CN113742995A - 一种基于煤矿大数据的矿井涌水量预测方法及系统 - Google Patents
一种基于煤矿大数据的矿井涌水量预测方法及系统 Download PDFInfo
- Publication number
- CN113742995A CN113742995A CN202110856754.7A CN202110856754A CN113742995A CN 113742995 A CN113742995 A CN 113742995A CN 202110856754 A CN202110856754 A CN 202110856754A CN 113742995 A CN113742995 A CN 113742995A
- Authority
- CN
- China
- Prior art keywords
- water
- mine
- water inflow
- coal
- neural network
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 217
- 239000003245 coal Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 60
- 238000005065 mining Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 239000011435 rock Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000035699 permeability Effects 0.000 claims description 5
- 239000013505 freshwater Substances 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000005086 pumping Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000002352 surface water Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000005553 drilling Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 101150096839 Fcmr gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- AAOVKJBEBIDNHE-UHFFFAOYSA-N diazepam Chemical group N=1CC(=O)N(C)C2=CC=C(Cl)C=C2C=1C1=CC=CC=C1 AAOVKJBEBIDNHE-UHFFFAOYSA-N 0.000 description 1
- 229960003529 diazepam Drugs 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于煤矿大数据的矿井涌水量预测方法及系统，获取煤矿地理位置自然条件和矿区信息，获取煤炭水文地质探测数据；根据获取的信息，确定矿井涌水量的主控因素；建立矿井涌水量与确定的主控因素的映射关系，构建涌水量预测模型，利用TRUST‑TECH方法寻找多个局部最优解，以确定全局最优解，得到工作面涌水量预测结果；本发明提取矿井涌水发生的主控因素，使用TRUST‑TECH技术建立涌水预测模型，对工作面发生涌水水害程度做出预测，预测过程简单，预测结果准确。
Description
技术领域
本发明属于涌水量预测技术领域，具体涉及一种基于煤矿大数据的矿井涌水量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
长期以来，矿井涌水是煤矿安全生产函需解决的问题。在煤矿实际生产过程中，准确地预测矿井涌水量能够有效防止矿井突水、淹井等恶性事故的发生，对于保障安全生产具有重要意义。矿井涌水量实际意义体现在以下方面：1)关系到煤矿的生产安全与生产成本，是矿床经济技术评价的依据之一；2)是矿井防排水系统如何在井下分布分配等生产系统设计的基础；3)是矿井制定防治水工程规划与设计及水害防治技术路线的依据。
随着煤矿开采工作的进行，采深不断加大，开采条件日益复杂，矿体赋存空间内的水源通过地层空隙、断裂带、岩溶管道等自然形成的通道和由采掘活动等引起的人为通道互相联系。另外，随着矿井的不断采掘，涌入矿井的水量也相应发生着变化。这些因素都使矿井涌水量的预测工作更加困难。国内外矿山水文地质工作者长期以来积累并发展了多种矿山涌水量预测方法，但准确度及精度均有待提高。据统计，目前煤矿涌水量预测误差较大，与开采后的实际涌水量对比，大多数矿区误差大于50％，个别矿区误差达数10倍、100倍。预测失误的主要原因包括：水文地质条件的复杂性认识不足，对水文地质条件未予查清；水文地质模型概化不当，选用的水文地质参数不妥，缺乏代表性；数学模型选择不当。
