CN113298165A

CN113298165A - 一种基于多源信息融合的煤矿瓦斯灾害超前预测方法

Info

Publication number: CN113298165A
Application number: CN202110602949.9A
Authority: CN
Inventors: 黄炳僖; 谭佳蜂; 胡千庭; 李全贵
Original assignee: Individual
Current assignee: Individual
Priority date: 2021-05-31
Filing date: 2021-05-31
Publication date: 2021-08-24

Abstract

本发明公开了一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，包括以下步骤：确定影响煤矿瓦斯灾害预测的主控因素；基于已发生的煤矿瓦斯灾害和矿井真实安全监测数据，对主控因素数据进行数据分析，预处理及特征工程；对数据进行数据集分割操作，选择多个分类机器学习模型进行训练，对多个模型采取全组合的形式进行对比，确保模型预测效果，进行模型选择；将训练好的模型集成到运行模型所需的煤矿瓦斯灾害预测软件基础架构中，进行实际煤矿瓦斯灾害预测活动。采用本发明提供的方法能够有效地对煤矿瓦斯灾害预测进行超前预测预报，针对煤矿瓦斯灾害的危险程度采取相应的预防措施，避免煤矿瓦斯灾害的发生，保证煤矿开采的安全。

Description

一种基于多源信息融合的煤矿瓦斯灾害超前预测方法

技术领域

本发明属于煤矿瓦斯灾害预测领域，涉及了多源信息融合的煤矿瓦斯灾害预测方法。

背景技术

自建国以来，煤炭一直在我国能源生产结构中占有很大的比重，是我国经济发展的重要基础，维系着国民经济发展的安全。煤炭占我国能源消费总量的59％都来自于煤炭消费，同比上一年降低了1.4％。在过去的十年中，煤炭消费在能源消费结构中的占比呈下降趋势，但相较于其他能源，煤炭在我国能源组成结构中仍处于主体性地位。虽然煤炭在促进我国经济快速发展的过程中有着重要的作用，但同时也遭受着煤炭开采带来的危害，对煤矿的安全生产与矿工们的生命安全产生威胁。

因为我国地质环境比较特殊，煤炭开采大多是井工开采模式，大部分矿井为含有瓦斯的矿井，而且其中一半以上的矿井存在大量瓦斯或存在瓦斯突出问题，再加上煤的空间密度较大、煤层之间的透气性低且不易在开采之前进行抽放，在采挖时极易发生瓦斯灾害。所以预防和控制煤矿中瓦斯事故的发生，促进煤矿安全生产已经成为国家亟需解决的重大问题。目前，我国煤矿瓦斯灾害监测技术已经有了很大的发展，大部分煤矿企业都安装了煤矿安全监控系统。这些系统能够采集矿井下的各种监测数据，如矿井下的温度、一氧化碳浓度、瓦斯气体浓度、工作面掘进速度、风速等数据。由于煤矿井下工作环境恶劣，监测数据会出现数据量大、离群点多和数据缺失等问题，而传统的煤矿安全监控系统只能对监测数据进行简单转换、记录、显示和打印，并没有对数据进行科学有效的分析和预案处理。

因此，采用高效的数据预处理方法对瓦斯浓度数据进行处理，更加有效地利用数据信息，并在现有的历史数据的前提下，发现瓦斯突出和瓦斯浓度演变规律，提高对瓦斯数据的感知能力和预测能力是亟需解决的重要问题。瓦斯灾害在实际煤矿生产中，并不是突然产生的，而是一个变化的，从无到有，逐步积累而形成的。因此在瓦斯爆炸发生之前，总会有一些前兆出现，如果能提前预测到这些前兆信息，采取合适的防范措施，就能够将瓦斯灾害带来的损失降至最低，甚至避免瓦斯灾害的发生。如今机器学习在各行各业都已取得广泛的应用，但在瓦斯灾害预测中仍然很少涉及，需要进一步的研究。因此，本发明首先基于数据预处理技术对煤矿监测数据进行处理与融合，然后基于深度学习方法发现以往井下实际发生瓦斯浓度超限、煤与瓦斯突出灾害或预兆事件时的数据分布规律，最后实现对煤矿瓦斯浓度数据的预测。因此提高瓦斯浓度数据预测方法的精确度，避免煤矿瓦斯灾害的发生，对于对保障煤矿的安全生产和矿工们的生命安全具有重要意义。

