CN113011648A - 隧道瓦斯涌出浓度预测方法及系统 - Google Patents
隧道瓦斯涌出浓度预测方法及系统 Download PDFInfo
- Publication number
- CN113011648A CN113011648A CN202110278418.9A CN202110278418A CN113011648A CN 113011648 A CN113011648 A CN 113011648A CN 202110278418 A CN202110278418 A CN 202110278418A CN 113011648 A CN113011648 A CN 113011648A
- Authority
- CN
- China
- Prior art keywords
- state
- gas
- tunnel
- time point
- relative error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000009499 grossing Methods 0.000 claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 230000007704 transition Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 8
- 239000003245 coal Substances 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005422 blasting Methods 0.000 description 3
- 240000008067 Cucumis sativus Species 0.000 description 2
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 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
- G06Q10/04—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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种隧道瓦斯涌出浓度预测方法及系统。该方法为：获取隧道瓦斯浓度监测数据；选择指数平滑预测模型，预测瓦斯浓度；计算预测相对误差，得到相对误差序列；将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态；计算监测数据中最后一个时间点的状态概率数分布；计算未来各时间点的状态转移概率矩阵；确定未来各时间点的状态概率数分布矩阵；利用该修正系数对未来的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。该方法所需的计算简单，计算速度快，且所需的数据少，预测准确度高，尤其适用于短期预测。
Description
技术领域
本发明涉及隧道开发安全领域，具体涉及一种隧道瓦斯涌出浓度预测方法及系统。
背景技术
瓦斯是隧道主要灾害因素之一，隧道施工期间瓦斯浓度一旦超限和集聚，瓦斯爆炸等灾害事故的发生风险就会大幅增加，严重威胁隧道的施工安全。对隧道瓦斯浓度进行科学预测，可为瓦斯灾害防治提供有效的预警信息，进而有的放矢的采取措施进行干预，减小瓦斯爆炸等灾害事故的发生几率。
针对瓦斯浓度的预测最早见于煤矿领域，主要以传统的分源预测法、矿山统计法、类比法和综合指标法为主，但由于地质条件、施工方法及施工顺序等因素导致瓦斯涌出具有不确定性、实时性和非线性的特点，因此传统预测方法逐渐无法满足预测精度要求。近年来随着计算机技术的发展，以大数据为基础的神经网络算法预测逐渐兴起，如肖鹏采用KPCA-CMGANN算法对低瓦斯矿井4个回采工作面瓦斯涌出量进行预测，预测精度及收敛速度有了明显改善；张宝提出基于BP神经网络的小断层构造区域瓦斯涌出预测模型，并在潞安矿区进行应用；刘畅基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理，建立FastICA-BA-ELM多尺度时变预测模型实现了工作面瓦斯涌出量的预测；金洪伟选用多元线性回归预测模型对煤矿瓦斯涌出量进行预测，并选取部分数据对所建立的煤矿瓦斯涌出量预测模型进行验证。
然而上述新兴的瓦斯浓度预测方法都需要大量的数据为基础，计算相对复杂且主要应用在煤矿领域，关于隧道瓦斯浓度预测则鲜有涉及。
发明内容
为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种隧道瓦斯涌出浓度预测方法及系统。
为了实现本发明的上述目的，本发明提供了一种隧道瓦斯涌出浓度预测方法，包括以下步骤：
S1，获取预测前连续T个时间点的隧道瓦斯浓度监测数据，分析该T个时间点的瓦斯浓度数据变化情况；
