CN116451567A - 一种瓦斯负压抽采管道泄漏评估及智能处置方法 - Google Patents
一种瓦斯负压抽采管道泄漏评估及智能处置方法 Download PDFInfo
- Publication number
- CN116451567A CN116451567A CN202310316810.7A CN202310316810A CN116451567A CN 116451567 A CN116451567 A CN 116451567A CN 202310316810 A CN202310316810 A CN 202310316810A CN 116451567 A CN116451567 A CN 116451567A
- Authority
- CN
- China
- Prior art keywords
- gas
- extraction pipeline
- leakage
- negative pressure
- valve opening
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013210 evaluation model Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 230000002787 reinforcement Effects 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 63
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004088 simulation Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 4
- 239000003245 coal Substances 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 231100000817 safety factor Toxicity 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000541 pulsatile effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Pipeline Systems (AREA)
Abstract
本发明提供了一种瓦斯负压抽采管道泄漏评估及智能处置方法，包括：构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；构建基于深度强化学习技术的智能阀门开度控制模型。本发明所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，可以在煤矿瓦斯抽采管道系统的泄漏事故发生过程中，通过对瓦斯抽采管道泄漏区段的精准预测及智能化快速处置，将大幅降低传统瓦斯泄漏处置过程中所造成的经济损失，并确保瓦斯抽采系统安全运行，防止事故进一步演化升级，并为瓦斯抽采管道泄漏应急抢险工作的开展提供重要的技术方法支撑。
Description
技术领域
本发明属于瓦斯管道技术领域，尤其是涉及一种瓦斯负压抽采管道泄漏评估及智能处置方法。
背景技术
瓦斯事故是我国煤矿安全生产面临的最严重威胁之一，通过使用煤矿瓦斯抽采系统，可使高瓦斯矿井在低瓦斯状态下开采，避免了瓦斯事故的发生，抽采瓦斯加以利用还可以创造非常可观的经济价值。由于管道表面老化、腐蚀，或者管道遭受外部撞击等原因，瓦斯抽采管道泄漏的现象时有发生。抽采管道泄漏发生后，由于管道内外压差的作用使外界空气进入抽采管道，造成管道内瓦斯被稀释，管道内负压的损失，甚至是整个抽采系统的失效，从而严重影响瓦斯抽采的效率。这不仅会造成抽采泵机电能的浪费，增加抽采瓦斯的成本，泄漏加剧抽采管网破裂后还可能导致瓦斯从抽采管道涌出，进而可能引发瓦斯爆炸事故，所以抽采管道泄漏将严重威胁到井下瓦斯输运系统的正常运行和矿井生产的安全。在井下瓦斯泄漏事故应急处置中，如何高效筛选及利用煤矿大尺度复杂瓦斯抽采系统的低密度监测数据，实现泄漏源的快速精准定位预警与智能化处置，对煤矿瓦斯抽采系统的安全运行十分重要。
发明内容
有鉴于此，本发明旨在提出一种瓦斯负压抽采管道泄漏评估及智能处置方法，以实现泄漏源的快速精准定位预警与智能化处置。
为达到上述目的，本发明的技术方案是这样实现的：
一种瓦斯负压抽采管道泄漏评估及智能处置方法，包括：
构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；
构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速；
基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库；
基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