发明内容

发明目的：为了满足煤矿有效地防治煤矿瓦斯灾害，本发明针对煤矿瓦斯灾害的特征，提供一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，不仅能指导煤矿安全生产，还能有效地采取针对性预防措施。

技术方案：为实现上述目的，本发明提供的技术方案如下：

一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，包括如下步骤：

(1)确定影响煤矿瓦斯灾害预测的主控因素；

(2)基于已发生的煤矿瓦斯灾害和矿井真实安全监测数据，对主控因素数据进行数据分析，预处理及特征工程；

(3)对数据进行数据集分割操作，选择多个分类机器学习模型进行训练，对多个模型采取全组合的形式进行对比，确保模型预测效果，进行模型选择；

(4)将训练好的模型集成到运行模型所需的煤矿瓦斯灾害预测软件基础架构中，进行实际煤矿瓦斯灾害预测活动。

所述步骤(1)中，影响煤矿瓦斯灾害的主控因素包括：煤层瓦斯压力、煤的坚固性系数、煤的破坏类型、瓦斯放散初速度。所述的煤层瓦斯压力是指煤层孔隙内气体分子自由热运动撞击所产生的作用力；所述的煤的破坏形式是按照煤被破碎的程度划分的类型，第Ⅰ类型：煤未遭受破坏，原生沉积结构、构造清晰；第Ⅱ类型：煤遭受轻微破坏，呈碎块状，但条带结构和层理仍然可以识别；第Ⅲ类型：煤遭受破坏，呈碎块状，原生结构、构造和裂隙系统已不保存；第Ⅳ类型：煤遭受强破坏，呈粒状；第Ⅴ类型：煤被破碎成粉状。第Ⅲ、Ⅳ、Ⅴ类型的煤具有煤与瓦斯突出的危险性。所述的瓦斯放散初速度表示在一个大气压下吸附瓦斯后用mmHg表示的45～60s的瓦斯放散量与0～10s内的瓦斯放散量的差值。

所述步骤(2)中，基于已发生的煤矿瓦斯灾害和矿井真实安全监测数据，对主控因素数据进行数据分析，预处理及特征工程，具体为：首先对收集到的数据进行加工、整理，然后进行数据清洗，处理缺失值、处理偏离值、数据规范化、数据的转换等“数据预处理”操作。最后对数据集做特征的提取、数据的降维等方面的处理。其中数据加工要包括这一步骤：创建数据列“危险性”，对于已发生的事故时煤矿瓦斯灾害主控因素数据在“危险性”列添加数据“危险”，未发生事故的煤矿瓦斯主控因素数据在“危险性”列添加数据“安全”。选择数据集的因变量为新创建数据列“危险性”。

所述步骤(3)中，数据进行数据集分割操作，选择多个分类机器学习模型进行训练，对多个模型采取全组合的形式进行对比，确保模型预测效果，进行模型选择，具体为：将样本分成独立的两个部分：训练集和测试集，按7:3的比例划分，使用逻辑回归、决策树、支持向量机、向量机、朴素贝叶斯、随机森林、加法模型、梯度提升树分类模型，选择模型拟合效果最好的模型，，以精准率(Precision)、召回率(Recall)、准确率(Accuracy)、AUC(AreaUnder the ROC Curve)这四个指标来评判模型性能的优劣，尝试所有特征组合的方式进行模型的训练。最后选择出拟合度最优的机器学习模型和特征组合。模型通过因变量(即预测值)危险性为安全或者危险来判断灾害是否可能发生。