S2，根据瓦斯数据变化情况选择指数平滑预测模型，并确定平滑初值以及平滑系数，然后将所述瓦斯浓度监测数据输入所选择的指数平滑预测模型中预测该T个时间点以及未来时间点的瓦斯浓度；
S3，根据预测结果与实际瓦斯浓度计算T个时间点中每个时间点的预测相对误差，得到相对误差序列；
S4，将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态；
S5，根据相对误差序列以及瓦斯状态划分结果计算T个时间点中最后一个时间点的状态概率数分布矩阵；
S6，根据相对误差序列、状态区间划分结果以及T个时间点中最后一个时间点的状态概率数分布矩阵计算未来各时间点的状态转移概率矩阵；
S7，根据未来各时间点的状态转移概率矩阵与T个时间点中最后一个时间点的状态概率数分布矩阵确定未来各时间点的状态概率数分布矩阵；
S8，将未来各时间点的状态概率数分布矩阵中的最大数值所在的状态位置作为各时间点所属的瓦斯状态，根据该瓦斯状态计算修正系数ε，利用该修正系数对步骤S2中得到的未来时间点的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。
该方法所需的计算简单，计算速度快，且所需的数据少，预测准确度高，尤其适用于短期预测。
本方法的优选方案：所述步骤S2中：
若瓦斯浓度变化曲线稳定，选用一次指数平滑法，则所述T个时间点中第t个时间点对应的一次指数平滑值计算方法为
一次指数平滑法预测模型为
为T'+t时间序列的预测值；
为T'+t-1时间序列的预测值，其中，Xt为第t个时间点的实测值，α为平滑系数，T'为上一个监测数据的时间序列；
若时间序列曲线呈一次函数变化，选用二次指数平滑法，第t个时间点对应的二次指数平滑值计算方法为
二次指数平滑法预测模型为
其中
若时间序列曲线存在转折点，且呈二次函数变化时，选用三次指数平滑法，第t个时间点对应的三次指数平滑值计算方法为
三次指数平滑法预测模型为Yt+T'＝at+btT'+ctT'2，其中
根据时间序列曲线选择对应的平滑法预测模型，提高了初步预测瓦斯浓度时的精度。
本方法的优选方案：通过隧道瓦斯历史数据的数量来确定平滑初值，若历史数据项数多于设定项数值，选第一项观测值作为初值；若少于设定项数值，则用前三项的绝对平均数作为初值。提高了初步预测瓦斯浓度时的精度。
本方法的优选方案：步骤S4具体为：
依据D—S证据理论及相对误差序列的数据，构建一个识别框架D，则识别框架D的命题集合为2D，所述命题集合2D中每个命题对应一个相对误差区间，每个相对误差区间对应一个瓦斯状态。使对瓦斯状态的分类更加客观、准确，有利于提高最终预测精度。
本方法的优选方案：步骤S5具体为：在识别框架命题集合2D上建立状态概率数分配函数Mass，并获得每个状态在对应相对误差下的Mass函数；
将最后一个时间点对应的相对误差代入每个Mass函数中计算T个时间点中最后一个时间点的状态概率数分布矩阵。能快速且准确地得到T个时间点中最后一个时间点的状态概率数分布矩阵，有利于提高最终预测精度。
本方法的优选方案：步骤S6具体为：
根据T个时间点中最后一个时间点的状态概率数计算未来第一个数据的状态转移矩阵，即一步状态转移概率矩阵
其中Pij表示状态i转移到达状态j的转移概率，其计算公式为：
未来第n个数据的状态转移矩阵即第n步状态转移概率矩阵
状态转移概率矩阵的获得为后续状态概率数分布矩阵的计算提供了基础。
本方法的优选方案：步骤S7具体为：设所述状态概率数中的最后一个时间点的状态概率数分布矩阵为m0＝[m(i)],i∈2D，则第n期的状态概率数分布矩阵mn＝m0×pn。根据第n期的状态概率数分布矩阵，可以快速得到第n期所处理的状态。
本发明还提出了一种隧道瓦斯涌出浓度预测，包括处理器、存储器和瓦斯浓度采集装置，所述存储器与处理器通信连接，所述瓦斯浓度采集装置采集隧道内瓦斯浓度，其瓦斯浓度信息输出端连接所述处理器的瓦斯浓度信息输入端，所述存储器内存放有至少一可执行指令，所述可执行指令使所述处理器执行如上述的隧道瓦斯涌出浓度预测方法对应的操作。
本发明的有益效果是：本发明计算简单，所需的数据少，预测准确度高，能有效的对隧道未来瓦斯浓度进行预测，以便施工人员作好安全防护措施，提高了隧道施工人员的安全保障。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是隧道瓦斯涌出浓度预测方法的流程图；
图2是实例的瓦斯浓度变化曲线图；
图3是实例的瓦斯浓度预测值示意图；
图4是实例的命题集合示意图；
图5是实例的预测结果对比分析图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
如图1所示，本发明提供了一种隧道瓦斯涌出浓度预测方法，包括以下步骤：
S1，获取预测前连续T个时间点的隧道瓦斯浓度监测数据，分析该T个时间点的瓦斯浓度数据变化情况。
预测时，获取预测前T个时间点的隧道瓦斯浓度监测数据，该数据可通过在隧道内设置瓦斯浓度采集装置得到，该瓦斯浓度采集装置与一控制终端连接，并向该控制终端发送瓦斯浓度数据，所述控制终端根据接收到的瓦斯浓度数据绘制连续T个时间点的瓦斯浓度变化曲线。