根据不是很准确的矿井预测涌水量数据进行矿山开采设计、生产计划编制，会造成经济损失，甚至会加剧煤矿水害事故的发生。因此，煤矿水文灾害预测系统的有效性，对煤矿井下安全生产指挥与井下人员逃生等起着非常重要的作用。
近年来，众多学者对煤矿水害进行了诸多研究，但是据发明人了解，目前的研究都是基于已经处理好的数据基础之上，在应用于实际项目过程中，还需要解决数据的价值稀疏性、不确定性和多源异构性的问题。由于煤矿水文地质条件的复杂性，很难对涌水量进行有效、准确计算。
发明内容
本发明为了解决上述问题，提出了一种基于煤矿大数据的矿井涌水量预测方法及系统，本发明提取矿井涌水发生的主控因素，使用TRUST-TECH技术建立涌水预测模型，对工作面发生涌水水害程度做出预测，预测过程简单，预测结果准确。
根据一些实施例，本发明采用如下技术方案：
一种基于煤矿大数据的矿井涌水量预测方法，包括以下步骤：
获取煤矿地理位置自然条件和矿区信息，获取煤炭水文地质探测数据；
根据获取的信息，确定矿井涌水量的主控因素；
建立矿井涌水量与确定的主控因素的映射关系，构建涌水量预测模型，利用TRUST-TECH方法寻找多个局部最优解，以确定全局最优解，得到工作面涌水量预测结果。
作为可选择的实施方式，获取煤矿地理位置自然条件的具体过程包括获取地形地貌、气象、水文和地质环境信息。
作为可选择的实施方式，所述煤矿矿区信息包括可采煤层厚度、平均间距、煤层结构、稳定性、可采性、顶板岩性和底板岩性。
作为可选择的实施方式，获取煤炭水文地质探测数据的具体过程包括：获取地下水的埋藏条件、运动规律、水量、水质和水温，确定淡水、咸水界埋藏深度和变化规律，观测不同含水层地下水动态变化的规律，获取各含水层水力联系及地下水的补给、排泄条件，获取抽水试验得到的含水层的通水性和赋水性。
作为可选择的实施方式，所述主控因素包括综采工作面参数、导水裂缝发育高度、顶板至洛河组间距、含水层厚度、隔水层厚度、冲击地压、局部的断层、应力集中区和历史涌水情况中的若干个。
作为可选择的实施方式，所述预测模型，以涌水量主控因素作为输入信息，未来设定时间的涌水量预测值作为输出信息。
作为可选择的实施方式，构建涌水量预测模型的具体过程包括：
确定最佳的网络结构，生成成员神经网络；
基于TRUST-TECH的训练方法的基于显着性的最优输入修减神经网络；
成员神经网络应用自适应选择策略组成最佳组合。
作为可选择的实施方式，成员神经网络应用自适应选择策略组成最佳组合的具体过程包括：
应用随机选择方法选择成员神经网络；
对于G次训练，如果所选择的成员神经网络可以生成改进的解决方案，则将其记录在成功存储器中，增加成员神经网络被选择的概率，否则，通过将其记录在失败存储器，降低成员神经网络被选择的概率；
成功和失败记忆被更新为固定数量的神经网络训练次数，称为学习期，如果存储器在学习期生成之后溢出，则存储在存储器中的最早记录将被移除，以便将当前一代中获得的数据存储在存储器中；
在学习期生成后的后续生成中，更新选择成员神经网络的概率。
一种基于煤矿大数据的矿井涌水量预测系统，包括：
信息获取模块，被配置为获取煤矿地理位置自然条件和矿区信息，获取煤炭水文地质探测数据；
主控因素确认模块，被配置为根据获取的信息，确定矿井涌水量的主控因素；
预测模块，被配置为建立矿井涌水量与确定的主控因素的映射关系，构建涌水量预测模型，利用TRUST-TECH方法寻找多个局部最优解，以确定全局最优解，得到工作面涌水量预测结果。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明通过研究煤矿矿井地质、水文地质条件、开采方法及钻探工作资料等，提取矿井涌水发生的主控因素，使用TRUST-TECH技术建立涌水预测模型，对工作面发生涌水水害程度(涌水量)做出预测，保证了预测结果的准确性。
更为具体的，本发明利用煤炭水文地质钻孔，查明含水层(体)的岩体、结构及埋藏深度，以及含水层和隔水层在水平和垂直方向上的变化规律，以及确定各含水层的初见水位和天然(稳定)水位，确定各含水层之间的水力联系；确定含水层的各种水文地质参数；确定岩土物理性质和水理性质，分析地下水水质和测定温度；综合选取各方面的因素作为涌水量预测的主控因素，通过分析本矿井涌水量的主控因素，未来一段时间内涌水量预测值作为输出信息，使用TRUST-TECH技术进行数据挖掘，设计最优模型结构与计算最优参数，建立涌水量预测模型，显著提高了矿井涌水量预测的精度，保障了煤矿的生产安全，具有良好的应有前景。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的主要流程示意图；
图2是本发明的水文地质钻孔示意图；