获取瓦斯抽采管道基本参数的实时监测数据，并将所述实时监测数据输入所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
获取所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型输出的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果；
将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制。
进一步的，所述构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建，包括：
构建抽采管道内监测器的相邻位置拓扑图，以用于承载所述监测器监测的数据；
将各所述监测器之间形成的预设泄漏孔口区间组成泄漏区间矩阵，并根据泄漏的不同状态为所述泄漏区间矩阵赋值，作为泄漏位置的预测标签；其中，泄漏的不同状态包括出现泄漏和未泄漏；
将所述拓扑图经过图神经网络运算处理后，作为时序分析基础模型中的一个时序节点，并利用时序分析基础模型中的分类预测模式进行预测任务的处理；
为所述瓦斯负压抽采管道泄漏定位评估模型设定评估指标，并利用所述评估指标对不同的错误场景添加权重；其中，为最严重的错误添加最大的权重值，而对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高，所述评估指标公式如下：
式中，n为预测错误的区间的数量，Wi为第i个错误区间的错误权重值，N为预测样本总量。
进一步的，所述构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速，包括：
基于CFD数值模拟技术进行瓦斯负压抽采管道流场模拟；
基于DQN深度强化学习模型构建智能阀门开度控制模型；
基于所述瓦斯负压抽采管道流场模拟对所述智能阀门开度控制模型进行训练；
得到训练完成后的智能阀门开度控制模型。
进一步的，所述基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库，包括：
基于多源异构数据融合技术融合事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据，得到动态更新数据库。
进一步的，所述阀门开度以10％为梯度共分为11个开度动作。
进一步的，所述基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型，包括：
获取所述动态更新数据库中的数据，并在训练过程中按比例将所述数据随机划分训练集和测试集，用于对所述瓦斯负压抽采管道泄漏定位评估模型进行训练；
训练过程中，初始学习率设置为0.01，并采用余弦退火方法自动调整学习率；其中，迭代次数设置为100，损失函数采用交叉熵损失函数；
在所述训练集中划分出部分的数据作为验证集，并利用所述验证集对所述瓦斯负压抽采管道泄漏定位评估模型进行验证。
进一步的，在所述将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制之后，所述方法还包括：
将所述智能阀门开度控制模型通过物联网技术与阀门连接，以实现事故状态下全自动智能阀门开度控制。
相对于现有技术，本发明所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法具有以下优势：
(1)本发明所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，可以在煤矿瓦斯抽采管道系统的泄漏事故发生过程中，通过对瓦斯抽采管道泄漏区段的精准预测及智能化快速处置，将大幅降低传统瓦斯泄漏处置过程中所造成的经济损失，并确保瓦斯抽采系统安全运行，防止事故进一步演化升级，并为瓦斯抽采管道泄漏应急抢险工作的开展提供重要的技术方法支撑。
(2)本发明所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，通过将瓦斯负压抽采管道阀门作为处置终端，综合使用多源异构数据融合技术及深度学习技术实现瓦斯负压抽采管道泄漏快速精准定位评估，并在此基础上基于深度强化学习技术，综合考虑经济与安全因素，实现瓦斯负压抽采管道泄漏后处置阀门精准匹配，阀门开度智能控制，为瓦斯负压抽采管道泄漏事故提供最为经济与安全的解决方案，服务瓦斯抽采事故的预测预警与安全防控。
(3)本发明所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，可实现瓦斯泄漏事故快速预警，并精准定位泄漏区段。在此基础上，利用深度强化学习的方法，在保证经济与安全的基础上智能控制阀门开度，可大幅降低传统瓦斯泄漏处置过程中因直接关闭阀门造成的经济损失，并确保事故现场的管道安全。通过阀门的智能开合，可避免应急抢险人员直接进入瓦斯泄漏区段操作阀门，减少人员伤亡，并可为实现瓦斯抽采系统事故的智能化、无人化应急处置提供技术方法支撑。
附图说明