S2，根据瓦斯数据变化情况选择指数平滑预测模型，并确定平滑初值以及平滑系数，然后将所述瓦斯浓度监测数据输入所选择的指数平滑预测模型中预测该T个时间点以及未来时间点的瓦斯浓度。
本实施例的一种优选方案中，平滑初值可通过隧道瓦斯历史数据的数量来确定，若历史数据项数多于，选第一项观测值作为初值；若少于设定项数值，则用前三项的绝对平均数作为初值。设定项数值通常设为15项。
平滑系数α的取值范围为0～1，而平滑系数α的取值将直接影响预测精度，传统的平滑系数确定方法以试算法以及经验估算法为主，但这两种方法精度不高，因此本实施例中采用阻尼最小二乘法算法选取平滑系数α。
具体的，若瓦斯浓度变化曲线稳定，选用一次指数平滑法，则所述T个时间点中第t个时间点对应的一次指数平滑值计算方法为
一次指数平滑法预测模型为
为T'+t时间序列的预测值；
为T'+t-1时间序列的预测值，其中，Xt为第t个时间点的实测值，α为平滑系数，T'为上一个监测数据的时间序列，如之前没有进行监测，则T'为0；
若时间序列曲线呈一次函数变化，选用二次指数平滑法，第t个时间点对应的二次指数平滑值计算方法为
二次指数平滑法预测模型为
其中
若时间序列曲线存在转折点，且呈二次函数变化时，选用三次指数平滑法，第t个时间点对应的三次指数平滑值计算方法为
三次指数平滑法预测模型为Yt+T'＝at+btT'+ctT'2，其中
然后执行步骤S3，根据预测结果与实际瓦斯浓度计算每个时间点的预测相对误差，得到相对误差序列。
S4，将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态。即每个瓦斯状态对应一个相对误差区间。
具体的，本实施例中采用以下方法进行划分相对误差区间：依据D—S证据理论及相对误差序列的数据，构建一个识别框架D，则识别框架D的命题集合为2D，所述命题集合2D中每个命题对应一个相对误差区间，每个相对误差区间对应一个瓦斯状态。
S5，根据相对误差序列以及瓦斯状态划分结果计算T个时间点中最后一个时间点的状态概率数分布矩阵。
具体地，在识别框架命题集合2D上建立状态概率数分配函数Mass，并获得每个状态在对应相对误差下的Mass函数；将最后一个时间点对应的相对误差代入每个Mass函数中计算T个时间点中最后一个时间点的状态概率数分布矩阵。该状态概率数分布矩阵为对应相对误差与每个瓦斯状态的匹配度打分，哪个瓦斯状态打分越高，说明该相对误差处于该瓦斯状态的可能性越高。
S6，根据相对误差序列、状态区间划分结果以及T个时间点中最后一个时间点的状态概率数分布矩阵计算未来各时间点的状态转移概率矩阵。这里的未来各时间点可以根据需要自行设定。
具体地，根据T个时间点中最后一个时间点的状态概率数分布矩阵计算未来第一个数据的状态转移矩阵，即一步状态转移概率矩阵P1＝(Pij)i,j∈2D，其中Pij表示状态i转移到达状态j的转移概率，其计算公式为：
未来第n个数据的状态转移矩阵即第n步状态转移概率矩阵
因此，采用迭代的方法可得到未来第一个时间点至第n个时间点中每一步的状态转移概率矩阵。
S7，根据未来各时间点的状态转移概率矩阵与T个时间点中最后一个时间点的状态概率数分布矩阵确定未来各时间点的状态概率数分布矩阵。
具体地，设T个时间点中最后一个时间点的状态概率数分布矩阵为m0＝[m(i)],i∈2D，则第n期的状态概率数mn＝m0×pn，从而得到未来各时间点的状态概率数分布。
S8，将未来各时间点的状态概率数分布矩阵中的最大数值所在的状态位置作为各时间点所属的瓦斯状态，根据该瓦斯状态计算修正系数ε，利用该修正系数对步骤S2中得到的未来时间点的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。
本实施例中，隧道瓦斯涌出浓度预测结果
其中，Si为瓦斯浓度初始预测值，即步骤S2中得到的未来时间点的瓦斯浓度预测值。本实施例中修正系数ε优选但不限于为该瓦斯状态对应的相对误差区间的上限值与下限值的平均值。
具体实例：
黄瓜山隧道位于重庆市永川区，采用钻爆法进行施工，隧道全长3268m，为特长隧道。隧道穿越的煤系地层为须家河组5段，该层仅局部含煤，属极薄煤层，煤层厚度不稳定，甚至尖灭，属于典型的低瓦斯隧道。
基于上述构建的模型，对黄瓜山低瓦斯隧道采用本方法进行瓦斯浓度预测。为避免所选数据出现偶然性，选取该隧道连续7次施工循环瓦斯浓度变化情况如图2所示，该实例中，每20分钟记录一次隧道瓦斯浓度数据，由图2可知，虽然每次施工循环瓦斯浓度变化并不完全相同，但每次放炮后瓦斯浓度都会明显升高，随后在隧道通风系统的作用下，瓦斯浓度逐渐回落，即每次施工循环隧道瓦斯浓度都会经历一个很明显的上升、下降过程，大致呈抛物线变化，因此宜选择三次指数平滑法作为预测方法。选取其中一组作为原始数据样本，即初始值，如表1所示。
表1 原始隧道瓦斯浓度监测值