图3是本发明的煤矿含水层、隔水层、煤层结构概化图；
图4是本发明的预测架构示意图；
图5是本发明的Elite框架图；
图6是本发明的数据载入功能模块示意图；
图7是本发明的涌水量分析模块示意图；
图8是本发明的涌水量预测功能模块示意图；
图9是本发明的涌水量预测结果示意图；
图10是本发明的未来五天涌水量预测结果示意图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一种基于煤矿大数据的矿井涌水量预测方法，如图1所示，通过研究煤矿矿井地质、水文地质条件、开采方法及钻探工作资料等，提取矿井涌水发生的主控因素，使用TRUST-TECH技术建立涌水预测模型，对工作面发生涌水水害程度(涌水量)做出预测。
具体步骤如下：
步骤一：煤矿地理位置自然条件和矿区信息的描述。
主要包括：
地形地貌，如矿区是否处于河流底部、总体地势、海拔高度、地表高差等。
气象与水文，如历年每个月份降雨量、河流的水文信息(流量、流速、雨季洪水量)。
地质环境，如地层岩性、地质构造(矿区断层情况、陷落柱)、水文地质(矿井含水层、矿井隔水层、矿井地下水的补给、径流与排泄)。
可采煤层特征，如煤层厚度、平均间距、煤层结构(夹矸数)、稳定性、可采性、顶板岩性、底板岩性等。
步骤二：对煤炭水文地质进行钻孔。如图2所示，通过水文地质钻孔，查明地下水的埋藏条件、运动规律、水量、水质、水温等；查明淡水、咸水界埋藏深度和变化规律，从而为地下水资源的评价和其它专门试验工作提供水文地质资料；观测不同含水层地下水动态变化的规律，了解各含水层水力联系及地下水的补给、排泄条件；进行抽水试验，以了解含水层的通水性和赋水性；综合勘探、综合评价，使地下水得到充分、合理的应用。煤矿含水层、隔水层、煤层结构如图3所示。
步骤三：选取涌水量预测的主控因素。
通过与正通煤业地测专家与相关领域工程师指导与交流，最终确定以下几个影响煤矿工作面发生涌水的主控因素，主要包括：
综采工作面参数。涌水量预测主控因素中涉及综采工作面参数的主要包括：日推采长度、总推采长度、日采空面积、采空区总面积和采高。
导水裂缝发育高度。当导水裂隙带发育高度达到煤层顶板充水含水岩层底界时，导水裂隙带将沟通上覆充水含水层，不仅会增大其分布范围内的充水含水层静储量，而且会增加充水含水层动储量，最终使得矿井涌水量显著增加。一旦导水裂隙带发育高度到达充水含水层底界，发生矿井涌水的可能性非常大。因此，导水裂隙带发育高度到充水含水层底界的距离这项指标很大程度上影响着矿井涌水量的大小。
顶板至洛河组间距。探查煤层顶板至洛河组含水层底界距离，并绘制相关等厚线图，原则上按照每150m施工一个探查孔，探查孔施工期间必须要做好原始记录，重点记录出水位置、水温、水压，并对钻孔内水进行取样化验，通过特征离子和矿化度分析出水水源。根据以上数据基本能够分析和辨别处钻孔进入洛河组的位置，在通过钻孔测斜计算出煤层顶板至洛河组含水层之间的垂距，一个工作面全部将钻孔施工完成后，根据数据绘制等厚线图，为采高确认提供技术依据。
含水层厚度(延安组)。含水层厚度是影响煤层顶板含水层富水性的重要因素之一，当影响含水层富水性其他诸多因素一定时，含水层的富水程度与含水层的厚度成正相关，含水层厚度越大，其富水性越好。
隔水层厚度(安定组)。隔水层的存在是阻止涌水发生的最基本的条件，其厚度越大，阻水性能越好，在其他条件已定的情况下，发生涌水危险性也就越小。
历史涌水情况。选择第k天的涌水量作为预测第k+1,k+2,k+3,k+4和k+5天涌水量预测的主控因素之一。除了水文地质因素和综采因素影响煤矿发生涌水之外，第k天是否发生了涌水事件以及涌水的程度也有可能对未来五天的涌水量产生影响，故在预测模型的输入中加入了历史涌水情况。
步骤四：建立涌水量预测模型。
通过分析本矿井涌水量的主控因素，将本矿井涌水量与其各项主控因素的映射关系概括为：
Q＝f(length_daily,length_total,area_daily,area_total,height,degree_crack,spacing,aquifer_thickness,aquifuge_thickness,water_gushing)
式中：length_daily是日推采长度，length_total是总推采长度，area_daily是日采空面积，area_total是与采空区累计面积，height是采高，degree_crack是导水裂缝发育程度，spacing是顶板至洛河组间距，aquifer_thickness是含水层厚度(延安组)，aquifuge_thickness是隔水层厚度(安定组)，water_gushing是第k天的涌水量；Q为5×1的数组，分别是第k+1,k+2,k+3,k+4和k+5天的涌水量。
采用矿井工作面的上述涌水量主控因素作为输入信息，未来五天涌水量预测值作为输出信息，使用TRUST-TECH技术对一段时间内的数据进行数据挖掘，设计最优模型结构与计算最优参数，建立涌水预测模型，预测模型构架如图4所示。