采用的危险评价指标有：

式中：TP：真正例，实际为正预测为正；FP：假正例，实际为负但预测为正；FN：假反例，实际为正但预测为负；TN：真反例，实际为负预测为负。M为正样本个数，N为负样本个数。

所述步骤(4)中，将训练好的模型集成到运行模型所需的煤矿瓦斯灾害预测软件基础架构中，进行实际煤矿瓦斯灾害预测活动，具体为：首先构建运行模型的基础架构，以预测软件的形式实现模型。模型完成初步部署，进入预测活动之后，按计划定期再训练和持续学习，对模型进行定期更新。

有益效果：本发明提供了一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，基于已有的煤矿瓦斯灾害和矿井真实安全监测数据，根据多源信息融合理论，以大数据分析和机器学习为方法，对煤矿瓦斯灾害危险性超前预测预报评价分析，能够对煤矿有针对性地对煤矿瓦斯灾害进行防治的目的。

附图说明

图1为本发明方法实施流程图

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示，为一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，包括以下步骤：

(1)确定影响煤矿瓦斯灾害预测的主控因素。

影响煤矿瓦斯灾害预测的主控因素包括：煤层瓦斯压力、煤的坚固性系数、煤的破坏类型、瓦斯放散初速度。所述的煤层瓦斯压力是指煤层孔隙内气体分子自由热运动撞击所产生的作用力；所述的煤的破坏形式是按照煤被破碎的程度划分的类型，第Ⅰ类型：煤未遭受破坏，原生沉积结构、构造清晰；第Ⅱ类型：煤遭受轻微破坏，呈碎块状，但条带结构和层理仍然可以识别；第Ⅲ类型：煤遭受破坏，呈碎块状，原生结构、构造和裂隙系统已不保存；第Ⅳ类型：煤遭受强破坏，呈粒状；第Ⅴ类型：煤被破碎成粉状。第Ⅲ、Ⅳ、Ⅴ类型的煤具有煤与瓦斯突出的危险性。所述的瓦斯放散初速度表示在一个大气压下吸附瓦斯后用mmHg表示的45～60s的瓦斯放散量与0～10s内的瓦斯放散量的差值。

(2)基于已发生的煤矿瓦斯灾害和矿井真实安全监测数据，对主控因素数据进行数据分析，预处理及特征工程。

该步骤具体为：首先对数据进行加工、整理，然后进行数据清洗，处理缺失值、处理偏离值、数据规范化、数据的转换等“数据预处理”操作。最后对数据集做特征的提取、数据的降维等方面的处理。其中数据加工要包括这一步骤：创建数据列“危险性”，对于已发生的事故时煤矿瓦斯灾害主控数据在“危险性”列添加数据“危险”，没发生事故时的煤矿瓦斯主控数据在“危险性”列添加数据“安全”。选择数据集的因变量为新创建数据列“危险性”，即危险性为数据集的预测值，将预测结果分为危险和安全两种情况。

(3)对数据进行数据集分割操作，选择多个分类机器学习模型进行训练，对多个模型采取全组合的形式进行对比，确保模型预测效果，进行模型选择。

该步骤具体为：首先将处理好的数据集按7:3的比例分为训练集和测试集，对数据集进行模型训练。通过采取所有组合的方式对数据特征进行选择，逐一进行模型训练，通过对比不同模型、不同特征组合下的精准率、召回率、准确率、AUC指标，选择出性能最优的预测模型和最好的特征组合。

该步骤具体为：首先是模型集成，构建运行模型的基础架构，以预测软件的形式实现模型，将模型部署进入实际生产中。然后对模型的机器学习模型进行定期的再训练影响自己的行为，监控维护运行模型，预测偏差和机器学习模型的整体性能。模型完成初始部署后，以确保模型始终反映数据和环境的最新趋势，还需要定期更新。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于多源信息融合的煤矿瓦斯灾害超前预测方法，其特征在于：