当采用指数平滑法预测时间序列时，平滑系数α的取值范围为0～1，而平滑系数α的取值将直接影响预测精度，采用Levenberg-Marquardt(阻尼最小二乘法)算法选取平滑系数，令平滑系数α初始值为0.5，迭代后得到结果为α＝0.87，其相对误差平方和为4.33％。
当平滑系数为0.87时，其真实值与三次平滑预测值及相对误差如表2及图3所示，由图3可知，指数平滑法预测值较真实值而言略显平滑，不过仍能清晰的反映瓦斯随时间的波动情况，但个别点误差相对较大。
表2 指数平滑预测值及相对误差
将表2相关数据代入公式Yt+T'＝at+btT'+ctT'2标定计算模型参数。取t＝18，则三次预测模型为
式中：T'＝1,2,3L，则喷浆时的瓦斯浓度如表3所示，三次指数平滑后预测误差在[-10.49％，-5.31％]之间，预测结果相对准确，但不能满足隧道瓦斯浓度预测精度。
表3指数平滑法相对预测结果
| 时间 | 实际值(％) | 预测值(％) | 相对误差 |
| 2：20 | 0.16 | 0.15151 | -5.31％ |
| 2：40 | 0.16 | 0.144387 | -9.76％ |
| 3：00 | 0.15 | 0.13864 | -7.57％ |
| 3：20 | 0.15 | 0.134271 | -10.49％ |
| 3：40 | 0.14 | 0.131278 | -6.23％ |
| 4：00 | 0.14 | 0.129663 | -7.38％ |
将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态，这里依据D—S证据理论及相对误差序列的数据，构建一个识别框架D＝{a,b,c,d,e,f,g,h}，则识别框架D的命题集合为2D＝{a,ab,b,bc,c,cd,d,de,e,ef,f,fg,g,gh,h}，该命题集合2D中每个命题对应一个相对误差区间，每个相对误差区间对应一个瓦斯状态，如表4和图4所示。
表4 划分状态区间
在识别框架命题集合2D上建立状态概率数分配函数Mass，并获得每个状态对应的Mass函数：
(1)当相对误差满足α＜-7.5％时，概率只分配给命题{a}，其他命题基本概率数都为0；α为相对误差，这里的命题即为状态。
(2)当相对误差满足-7.5％≤α≤-7％时，将200(-0.07-α)的概率分配给命题{a}，200(α+0.075)的概率分配给命题{ab}。
……
(3)当5％≤α≤5.5％，将200(0.055-α)的概率分配给命题{gh}，200(α-0.05)的概率分配给命题{h}；
(4)当α＞5.5％时，概率只分配给命题{h}，其他命题基本概率数都为0。
因此获得T个时间点中每个状态对应的Mass函数：
在建立状态概率数分配函数Mass时，上述公式由D—S证据理论直接给出。
将T个时间点中每个时间点对应的相对误差代入每个状态对应的mass函数中，计算得到相对误差序列的状态概率数，如表5所示：
表5 相对误差序列的状态概率数表
T个时间点中最后一个时间点对应的相对误差代入每个状态对应的mass函数中得到状态概率数分布矩阵为[M(a)M(ab)M(b)M(bc)M(c)M(cd)M(d)M(de)M(e)M(ef)M(f)M(fg)M(g)M(gh)M(h)]，即为T个时间点中最后一个时间点的状态概率数分布矩阵。M(a)、M(ab)、M(b)、M(bc)、M(c)、M(cd)、M(d)、M(de)、M(e)、M(ef)、M(f)、M(fg)、M(g)、M(gh)、M(h)中哪个数值最大，说明T个时间点中最后一个时间点处于该最大数值所对应的状态。
根据状态概率分配函数mass求概率转移矩阵有：
以第一行为例，从表5可知，m(a)只有0.44和1这两个值，0.44这个状态可以转移到m(ab)和m(b)，1这个状态可以转移到m(e)，这个公式
的分母
代表的是属于状态i转移到其他状态的概率的和，此例中，状态m(a)转移到其他状态的概率的和为1.44，分子代表的是在T时刻内状态i下转移到状态j的概率的和，此例中，m(a)转移到m(ab)的概率为
类似可以求得状态为m(a)的所有转移概率，及求得状态转移矩阵第一行，以此类推，求得状态转移矩阵。
一步概率矩阵为：
由表2可知，当时间序列为18时，相对误差为2.85％，则：
T个时间点中最后一个时间点18时刻的状态概率数分布矩阵为：m0＝[0 0 0 0 00 0 0 0 0 0 . 03 . 07 0 0]，
m1＝m0*p1＝[0 0.09565 0.24602 0 0 0 0 0 0 0.197502 0.46077 0 0 0]，
其中0.46077最大，而0.46077所对应的状态为E(fg)，因此时间序列为19时瓦斯浓度状态大概率处于状态E(fg)，状态E(fg)对应的预测相对误差范围为(2.5％，3.5％]，取其中值3％为修正系数ε。已知指数平滑法预测值为Si，马尔科夫链修正后预测值
重复上述对应操作，可得经D—S证据理论修正后的预测结果如表6及图5所示。从表6及图5可明显看出，三次预测结果与真实值相比都稍显平滑，但瓦斯浓度整体变化趋势与真实值变化趋势相同，同时D—S证据理论对指数平滑—马尔科夫链预测模型有明显改善作用，经过D—S证据理论修正后，其预测值的相对误差最低仅为-0.24％，最高相对误差仅为-4.77％，相对误差平方和仅为0.49％，预测结果更加接近真实值，其预测精度满足实际工程需要。