步骤五：设计矿井涌水量预测器。
本方法使用基于TRUST-TECH技术设计的增强型Elite(EnsembleofOptimalInput-PrunedNeuralNetworksusingTRUST-TECH)神经网络预测器(EnhancedElite，E-Elite)对煤矿涌水量预测。
具体的，步骤二中对煤炭水文地质进行钻孔主要包括以下任务：
(1)揭露地下水，确定含水层位，并查明含水层(体)的岩体、结构及埋藏深度，以及含水层和隔水层在水平和垂直方向上的变化规律；
(2)查明各含水层水位，确定各含水层的初见水位和天然(稳定)水位，确定各含水层之间的水力联系；
(3)进行水文地质试验，确定含水层的各种水文地质参数；
(4)进行地下水动态观测，了解地下水的补排条件；
(5)采取岩土样和水样，确定岩土物理性质和水理性质，分析地下水水质和测定温度等。
对步骤三中提出的选取涌水量预测的主控因素，后期希望增加的主控因素主要包括：冲击地压、局部的断层、应力集中区(释放会对水压造成影响)。
对步骤五所提到的设计矿井涌水量预测器，具体方法如下：
本方法提出的Elite方法用于构建高质量的神经网络的集合，利用TRUST-TECH寻找多个局部最优解，以确定全局最优解。其设计目标是双重的，第一是生成一个多样化的神经网络系统，第二是最优化的组合它们以实现最佳的集合。Elite是由以下四个阶段组成。Elite框架图如图5所示。
(1)确定最佳的网络结构。
由于TRUST-TECH可以有效地找到针对训练问题的多个局部最优解，可以很好地探索具有特定结构的神经网络的潜力，因此，可以获得具有紧凑结构的神经网络，以解决受复杂度影响的神经网络的泛化能力。
应用基于TRUST-TECH的训练方法来确定达到最小MSE值的最佳权重，如果此值大于目标值(本文为0.01)，则添加新的隐藏节点，并使用TRUST-TECH再次训练网络，重复该过程，直到满足所需的MSE值，或者在降低最小MSE值方面没有显著改善。这样获得的神经网络(具有高质量的局部最优权重)用作随后阶段的基本神经网络。
(2)生成成员神经网络。
在确定具有紧凑结构的神经网络之后，将通过第一级TRUST-TECH搜索算法对网络权重进行重新训练。从非线性系统理论角度来看，这种再训练将探索与基本神经网络相对应的稳定平衡点周围的相邻稳定平衡点的稳定区域。因此将获得更好的局部最优解的可能性增加了。其次，通过TRUST-TECH搜索将获得多个局部最优解，从而提供一组神经网络形成一个整体。结果，获得了共享相同结构但具有不同局部最优权重的神经网络。
(3)成员神经网络的输入修剪。
应用基于TRUST-TECH的训练方法的基于显着性的最优输入修减神经网络。每个特征都与输入节点相关联，并且可以评估输入节点的显着性来实现特征选择。神经网络中权重的显着性通过将该权重调整为0引起的性能变化来近似。将误差函数E(w)上的泰勒展开式应用于第i个权重ωi∈w＝(ω01,…,bk)T,i＝1,…,s，我们可以得出：
为了将ωi调整为0，将使Δωi＝-ωi，并将(3.5)式中的高阶项近似为：
因此，神经网络中第i个权重的显着性表示为：
输入节点的显着性可以表示为：
实质上，输入节点的显着性是其权重的累积显着性。将显着性阈值根据经验选择为0.15。换句话说，选择组合显着性至少占总显着性的85％的输入节点(或要素)的最小集合。该特征选择过程是在集合N0中的每个第1层局部最优神经网络上分别执行的，结果，将不同的特征子集分配给不同的局部最优神经网络。由于那些低显着性节点已被删除，因此输入层被压缩，网络结构也相应地被修改。这些经过输入修剪的神经网络表示为
其中
代表相应的网络结构，
对应于修改后的权重，
是由所选特征子集组成的数据集。
对于每个结构修改后的神经网络
很明显剩余权重
不一定保持(局部)最优。因此进行基于TRUST-TECH的训练方法，以找到每个神经网络的多个局部最优权重向量，从中将选择最优的一个
(4)成员神经网络组成最佳组合。
成员神经网络应用自适应选择策略组成最佳组合。在自适应选择策略中，将神经网
络的训练定义为学习期(LP),跟踪每个成员神经网络的成功和失败(网络性能)。基于记录的成功和失败记忆，计算每个成员神经网络的成功率，并且在学习期生成之后的每个后续训练中更新每个成员神经网络的选择概率。自适应选择策略的详细过程逐步介绍如下:
令pk为选择每个成员神经网络的概率，并将每个pk初始化为
使得它们具有相等的选择概率。其中k＝1,2,3……,K，K为神经网络中成员神经网络的总数。
步骤1：应用随机选择方法选择成员神经网络。
步骤2：对于G次训练，如果所选择的成员神经网络可以生成改进的解决方案，则将其记录在成功存储器nsk,G中，增加成员神经网络被选择的概率。否则，通过将其记录在失败存储器nfk,G，降低成员神经网络被选择的概率。
