large-scale complex control systems |
CN109403867A (zh) * | 2018-10-15 | 2019-03-01 | 西山煤电(集团)有限责任公司 | 跨采面大曲率递进式梳状钻孔掘进条带预抽消突方法 |
CN110413013A (zh) * | 2019-07-18 | 2019-11-05 | 莱芜钢铁集团电子有限公司 | 一种智能吹氩系统及其控制方法 |
Non-Patent Citations (3)
Title |
---|
WANG, YP 等: "Gas emission forecasting and fore-warning research of a working face based on improved BP network" * |
张明;冯涛;朱卓慧;: "采煤工作面瓦斯抽采率预测的神经网络模型" * |
杨宏伟,李海贵,徐光亮: "成庄矿瓦斯超限及突出预警系统" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112554943A (zh) * | 2020-12-04 | 2021-03-26 | 中国铁建重工集团股份有限公司 | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 |
CN112554943B (zh) * | 2020-12-04 | 2022-05-17 | 中国铁建重工集团股份有限公司 | 一种基于tbm掘进参数的地质风险预警方法、系统及装置 |
CN114046179A (zh) * | 2021-09-15 | 2022-02-15 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN114046179B (zh) * | 2021-09-15 | 2023-09-22 | 山东省计算中心(国家超级计算济南中心) | 一种基于co监测数据智能识别和预测井下安全事故的方法 |
CN115596509A (zh) * | 2022-09-21 | 2023-01-13 | 贵州安和矿业科技工程股份有限公司(Cn) | 一种煤矿巷道掘进过程中的瓦斯预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111324988B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Dynamic load prediction of tunnel boring machine (TBM) based on heterogeneous in-situ data | |
Zhang et al. | A critical evaluation of machine learning and deep learning in shield-ground interaction prediction | |
CN111324988A (zh) | 基于机器学习的瓦斯超限预警模型构建方法及预警方法 | |
Elbaz et al. | Deep learning analysis for energy consumption of shield tunneling machine drive system | |
Zhang et al. | An AIoT-based system for real-time monitoring of tunnel construction | |
Yan et al. | Identification of geological characteristics from construction parameters during shield tunnelling | |
Deng et al. | Risk evaluation model of highway tunnel portal construction based on BP fuzzy neural network | |
Huang et al. | Machine learning-based automatic control of tunneling posture of shield machine | |
Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
Miranda et al. | Geomechanical characterization of volcanic rocks using empirical systems and data mining techniques | |
Zhang et al. | A new index for cutter life evaluation and ensemble model for prediction of cutter wear | |
Wang et al. | Deep learning model for shield tunneling advance rate prediction in mixed ground condition considering past operations | |
CN109345140B (zh) | 一种煤矿突水灾害预警的辅助方法 | |
Lin et al. | Ensemble model for risk status evaluation of excavation | |
Qiu et al. | TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance | |
CN114002129B (zh) | 一种高水压裂隙岩体渗流试验平台 | |
Lu et al. | Deforming tendency prediction study on typical accumulation landslide with step-like displacements in the Three Gorges Reservoir, China | |
Zhang | Exploration on coal mining-induced rockburst prediction using Internet of things and deep neural network | |
CN106246226A (zh) | 一种矿井瓦斯涌出异常的识别方法 | |
Tao et al. | A gene expression programming-based method for real-time wear estimation of disc cutter on TBM cutterhead | |
Hong et al. | An intelligent approach for predicting overbreak in underground blasting operation based on an optimized XGBoost model | |
Yin et al. | Point and interval estimation of rock mass boreability for tunnel boring machine using an improved attribute-weighted deep belief network | |
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 | |
Qin et al. | An adaptive operating parameters decision-making method for shield machine considering geological environment | |
Huang et al. | A multistate Bayesian network-based approach for risk analysis of tunnel collapse |
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 |