表6 预测模型结果对比分析
该具体实例中，隧道内瓦斯浓度变化与施工工序有关，放炮时隧道内瓦斯浓度最高，整体呈抛物线式变化，应选用三次指数平滑模型进行预测，对应的预测模型为
采用D—S证据理论对指数平滑法—马尔科夫链进行改进后，其预测相对误差较之前有了明显提高，其相对误差平方和仅为0.49％，满足工程需要。
本发明还提出了一种隧道瓦斯涌出浓度预测系统，该系统包括处理器、存储器和瓦斯浓度采集装置，所述存储器与处理器通信连接，所述瓦斯浓度采集装置采集隧道内瓦斯浓度，其瓦斯浓度信息输出端连接所述处理器的瓦斯浓度信息输入端，所述存储器内存放有至少一可执行指令，所述可执行指令使所述处理器执行上述的隧道瓦斯涌出浓度预测方法对应的操作。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种隧道瓦斯涌出浓度预测方法，其特征在于，包括以下步骤：
S1，获取预测前连续T个时间点的隧道瓦斯浓度监测数据，分析该T个时间点的瓦斯浓度数据变化情况；
S2，根据瓦斯数据变化情况选择指数平滑预测模型，并确定平滑初值以及平滑系数，然后将所述瓦斯浓度监测数据输入所选择的指数平滑预测模型中预测该T个时间点以及未来时间点的瓦斯浓度；
S3，根据预测结果与实际瓦斯浓度计算T个时间点中每个时间点的预测相对误差，得到相对误差序列；
S4，将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态；
S5，根据相对误差序列以及瓦斯状态划分结果计算T个时间点中最后一个时间点的状态概率数分布矩阵；
S6，根据相对误差序列、状态区间划分结果以及T个时间点中最后一个时间点的状态概率数分布矩阵计算未来各时间点的状态转移概率矩阵；
S7，根据未来各时间点的状态转移概率矩阵与T个时间点中最后一个时间点的状态概率数分布矩阵确定未来各时间点的状态概率数分布矩阵；
S8，将未来各时间点的状态概率数分布矩阵中的最大数值所在的状态位置作为各时间点所属的瓦斯状态，根据该瓦斯状态计算修正系数ε，利用该修正系数对步骤S2中得到的未来时间点的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。
2.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，所述步骤S1具体为：在隧道内设置瓦斯浓度采集装置，该瓦斯浓度采集装置与一控制终端连接，并向该控制终端发送瓦斯浓度数据，所述控制终端根据接收到的瓦斯浓度数据绘制连续T个时间点的瓦斯浓度变化曲线。
3.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，所述步骤S2中：
若瓦斯浓度变化曲线稳定，选用一次指数平滑法，则所述T个时间点中第t个时间点对应的一次指数平滑值计算方法为
一次指数平滑法预测模型为
为T'+t时间序列的预测值；
为T'+t-1时间序列的预测值，其中，Xt为第t个时间点的实测值，α为平滑系数，T'为上一个监测数据的时间序列；
若时间序列曲线呈一次函数变化，选用二次指数平滑法，第t个时间点对应的二次指数平滑值计算方法为
二次指数平滑法预测模型为
其中
若时间序列曲线存在转折点，且呈二次函数变化时，选用三次指数平滑法，第t个时间点对应的三次指数平滑值计算方法为
三次指数平滑法预测模型为Yt+T'＝at+btT'+ctT'2，其中
4.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，通过隧道瓦斯历史数据的数量来确定平滑初值，若历史数据项数多于设定项数值，选第一项观测值作为初值；若少于设定项数值，则用前三项的绝对平均数作为初值。
5.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，步骤S4具体为：
依据D—S证据理论及相对误差序列的数据，构建一个识别框架D，则识别框架D的命题集合为2D，所述命题集合2D中每个命题对应一个相对误差区间，每个相对误差区间对应一个瓦斯状态。
6.根据权利要求5所述的隧道瓦斯涌出浓度预测方法，其特征在于，步骤S5具体为：在识别框架命题集合2D上建立状态概率数分配函数Mass，并获得每个状态在对应相对误差下的Mass函数；
将最后一个时间点对应的相对误差代入每个Mass函数中计算T个时间点中最后一个时间点的状态概率数分布矩阵。
7.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，步骤S6具体为：
根据T个时间点中最后一个时间点的状态概率数计算未来第一个数据的状态转移矩阵，即一步状态转移概率矩阵
其中Pij表示状态i转移到达状态j的转移概率，其计算公式为：
未来第n个数据的状态转移矩阵即第n步状态转移概率矩阵