构成本发明的一部分的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。在附图中：
图1为本发明实施例所述一种瓦斯负压抽采管道泄漏评估及智能处置方法流程示意图；
图2为本发明实施例所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法中的处置流程示意图；
图3为本发明实施例所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法中瓦斯负压抽采管道泄漏定位评估模型的结构示意图；
图4为本发明实施例所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法中监测器的位置示意图；
图5为本发明实施例所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法中监测器的相邻位置拓扑图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
一种瓦斯负压抽采管道泄漏评估及智能处置方法，如图1至图5所示，具体包括如下步骤：
步骤101、构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建。
具体的，上述构建瓦斯负压抽采管道泄漏定位评估模型，具体可以参照如下步骤进行构建：
步骤1011、构建抽采管道内监测器的相邻位置拓扑图，以用于承载所述监测器监测的数据。
步骤1012、将各所述监测器之间形成的预设泄漏孔口区间组成泄漏区间矩阵，并根据泄漏的不同状态为所述泄漏区间矩阵赋值，作为泄漏位置的预测标签；其中，泄漏的不同状态包括出现泄漏和未泄漏。
步骤1013、将所述拓扑图经过图神经网络运算处理后，作为时序分析基础模型中的一个时序节点，并利用时序分析基础模型中的分类预测模式进行预测任务的处理。这样可以把监测数据的位置关系信息给到时序分析基础模型，进行一个时空上面的呼应。
步骤1014、为所述瓦斯负压抽采管道泄漏定位评估模型设定评估指标，并利用所述评估指标对不同的错误场景添加权重；其中，为最严重的错误添加最大的权重值，而对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高，所述评估指标公式如下：
式中，n为预测错误的区间的数量，Wi为第i个错误区间的错误权重值，N为预测样本总量(即需要预测的区间总数量)。
在实际的模型构建过程中，可以首先构建基于图神经网络(GCN)和时序分析基础模型(TimesNet)融合的瓦斯负压抽采管道泄漏定位评估模型，图3为该瓦斯负压抽采管道泄漏定位评估模型的技术路线图。
当存在瓦斯抽采管道泄漏事故时，瓦斯负压抽采管道泄漏定位评估模型可通过压力监测器、流量监测器、瓦斯浓度监测器、一氧化碳浓度监测器、温度监测器等监测传感设备所监测的相对压力、混合流量、浓度、纯流量、一氧化碳、温度等井下瓦斯抽采管道基本参数实时监测数据实现对抽采管道内压力分布、瓦斯浓度分布以及泄漏位置快速预测。
数据处理过程中，首先构建压力、流量、浓度、温度等监测器的相邻位置拓扑图，并将各监测器监测的数据分别置入拓扑图的节点中，并将上述监测数据在相同时间节点的数据置入图中节点(如图5所示)，以上为数据特征的处理过程。
将各个预设泄漏孔口区间组成泄漏区间矩阵，根据泄漏的不同状态给矩阵赋值(例如A，B，C三个泄漏孔口区间，若均未泄漏，其泄漏孔口区间矩阵的赋值状态为[0，0，0]，若A区间出现泄漏，则该泄漏孔口区间矩阵的赋值为[1，0，0])，作为泄漏位置的预测标签，管道内压力分布、瓦斯浓度分布等标签的制作方式与泄漏位置标签相同，以上为预测标签的处理过程。
建模过程中，将每组拓扑图经过GCN运算处理后，作为TimesNet模型中的一个时序节点，使用TimesNet中的分类预测模式进行预测任务的处理。
首先，GCN的运算过程如下：GCN的核心基于拉普拉斯矩阵的谱分解，图的拉普拉斯矩阵L定义为：
L＝D-1/2(D-A)D-1/2＝IN-D-1/2AD-1/2；
其中IN是大小为N×N的单位矩阵。度矩阵定义为Dii＝∑jAij。
矩阵L的特征分解可描述为L＝UΛUT，其中Λ＝diag([λ0,λ1,...,λN-1])，λi是L的特征值。U是矩阵，它的每列是一个L。图的卷积运算在傅立叶域中完成，并定义为输入信号x与滤波器g的乘积：
g×x＝U((UTg)⊙(UTx))＝Ugθ(Λ)UTx；
也就是说，输入的x被转换成了UTx，该UTx落入以[u0,u2,...,un-1]为基础的频谱空间U中。式中，⊙代表哈夫曼乘积，gθ(Λ)＝UTg＝diag(θ)，其中θ∈RN。通常，卷积核gθ(Λ)的计算开销很大(计算复杂度为O(N3))。因此，提出了一些近似方法，例如仅使用一阶多项式可以简化g*x的计算：
g×x≈θ(IN+D-1/2AD-1/2)x；
其中，使用上式进行近似计算。已知：其中(重归一化)。因此，第l层H(i)的输出可以写为：