步骤3：成功和失败记忆被更新为固定数量的神经网络训练次数，称为学习期(LP)。如果存储器在LP生成之后溢出，则存储在存储器中的最早记录将被移除，以便将当前一代中获得的数据存储在存储器中。
步骤4：在LP生成后的后续生成中，从选择成员神经网络的概率将更新如下：
式中：k＝1,2,3……,K；G>LP；Sk,G表示第k个成员神经网络生成良好解决方案的成功率；ε＝0.01，用于避免为零的成功率。具有较高成功率的成员神经网络将具有更大的选择概率被选入集合中。换句话说，通过自适应选择策略逐渐选择适合给定问题的成员神经网络。
由于煤矿水文地质条件的复杂性，很难找到准确的数学模型对涌水量进行有效计算。本发明与传统建立涌水量和主控因素之间的解析表达式不同，基于大数据的涌水量预测方法是指使用大量的历史数据训练预测器，使其在一定程度和层次上具有人工的信息处理、存储及检索功能，具有学习、记忆、计算和推断等智能处理功能，从而在不需要建立精确数学模型的情况下就可以实现从输入空间到输出空间的非线性映射。
通过研究煤矿矿井地质、水文地质条件、开采方法及钻探工作资料等，提取矿井涌水发生的主控因素，使用TRUST-TECH技术建立涌水预测模型，对工作面发生涌水水害程度(涌水量)做出精确预测。
作为一种具体实施方式，可以形成预测系统，涌水量预测器集成到正通灾害大数据分析平台，主要包括以下三步：
第一步，将预测器程序打包为Jar包，用于平台使用。
第二步，根据选择的平台接口程序(使用现有接口程序即可)，将涌水量预测器的Jar包二次打包，生成可以嵌入平台的Jar包；
第三步，平台集成：
将第二步的Jar包载入平台，后续操作如图6-10所示。
由图9和图10可以看出，本发明显著提高了矿井涌水量预测的精度，保障了煤矿的生产安全，具有良好的应有前景。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于煤矿大数据的矿井涌水量预测方法，其特征是：包括以下步骤：
获取煤矿地理位置自然条件和矿区信息，获取煤炭水文地质探测数据；
根据获取的信息，确定矿井涌水量的主控因素；
建立矿井涌水量与确定的主控因素的映射关系，构建涌水量预测模型，利用TRUST-TECH方法寻找多个局部最优解，以确定全局最优解，得到工作面涌水量预测结果。
2.如权利要求1所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：获取煤矿地理位置自然条件的具体过程包括获取地形地貌、气象、水文和地质环境信息；
或，所述煤矿矿区信息包括可采煤层厚度、平均间距、煤层结构、稳定性、可采性、顶板岩性和底板岩性。
3.如权利要求1所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：获取煤炭水文地质探测数据的具体过程包括：获取地下水的埋藏条件、运动规律、水量、水质和水温，确定淡水、咸水界埋藏深度和变化规律，观测不同含水层地下水动态变化的规律，获取各含水层水力联系及地下水的补给、排泄条件，获取抽水试验得到的含水层的通水性和赋水性。
4.如权利要求1所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：所述主控因素包括综采工作面参数、导水裂缝发育高度、顶板至洛河组间距、含水层厚度、隔水层厚度、冲击地压、局部的断层、应力集中区和历史涌水情况中的若干个。
5.如权利要求1所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：所述预测模型，以涌水量主控因素作为输入信息，未来设定时间的涌水量预测值作为输出信息。
6.如权利要求1所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：构建涌水量预测模型的具体过程包括：
确定最佳的网络结构，生成成员神经网络；
基于TRUST-TECH的训练方法的基于显着性的最优输入修减神经网络；
成员神经网络应用自适应选择策略组成最佳组合。
7.如权利要求6所述的一种基于煤矿大数据的矿井涌水量预测方法，其特征是：成员神经网络应用自适应选择策略组成最佳组合的具体过程包括：
应用随机选择方法选择成员神经网络；
对于G次训练，如果所选择的成员神经网络可以生成改进的解决方案，则将其记录在成功存储器中，增加成员神经网络被选择的概率，否则，通过将其记录在失败存储器，降低成员神经网络被选择的概率；
成功和失败记忆被更新为固定数量的神经网络训练次数，称为学习期，如果存储器在学习期生成之后溢出，则存储在存储器中的最早记录将被移除，以便将当前一代中获得的数据存储在存储器中；
在学习期生成后的后续生成中，更新选择成员神经网络的概率。
8.一种基于煤矿大数据的矿井涌水量预测系统，其特征是：包括：
信息获取模块，被配置为获取煤矿地理位置自然条件和矿区信息，获取煤炭水文地质探测数据；
主控因素确认模块，被配置为根据获取的信息，确定矿井涌水量的主控因素；
预测模块，被配置为建立矿井涌水量与确定的主控因素的映射关系，构建涌水量预测模型，利用TRUST-TECH方法寻找多个局部最优解，以确定全局最优解，得到工作面涌水量预测结果。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7中任一项所述的一种基于煤矿大数据的矿井涌水量预测方法中的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的一种基于煤矿大数据的矿井涌水量预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856754.7A CN113742995A (zh) | 2021-07-28 | 2021-07-28 | 一种基于煤矿大数据的矿井涌水量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110856754.7A CN113742995A (zh) | 2021-07-28 | 2021-07-28 | 一种基于煤矿大数据的矿井涌水量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113742995A true CN113742995A (zh) | 2021-12-03 |
Family
ID=78729332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110856754.7A Pending CN113742995A (zh) | 2021-07-28 | 2021-07-28 | 一种基于煤矿大数据的矿井涌水量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742995A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252128A (zh) * | 2022-02-28 | 2022-03-29 | 中国矿业大学(北京) | 一种地下管廊涌水量监测及预警系统、方法 |
| CN114580143A (zh) * | 2022-01-12 | 2022-06-03 | 中国矿业大学(北京) | 矿井涌水量动态预测方法及相关装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049645A (zh) * | 2012-11-28 | 2013-04-17 | 山东科技大学 | 一种煤层底板突水危险性评价方法 |
| CN103105630A (zh) * | 2013-01-08 | 2013-05-15 | 中国矿业大学(北京) | 矿井水文地质内外边界水力性质ann技术的定量确定方法 |
| US20140257767A1 (en) * | 2013-03-09 | 2014-09-11 | Bigwood Technology, Inc. | PSO-Guided Trust-Tech Methods for Global Unconstrained Optimization |
| CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
| CN104179514A (zh) * | 2014-08-18 | 2014-12-03 | 同济大学 | 水下隧道破碎围岩突水预测与渗流控制的方法 |
| CN104899358A (zh) * | 2015-05-13 | 2015-09-09 | 山东科技大学 | 奥灰岩溶裂隙水网络横向分布的预测方法 |
| CN110348639A (zh) * | 2019-07-16 | 2019-10-18 | 中国石油大学(华东) | 一种煤矿顶板突水危险等级预测方法 |
| CN110580655A (zh) * | 2019-09-17 | 2019-12-17 | 山东浪潮通软信息科技有限公司 | 一种基于lstm算法的煤矿涌水量预测的方法和系统 |
| CN111580181A (zh) * | 2020-04-22 | 2020-08-25 | 中国矿业大学(北京) | 一种基于多场多特征信息融合的导水陷落柱识别方法 |
| CN112948924A (zh) * | 2021-02-06 | 2021-06-11 | 合肥工业大学 | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 |
-
2021
- 2021-07-28 CN CN202110856754.7A patent/CN113742995A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049645A (zh) * | 2012-11-28 | 2013-04-17 | 山东科技大学 | 一种煤层底板突水危险性评价方法 |
| CN103105630A (zh) * | 2013-01-08 | 2013-05-15 | 中国矿业大学(北京) | 矿井水文地质内外边界水力性质ann技术的定量确定方法 |
| US20140257767A1 (en) * | 2013-03-09 | 2014-09-11 | Bigwood Technology, Inc. | PSO-Guided Trust-Tech Methods for Global Unconstrained Optimization |
| CN104156560A (zh) * | 2014-07-12 | 2014-11-19 | 中国矿业大学 | 一种基于SaE-ELM的煤矿多等级突水预测方法 |
| CN104179514A (zh) * | 2014-08-18 | 2014-12-03 | 同济大学 | 水下隧道破碎围岩突水预测与渗流控制的方法 |
| CN104899358A (zh) * | 2015-05-13 | 2015-09-09 | 山东科技大学 | 奥灰岩溶裂隙水网络横向分布的预测方法 |
| CN110348639A (zh) * | 2019-07-16 | 2019-10-18 | 中国石油大学(华东) | 一种煤矿顶板突水危险等级预测方法 |
| CN110580655A (zh) * | 2019-09-17 | 2019-12-17 | 山东浪潮通软信息科技有限公司 | 一种基于lstm算法的煤矿涌水量预测的方法和系统 |
| CN111580181A (zh) * | 2020-04-22 | 2020-08-25 | 中国矿业大学(北京) | 一种基于多场多特征信息融合的导水陷落柱识别方法 |
| CN112948924A (zh) * | 2021-02-06 | 2021-06-11 | 合肥工业大学 | 基于覆岩结构的近松散层开采导水裂隙带高度确定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张永峰: "基于粒子群技术的Trust-Tech全局优化技术研究及其应用", 工程科技Ⅱ辑, pages 37 - 38 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114580143A (zh) * | 2022-01-12 | 2022-06-03 | 中国矿业大学(北京) | 矿井涌水量动态预测方法及相关装置 |
| CN114580143B (zh) * | 2022-01-12 | 2023-05-05 | 中国矿业大学(北京) | 矿井涌水量动态预测方法及相关装置 |
| CN114252128A (zh) * | 2022-02-28 | 2022-03-29 | 中国矿业大学(北京) | 一种地下管廊涌水量监测及预警系统、方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Golian et al. | Prediction of tunnelling impact on flow rates of adjacent extraction water wells | |
| Erkens et al. | Sinking coastal cities | |
| Reddy | An empirical study on the best prediction model of water inflow into drill and blast tunnels among several machine learning techniques | |
| Golian et al. | Prediction of water inflow to mechanized tunnels during tunnel-boring-machine advance using numerical simulation. | |
| Rayne et al. | Delineation of capture zones for municipal wells in fractured dolomite, Sturgeon Bay, Wisconsin, USA | |
| Thierry et al. | 3D geological modelling at urban scale and mapping of ground movement susceptibility from gypsum dissolution: The Paris example (France) | |
| CN113742995A (zh) | 一种基于煤矿大数据的矿井涌水量预测方法及系统 | |
| Sundell et al. | A probabilistic approach to soil layer and bedrock-level modeling for risk assessment of groundwater drawdown induced land subsidence | |
| Eltarabily et al. | Groundwater management for sustainable development east of the nile delta aquifer | |
| Amiri et al. | Hydrogeological assessment and estimation of groundwater inflow into the water transmission tunnel to Urmia Lake, Northwestern Iran | |
| Polomčić et al. | Application of Groundwater modeling for designing a dewatering system: Case study of the Buvač Open Cast Mine, Bosnia and Herzegovina | |
| CN110851991B (zh) | 一种地下水流数值模拟方法 | |
| Ünsal | Assessment of open pit dewatering requirements and pit lake formation for Kışladağ gold mine, Uşak-Turkey | |
| CN112523744A (zh) | 一种薄差层水平井井位设计及实时跟踪导向方法 | |
| Abdollahisharif et al. | Using geostatistical simulation to determine optimal grout injection pressure in dam foundation based on geomechanical characteristics | |
| Kromhout et al. | Sinkhole vulnerability mapping: Results from a pilot study in North Central Florida | |
| Boukhemacha et al. | HYDRAULIC CHARACTERIZING OF TUNNEL'S BARRIER EFFECT FOR GROUNDWATER FLOW MODELING-APPLICATION FOR BUCHAREST CITY | |
| Ahmed et al. | Mapping of slope failure potential of Galiat area Pakistan using Fuzzy Logic Concept | |
| Delina et al. | Effects of karst processes on surface water and groundwater hydrology at Skaistkalne Vicinity, Latvia | |
| Asadollah et al. | Role of geological structures in seepage from Lar dam reservoir | |
| KALENCHUK et al. | 28 Downie Slide, British Columbia, Canada | |
| Szostak-Chrzanowski et al. | Use of geodetic monitoring measurements in solving geomechanical problems in structural and mining engineering | |
| Hajian et al. | Prior applications of neural networks in geophysics | |
| Boroujeni et al. | GEOLOGICAL AND HYDROGEOLOGICAL EFFECTIVE FACTORS IN THE HIGH PERMEABILITY ZONES OF SEVERAL DAM SITES OF THE ZAGROS REGION, IRAN. | |
| Gattinoni et al. | From hydrogeological hazard identification to risk assessment in tunnelling: An example in northern Italy |
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 |