8.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，步骤S7具体为：设所述状态概率数中的最后一个时间点的状态概率数分布矩阵为m0＝[m(i)],i∈2D，则第n期的状态概率数分布矩阵mn＝m0×pn。
9.根据权利要求1所述的隧道瓦斯涌出浓度预测方法，其特征在于，隧道瓦斯涌出浓度预测结果
其中，Si为瓦斯浓度初始预测值。
10.一种隧道瓦斯涌出浓度预测，其特征在于，包括处理器、存储器和瓦斯浓度采集装置，所述存储器与处理器通信连接，所述瓦斯浓度采集装置采集隧道内瓦斯浓度，其瓦斯浓度信息输出端连接所述处理器的瓦斯浓度信息输入端，所述存储器内存放有至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至9中任一项所述的隧道瓦斯涌出浓度预测方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110278418.9A CN113011648B (zh) | 2021-03-15 | 2021-03-15 | 隧道瓦斯涌出浓度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110278418.9A CN113011648B (zh) | 2021-03-15 | 2021-03-15 | 隧道瓦斯涌出浓度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011648A true CN113011648A (zh) | 2021-06-22 |
| CN113011648B CN113011648B (zh) | 2023-09-08 |
Family
ID=76407599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110278418.9A Active CN113011648B (zh) | 2021-03-15 | 2021-03-15 | 隧道瓦斯涌出浓度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011648B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115525868A (zh) * | 2022-09-19 | 2022-12-27 | 北京云庐科技有限公司 | 隧道施工变形预测方法、装置、电子设备及存储介质 |
| CN117454762A (zh) * | 2023-10-30 | 2024-01-26 | 昆明理工大学 | Markov-神经网络的穿煤隧道掌子面瓦斯浓度预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845447A (zh) * | 2017-02-19 | 2017-06-13 | 辽宁工程技术大学 | 一种工作面瓦斯浓度预测预警方法 |
| CN109376919A (zh) * | 2018-10-12 | 2019-02-22 | 西安科技大学 | 一种煤矿综采工作面瓦斯涌出量的预测方法 |
| CN111579584A (zh) * | 2020-05-21 | 2020-08-25 | 太原理工大学 | 一种基于红外热成像技术识别煤中气体富集区域的方法 |
-
2021
- 2021-03-15 CN CN202110278418.9A patent/CN113011648B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106845447A (zh) * | 2017-02-19 | 2017-06-13 | 辽宁工程技术大学 | 一种工作面瓦斯浓度预测预警方法 |
| CN109376919A (zh) * | 2018-10-12 | 2019-02-22 | 西安科技大学 | 一种煤矿综采工作面瓦斯涌出量的预测方法 |
| CN111579584A (zh) * | 2020-05-21 | 2020-08-25 | 太原理工大学 | 一种基于红外热成像技术识别煤中气体富集区域的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王栓林;樊少武;马超;: "突出危险性预测中的瓦斯浓度实时指标研究", 煤炭科学技术, no. 05, pages 54 - 57 * |
| 王鹏;崔锋;郭锋;: "煤与瓦斯突出实时监测及预警系统研究", 陕西煤炭, no. 01, pages 6 - 8 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115525868A (zh) * | 2022-09-19 | 2022-12-27 | 北京云庐科技有限公司 | 隧道施工变形预测方法、装置、电子设备及存储介质 |