(1)确定影响煤矿瓦斯灾害预测的主控因素；

2.按照权利要求1所述，一种基于多源信息融合的煤矿瓦斯灾害预测方法特征在于：所述步骤(1)中，影响煤矿瓦斯灾害的主控因素包括：煤层瓦斯压力、煤的坚固性系数、煤的破坏类型、瓦斯放散初速度，所述的煤层瓦斯压力是指煤层孔隙内气体分子自由热运动撞击所产生的作用力；所述的煤的破坏形式是按照煤被破碎的程度划分的类型，第Ⅰ类型：煤未遭受破坏，原生沉积结构、构造清晰；第Ⅱ类型：煤遭受轻微破坏，呈碎块状，但条带结构和层理仍然可以识别；第Ⅲ类型：煤遭受破坏，呈碎块状，原生结构、构造和裂隙系统已不保存；第Ⅳ类型：煤遭受强破坏，呈粒状；第Ⅴ类型：煤被破碎成粉状，第Ⅲ、Ⅳ、Ⅴ类型的煤具有煤与瓦用mmHg表示的45～60s的瓦斯放散量与0～10s内的瓦斯放散量的差值。

3.按照权利要求1所述，一种基于多源信息融合的煤矿瓦斯灾害超前预测方法特征在于：所述步骤(2)，基于已发生的煤矿瓦斯灾害和矿井真实安全监测数据，对主控因素数据进行数据分析，预处理及特征工程，所述的对主控因素数据进行数据分析，预处理和特征工程，具体为：首先对收集到的数据进行加工、整理，然后进行数据清洗，处理缺失值、处理偏离值、数据规范化、数据的转换等“数据预处理”操作，最后对数据集做特征的提取、数据的降维等方面的处理；其中数据加工要包括这一步骤：创建数据列“危险性”，对于已发生的事故时煤矿瓦斯灾害主控因素数据在“危险性”列添加数据“危险”，未发生事故的煤矿瓦斯主控因素数据在“危险性”列添加数据“安全”，选择数据集的因变量为新创建的数据列“危险性”。

4.按照权利要求1所述，一种基于多源信息融合的煤矿瓦斯灾害超前预测方法特征在于：所述步骤(3)中，所述的对数据进行数据集分割操作指的是将样本分成独立的两个部分：训练集和测试集，按7:3的比例划分；所述的多个分类机器学习模型指的是逻辑回归、决策树、支持向量机、向量机、朴素贝叶斯、随机森林、加法模型、梯度提升树分类模型；所述的确保模型预测效果，进行模型选择指的是选择模型拟合效果最好的模型，评估指标为精准率(Precision)、召回率(Recall)、准确率(Accuracy)、AUC(Area Under the ROC Curve)，以这四个指标来评判模型性能的优劣；所述的全组合的形式指的是从n个不同特征中每次取出m个不同特征(0≤m≤n)，不管其顺序合成一组，称为从n个特征中不重复地选取m个特征的一个组合，尝试所有特征组合的方式进行模型的训练称为全组合的方式；模型通过因变量(即预测值)危险性为安全或者危险来判断灾害是否可能发生。

5.按照权利要求1所述，一种基于多源信息融合的煤矿瓦斯灾害超前预测方法特征在于：所述步骤(4)中，所述的模型集成步骤包括两个主要活动：构建运行模型的基础架构，以可使用和支持的形式实现模型；模型完成初始部署，参与预测活动之后，需要模型监测，监测不断变化的输入数据、预测偏差和机器学习模型的整体性能；通常还需要更改，以确保模型始终反映数据和环境的最新趋势；有多种技术可以使模型适应新数据，包括按计划定期再训练和持续学习；但在生产环境中，模型更新会受到多种实际因素的影响，模型进入实际生产活动需要；模型在部署后要定期更新。