其中σ是激活函数，例如sigmoid。设其中并且/>C(l-1)是第(l-1)层输出的尺寸，F(l -1)是每个尺寸中特征向量的尺寸。然后，可以将上式改写为：
假设探测器总数为R，历史时隙数为K，则图的特征矩阵为X∈RK×R，相邻矩阵为A∈RR×R。在该模块中，使用了两层GCN，并在GCN之间添加了批量归化层。GCN的行为可以表示如下：
其中X是特征矩阵；是添加了自环的邻接矩阵，/>代表度矩阵；Relu是网络的激活函数，W和b是网络的参数。
添加BN层后，将上式更改为：
其中BN是批归一化函数，而σ是非线性激活函数。将GCN和BN分组在一起以形成功能单元，然后将其中的两个堆以提取空间特征。模块输出的尺寸为K×R。
其次，TimesNet模型的构建原理如下：
TimesNet模型通过模块化结构(TimesBlock)将复杂时序变化分解至不同周期，并通过将原始一维时间序列转化之二维空间实现了周期内与周期间变化的统一建模。
具体地：先通过快速傅立叶变换得到时序数据在频域的分量，保留TopN低频分量，剔除高频噪声，最后得到时序数据分解后的子波形的频率和周期：
简化表示为：
A,{f1,…,fk},{p1,…,pk}＝Period(XID)；
然后，基于选定的周期对原始的一维时间序列进行折叠，该过程可以形式化为：
其中，Padding(.)为在序列末尾补0，使得序列长度可以被整除。
对于上述二维向量，其每列与每行分别对应着相邻的时刻与相邻的周期，而临近的时刻与周期往往蕴含着相似的时序变化。因此，上述二维张量会表现出二维局部性(2Dlocality)，从而可以很容易通过2D卷积捕捉信息。
TimesNet由多个TimesBlock堆叠组成。每个TimesBlock的处理过程为：(1)将时序数据从一维变换至二维；(2)提取二维时序变化表征，(3)二维变换至一维，(4)自适应融合。
在实际泄漏位置预测的过程中，由于实验所用泄漏位置预测标签是一种具有位置属性的多分类标签，且包括了有泄漏和无泄漏两种情景，使用传统的模型评价方法无法很好的描述模型的预测效果。
比如，当管道发生泄漏时，如果模型未能发现泄漏，而预测成了无泄漏的情况(即标签0)，或是管道无泄漏时，模型却预测出了泄漏点，这种情况下的错误是最严重的，比模型预测出来有泄漏，却没有预测对泄漏位置严重很多。
又比如，假设实际泄漏区间出现在如图4中的区间A，如果模型预测出了泄漏却错误预测了泄漏区间，那么模型预测到泄漏区间为区间B就比预测到的泄漏区间为区间L所造成的影响小很多。
因此，根据以上所述预测泄漏位置标签的特殊性，本实施例所述瓦斯负压抽采管道泄漏定位评估模型在深度学习计算过程中还定义了一种针对具有位置属性的多分类标签的模型预测评估指标，该指标对不同的错误场景添加权重，给最严重的错误添加最大的权重值(即是否发生泄漏的预测错误，此错误权重值为1)，对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高。
示例性的，例如若将实际泄漏区间A预测为区间B，区间B距离区间A距离为一，此错误的权重值为0.09；则如果将实际泄漏区间A预测为区间L，区间L距离区间A的距离为11，则此错误的权重值为0.09的11倍，即0.99。
步骤102、构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速。
具体的，上述构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型，具体可以参照如下步骤进行构建及训练：
步骤1021、基于CFD数值模拟技术进行瓦斯负压抽采管道流场模拟。
步骤1022、基于DQN深度强化学习模型构建智能阀门开度控制模型。
步骤1023、基于所述瓦斯负压抽采管道流场模拟对所述智能阀门开度控制模型进行训练。
步骤1024、得到训练完成后的智能阀门开度控制模型。
在实际应用过程中，可以针对在保证经济和安全的双重效益下瓦斯负压抽采管道泄漏智能处置的问题，采用深度强化学习技术结合CFD瓦斯负压抽采管道流场模拟，搭建事故场景下的智能处置模型训练框架，其动作为控制阀门的开度，动作结束后通过模拟流场模拟的结果给出动作的奖励反馈，最高奖励设定为在规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速。需要说明的是，上述规范要求范围内可以是国家规定要求的范围，也可以具体井下场景要求的范围，本领域技术人员可以根据实际需要进行设定，在这里不再赘述。
其中，流场CFD模拟模型基于管道实际情况一比一搭建，搭建完成后可基于所设定流场泄漏数据和阀门开度模拟计算出流场瓦斯浓度和瓦斯流速；所使用的深度强化学习模型为DQN，所设定阀门开度以10％为梯度共分为11个开度动作。
在实际应用过程中，可分两阶段进行模型的搭建，具体如下：
第一阶段，基于CFD的瓦斯负压抽采管道流场模拟：
利用CFD数值模拟技术实现对煤矿瓦斯抽采管道内压力、瓦斯浓度、速度、温度等的模拟计算，管道内气体的流动需遵循质量守恒、动量守恒、能量守恒、以及组分守恒，其控制方程组通用形式为：
上式中，为通用变量，可以代表速度、浓度、压力等求解变量；Γ为广义扩散系数；S为广义源项。式中各项依次为瞬态项、对流项、扩散项和源项。对于特定方程/>Γ、S具有特定的形式。
由于瓦斯抽采管道内气体流动为湍流流动，被广泛应用的标准k-ε湍流模型将被用来实现瓦斯抽采管道内气体的流动模拟，其控制方程为：
上式中，μt为湍动粘度，C0为经验常数；k为湍动能；ε为湍动耗散率。
上式中，μ为动力粘度；ui′为离散计算时网格i方向上的脉动流速；xk为x轴方向的湍动能。
其中k和ε的标准输运方程分别为：
上式中，ui为离散计算时网格i方向的流速；xi、xj为离散计算时网格的i和j方向；Gk为由平均速度梯度引起的湍动能；Gb为由浮力影响引起的湍动能；YM为可压缩湍流脉动膨胀对总耗散率的影响；σk、σε为湍动能和湍动耗散率对应的普朗特数；C1、C2、C3为经验常数；Sk、Sε为自定义数。
经过此阶段，可以计算出瓦斯负压抽采管道模拟流场，为后续DQN模型的训练提供流场瓦斯浓度和瓦斯流速反馈。例如，根据《煤矿瓦斯抽采系统标准及相关要求》，定义瓦斯浓度大于等于40％，瓦斯流速小于等于10m/s，DQN模型获得的正激励值为1；瓦斯浓度大于等于20％，瓦斯流速大于等于10m/s且小于等于15m/s，DQN模型获得的正激励值为0；瓦斯浓度小于等于20％，瓦斯流速大于等于15m/s，DQN模型获得的正激励值为-1。
第二阶段，基于深度强化学习的智能阀门开度控制模型搭建：
本阶段所采用的深度强化学习模型为DQN，动作为控制阀门的开度，动作结束后通过第一阶段中模拟流场模拟的结果给出动作的奖励反馈，最高奖励设定为在规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速，所设定阀门开度以10％为梯度共分为11个开度动作。
DQN是基于价值而非策略的方法，学习的不是策略，而是一个评论家。该评论家并不直接采取行为，而是评价行为的好坏。DQN是深度学习和Q-learing的结合，其中，Q-learning的算法如下：
(1)初始化Q(s,a)，a∈A(s)，首先给s和a赋任意的数值，并且Q(terminal-state,·)＝0，初始化Q-table＝0；
(2)根据当前Q-table给当前状态选择一个动作并执行，执行过程一直到本轮训练停止才算完成；
(3)执行动作后根据所得到的奖励更新Q-table；
(4)重复过程(2)-(3)，直至得到最优的Q-table。
在DQN中，Q-table被神经网络代替形成Q网络，其Q值的更新依靠利用奖励和Q计算出来的Q值：Rt+1+λmaxaQ(St+1,a)。
具体而言，在初始化的时候，DQN将初始化两个网络：Q和开始的时候，/>和Q为相同的网络，经过每一个训练步，当动作执行方与环境互动过后，都会得到一个状态st，并根据当前的Q-状态采取一个动作at。训练过程中，动作执行方会对环境进行探索，探索过后会得到奖励rt，然后跳转到状态st+1。经过以上训练，将得到一组由st，at，rt和st+1组成的数据，并置入缓冲器中，缓冲器满了以后会丢弃旧的缓冲器。接下来将会从缓冲器中采样数据，然后根据采样到的数据计算目标，目标将使用/>来计算，计算公式为：
其中a为让的值最大的a，也是在状态st+1中将采取的动作，并将更新Q的值，并在n次迭代后将/>替换为新的Q。经过m次迭代训练，当模型选择的动作所得到的反馈达到预定效果时将停止训练，所训练出的Q即为目标模型。
经过此阶段，训练完成后的智能阀门开度控制模型将具备在瓦斯泄漏情况下快速选取最优阀门开度以进行瓦斯泄漏处置的能力。在实际应用过程中，可以在保证经济与安全的基础上智能控制阀门开度，可大幅降低传统瓦斯泄漏处置过程中因直接关闭阀门造成的经济损失，并确保事故场景的安全。
步骤103、基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库。
具体的，可以基于多源异构数据融合技术融合事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据，得到动态更新数据库。
在实际应用过程中，基于多源异构数据融合技术融合搭建的一套瓦斯负压抽采管道事故灾害数据库是一套融合事故灾害历史数据、各类传感器实时监测数据等井下真实监测数据的动态更新数据库。其中各类传感器应包括管道瓦斯浓度传感器、流量传感器、压力传感器、温度传感器、一氧化碳浓度传感器、阀门开度传感器等用于测量管道基本参数的传感器。
步骤104、基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型。
具体的，上述基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型，具体可以参照如下步骤进行训练：
步骤1041、获取所述动态更新数据库中的数据，并在训练过程中按比例将所述数据随机划分训练集和测试集，用于对所述瓦斯负压抽采管道泄漏定位评估模型进行训练。
步骤1042、训练过程中，初始学习率设置为0.01，并采用余弦退火方法自动调整学习率；其中，迭代次数设置为100，损失函数采用交叉熵损失函数。
步骤1043、在所述训练集中划分出部分的数据作为验证集，并利用所述验证集对所述瓦斯负压抽采管道泄漏定位评估模型进行验证。
在实际应用过程中，可以将动态更新数据库中的数据置入搭建好的瓦斯负压抽采管道泄漏定位评估模型中进行训练，使用7：3的划分比例随机划分训练集和测试集，为防止训练过程中的过拟合，可以在训练集上划分出了30％的验证集。本领域人员也可以根据实际需要调整训练集和测试集的比例，并根据需要调整验证机占训练集的比例，以实现对瓦斯负压抽采管道泄漏定位评估模型的训练即可，在这里不再赘述。
示例性的，深度学习训练过程中，以泄漏位置预测为例，瓦斯负压抽采管道泄漏定位评估模型超参数的设置如下：初始学习率设置为0.01，采用余弦退火(CosineAnnealing)方法自动调整学习率；迭代次数(epoch)设置为100。损失函数使用交叉熵损失函数(categorical_crossentropy loss)。最终，瓦斯负压抽采管道泄漏定位评估模型在测试集上针对泄漏位置的预测准确率良好，很好的达到了预期。
步骤105、获取瓦斯抽采管道基本参数的实时监测数据，并将所述实时监测数据输入所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型。
在实际应用过程中，可通过瓦斯负压抽采管道内监测传感设备实时监测瓦斯浓度、流量、压力、温度、一氧化碳浓度、阀门开度等管道基本参数，其中，所构建的瓦斯负压抽采管道泄漏定位评估模型基于图神经网络(GCN)与时序分析基础模型(TimesNet)搭建，可以实现快速精准预测瓦斯泄漏区段、以及高效匹配相应处置阀门，以便于后续处置。
步骤106、获取所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型输出的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果。
在实际应用过程中，通过借助瓦斯负压抽采管道各类监测传感设备采集井下真实动态数据，利用深度学习技术快速精准预测瓦斯负压抽采管道泄漏区段，进而获取抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果，以便于后续利用智能阀门开度控制模型进行及时处置，降低事故的发生概率。
步骤107、将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制。
在实际应用过程中，通过将获取的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入智能阀门开度控制模型，智能阀门开度控制模型可以匹配相应的处置阀门执行应急动作。在此基础上，基于深度强化学习技术还可以智能控制阀门开度，以保证瓦斯抽采管道内瓦斯浓度达到规范要求，减少因瓦斯泄漏造成的经济损失，同时保证瓦斯抽采管道内瓦斯流速处于安全范围内，避免因流速超限产生静电火花而导致瓦斯爆炸事故。
步骤108、将所述智能阀门开度控制模型通过物联网技术与阀门连接，以实现事故状态下全自动智能阀门开度控制。
在实际应用过程中，阀门可以基于物联网技术实现智能开合，完成事故状态下全自动智能阀门开度控制。示例性的，阀门可以采用现有能连接物联网的电控阀门，阀门可以通过物联网与智能阀门开度控制模型连接，以实现智能阀门开度控制模型对阀门开度的控制，进而实现事故情况下阀门的自动开度控制，有利于提高管道泄漏的处置效率，进而进一步降低事故发生的概率。
本实施例提供了一种瓦斯负压抽采管道泄漏评估及智能处置方法，通过将瓦斯负压抽采管道阀门作为处置终端，综合使用多源异构数据融合技术及深度学习技术实现瓦斯负压抽采管道泄漏快速精准定位评估，并在此基础上基于深度强化学习技术，综合考虑经济与安全因素，实现瓦斯负压抽采管道泄漏后处置阀门精准匹配，阀门开度智能控制，为瓦斯负压抽采管道泄漏事故提供最为经济与安全的解决方案，服务瓦斯抽采事故的预测预警与安全防控。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
Claims (7)
1.一种瓦斯负压抽采管道泄漏评估及智能处置方法，其特征在于，包括：
构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；
构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速；
基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库；
基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
获取瓦斯抽采管道基本参数的实时监测数据，并将所述实时监测数据输入所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
获取所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型输出的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果；
将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制。
2.根据权利要求1所述的方法，其特征在于，所述构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建，包括：
构建抽采管道内监测器的相邻位置拓扑图，以用于承载所述监测器监测的数据；
将各所述监测器之间形成的预设泄漏孔口区间组成泄漏区间矩阵，并根据泄漏的不同状态为所述泄漏区间矩阵赋值，作为泄漏位置的预测标签；其中，泄漏的不同状态包括出现泄漏和未泄漏；
将所述拓扑图经过图神经网络运算处理后，作为时序分析基础模型中的一个时序节点，并利用时序分析基础模型中的分类预测模式进行预测任务的处理；
为所述瓦斯负压抽采管道泄漏定位评估模型设定评估指标，并利用所述评估指标对不同的错误场景添加权重；其中，为最严重的错误添加最大的权重值，而对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高，所述评估指标公式如下：
式中，n为预测错误的区间的数量，Wi为第i个错误区间的错误权重值，N为预测样本总量。
3.根据权利要求1所述的方法，其特征在于，所述构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速，包括：
基于CFD数值模拟技术进行瓦斯负压抽采管道流场模拟；
基于DQN深度强化学习模型构建智能阀门开度控制模型；
基于所述瓦斯负压抽采管道流场模拟对所述智能阀门开度控制模型进行训练；
得到训练完成后的智能阀门开度控制模型。
4.根据权利要求1所述的方法，其特征在于，所述基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库，包括：
基于多源异构数据融合技术融合事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据，得到动态更新数据库。
5.根据权利要求1所述的方法，其特征在于：所述阀门开度以10％为梯度共分为11个开度动作。
6.根据权利要求1所述的方法，其特征在于，所述基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型，包括：
获取所述动态更新数据库中的数据，并在训练过程中按比例将所述数据随机划分训练集和测试集，用于对所述瓦斯负压抽采管道泄漏定位评估模型进行训练；
训练过程中，初始学习率设置为0.01，并采用余弦退火方法自动调整学习率；其中，迭代次数设置为100，损失函数采用交叉熵损失函数；
在所述训练集中划分出部分的数据作为验证集，并利用所述验证集对所述瓦斯负压抽采管道泄漏定位评估模型进行验证。
7.根据权利要求1所述的方法，其特征在于，在所述将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制之后，所述方法还包括：
将所述智能阀门开度控制模型通过物联网技术与阀门连接，以实现事故状态下全自动智能阀门开度控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316810.7A CN116451567A (zh) | 2023-03-27 | 2023-03-27 | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310316810.7A CN116451567A (zh) | 2023-03-27 | 2023-03-27 | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116451567A true CN116451567A (zh) | 2023-07-18 |
Family
ID=87123081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310316810.7A Pending CN116451567A (zh) | 2023-03-27 | 2023-03-27 | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116451567A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408163A (zh) * | 2023-12-11 | 2024-01-16 | 山西潞安环保能源开发股份有限公司 | 煤与瓦斯突出预测装置 |
| CN117432461A (zh) * | 2023-12-15 | 2024-01-23 | 太原理工大学 | 一种钻孔瓦斯脉冲式抽采装置及抽采方法 |
-
2023
- 2023-03-27 CN CN202310316810.7A patent/CN116451567A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408163A (zh) * | 2023-12-11 | 2024-01-16 | 山西潞安环保能源开发股份有限公司 | 煤与瓦斯突出预测装置 |
| CN117408163B (zh) * | 2023-12-11 | 2024-04-05 | 山西潞安环保能源开发股份有限公司 | 煤与瓦斯突出预测装置 |
| CN117432461A (zh) * | 2023-12-15 | 2024-01-23 | 太原理工大学 | 一种钻孔瓦斯脉冲式抽采装置及抽采方法 |
| CN117432461B (zh) * | 2023-12-15 | 2024-03-19 | 太原理工大学 | 一种钻孔瓦斯脉冲式抽采装置及抽采方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107786369B (zh) | 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法 | |
| CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
| CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN116451567A (zh) | 一种瓦斯负压抽采管道泄漏评估及智能处置方法 | |
| CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
| CN109784692B (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
| Ghorbani et al. | A hybrid artificial neural network and genetic algorithm for predicting viscosity of Iranian crude oils | |
| Zhang et al. | Adaptive spatio-temporal graph convolutional neural network for remaining useful life estimation | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| CN114266278B (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
| CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
| CN108153982B (zh) | 基于堆叠自编码深度学习网络的航空发动机修后性能预测方法 | |
| CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
| CN105631554A (zh) | 一种基于时间序列的油井油液含水率多模型预测方法 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN117072891B (zh) | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 | |
| Marjani et al. | The large-scale wildfire spread prediction using a multi-kernel convolutional neural network | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN113254939A (zh) | 基于多注意力机制和自适应学习的智能合约漏洞检测方法 | |
| CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 | |
| CN107704952A (zh) | 一种基于随机子空间的恐怖袭击预测方法 | |
| Adeyemo et al. | Surrogate-based digital twin for predictive fault modelling and testing of cyber physical systems | |
| Cui et al. | Prediction of Aeroengine Remaining Useful Life Based on SE-BiLSTM | |
| CN114492199A (zh) | 一种电压互感器性能的分析方法、系统、电子设备及介质 | |
| Deng et al. | Prediction of remaining useful life of aero-engines based on CNN-LSTM-Attention |
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 |