| CN117454762A (zh) * | 2023-10-30 | 2024-01-26 | 昆明理工大学 | Markov-神经网络的穿煤隧道掌子面瓦斯浓度预测方法 |
| CN117454762B (zh) * | 2023-10-30 | 2024-05-24 | 昆明理工大学 | Markov-神经网络的穿煤隧道掌子面瓦斯浓度预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011648B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
| CN113011648A (zh) | 隧道瓦斯涌出浓度预测方法及系统 | |
| Lorden | Procedures for reacting to a change in distribution | |
| CN109740661B (zh) | 一种基于模糊评估的油井动液面自适应预测方法 | |
| CN104714537B (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
| CN109670625B (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
| CN105096053A (zh) | 一种适用于复杂工艺系统的健康管理决策方法 | |
| CN111444942B (zh) | 一种高炉铁水硅含量智能预报方法及系统 | |
| CN107944090A (zh) | 基于关键部件失效模型的燃气轮机系统性能预测方法 | |
| US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
| CN105468850A (zh) | 基于多残差回归预测算法的电子产品退化趋势预测方法 | |
| Rasay et al. | Application of multivariate control charts for condition based maintenance | |
| Yiwei et al. | A model-based prognostics method for fatigue crack growth in fuselage panels | |
| CN115358293A (zh) | 一种降低系统偏差对评估结果干扰的组合方法 | |
| CN108090241B (zh) | 连续性工艺的趋势变量鉴定方法与系统 | |
| JP6003909B2 (ja) | 高炉通気性予測装置及び高炉通気性予測方法 | |
| CN115860134A (zh) | 基于机器学习和极限学习机混合模型的爆破块度预测方法 | |
| CN112800585B (zh) | 一种多工序工艺可靠性定量化建模方法 | |
| CN115169856A (zh) | 基于多源信息融合的隧道衬砌状态评价方法 | |
| CN115640652A (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
| CN112100919B (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
| CN114722924A (zh) | 压力预测方法及装置、存储介质、终端 | |
| Li et al. | Remaining useful life prediction of equipment considering dynamic thresholds under the influence of maintenance | |
| Tsai et al. | Exponentially weighted moving average control charts for three-level products | |
| CN111125918A (zh) | 基于相似寿命模型和相似寿命的复杂产品可靠性评定方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211101 Address after: 400074 No. 66, Xuefu Avenue, Nan'an District, Chongqing Applicant after: CHONGQING JIAOTONG University Applicant after: China Shipping Construction Co.,Ltd. Address before: 400074 No. 66, Xuefu Avenue, Nan'an District, Chongqing Applicant before: CHONGQING JIAOTONG University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |