CN116822352A - 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 - Google Patents
基于grnn神经网络的井下防水密闭墙工况预测方法及系统 Download PDFInfo
- Publication number
- CN116822352A CN116822352A CN202310738577.1A CN202310738577A CN116822352A CN 116822352 A CN116822352 A CN 116822352A CN 202310738577 A CN202310738577 A CN 202310738577A CN 116822352 A CN116822352 A CN 116822352A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- working condition
- sealing wall
- waterproof sealing
- 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
- 238000007789 sealing Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 239000003245 coal Substances 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000008030 elimination Effects 0.000 claims abstract description 7
- 238000003379 elimination reaction Methods 0.000 claims abstract description 7
- 238000012790 confirmation Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 31
- 230000003204 osmotic effect Effects 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012546 transfer Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000005553 drilling Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK 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
- E21F17/103—Dams, e.g. for ventilation
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mining & Mineral Resources (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本申请涉及煤矿积水采空区安全监测领域，尤其涉及一种基于GRNN神经网络的井下防水密闭墙工况预测方法及系统，基于GRNN神经网络的井下防水密闭墙工况预测方法，包括以下步骤，样本数据采集；数据异常值消除处理；数据标准化处理；数据分类；模型构建；预测结果输出；基于GRNN神经网络的井下防水密闭墙工况预测系统，包括：数据获取模块；数据异常处理模块；数据标准化处理模块；模型判断模块；工况确认模块。本发明的有益效果是，通过对异常数据的消除处理和标准化处理，消除监测数据异常值的误导，从而提高防水密闭墙监测的数据准确性；对防水密闭墙各类监测参数工况的预测，提高防水密闭墙工况预测准确性。
Description
技术领域
本申请涉及煤矿积水采空区安全监测领域，尤其涉及一种基于GRNN神经网络的井下防水密闭墙工况预测方法及系统。
背景技术
随着我国对煤炭新阶段的发展要求，煤矿地下储水技术的研究及应用都得到了较大推广，合理且规范利用地下水资源，避免矿井涌水浪费；同时就地取材，将地下水科学存储，有效改善了西部严重缺水煤矿生产区域的生产条件，产生的社会价值巨大。
为加强对煤矿积水采空区的安全监测，人工防水密闭墙作为积水采空区重要防水设施，更是优先关注监测区域，但大都集中在防水密闭构筑方法、水源分布监测、煤柱损伤监测等方面，这一定程度上提高了对防水密闭数字监测水平，改善了以往人工巡检的压力，但无法对防水密闭墙的运行状态进行有效安全预测。在防水密闭智能监测领域，有一些研究机构通过监测振动及电流信号分析防水密闭墙两侧煤柱受水侵蚀损伤程度，采用的是振动信号传播速度及电流大小的差异原理。而有些研究学者通过核磁共振微缩传感器和钻取围岩岩心的方式监测地下水源分布情况，依据是核磁孔隙特征和水信号。不难发现，以上方法均是采用无接触式监测手段，且监测参数不全面，并不能排除监测数据异常值出现的情况，这样的方法，是的检测数据准确性较差，导致防水密闭工况预测的准确性下降。
发明内容
本发明要解决的技术问题是：如何提高防水密闭墙工况预测准确性。
为此，本发明提供一种基于GRNN神经网络的井下防水密闭墙工况预测方法及系统。
本发明解决其技术问题所采用的技术方案是：
一种基于GRNN神经网络的井下防水密闭墙工况预测方法，包括以下步骤，
样本数据采集：采集井下积水采空区渗漏的气体样本的历史数据，采集密闭墙变形量的历史数据，钻采集挡水煤柱内部受力情况的历史数据，采集水流在煤柱内部渗透压力情况的历史数据；
数据异常值消除处理：对样本数据的异常值进行消除处理，得到样本数据集；
数据标准化处理：对所述样本数据集通过平均数方差的方式进行标准化处理；
数据分类：将标准化后的样本数据集分为训练集和测试集；
模型构建：将训练集作为GRNN神经网络的输入变量进行训练，利用测试集对训练后的GRNN神经网络进行测试后，得到井下防水密闭墙工况的预测模型；
预测结果输出：所述井下防水密闭墙工况的预测模型输出井下防水密闭墙当前所属工况。
通过采用上述技术方案，通过对异常数据的消除处理，消除监测数据异常值的误导，并进行标准化处理，避免因不同种类数据之间大值和小值数据因新数据的加入而发生变化，无需重新进行数据定义，从而提高防水密闭墙监测的数据准确性。通过对防水密闭墙各类监测参数工况的预测，设定不同的积水采空区水位最高限值，建立自主分析判断系统，提高防水密闭墙工况预测准确性。
进一步地，所述数据异常值消除处理中，异常值数据消除方法，采用3σ原则，式中σ为标准偏差；n为样本总数；Xi代表其中一个样本值；μ为样本均值。若数据分布在(μ-3σ，μ+3σ)区间概率为0.9974，即计算监测数据值的剩余误差Xb，判定Xb＝|Xi-μ|与3σ之间的大小，若Xb＞3σ，即消除该异常值。
进一步地，所述数据标准化处理中，用于标准化处理样本数据的公式为数据标准化后的样本记为Xk。
进一步地，所述数据标准化处理中，对标准化后的样本Xk进行聚类分析。
进一步地，所述聚类分析的种类依据国家对风险等级规定进行确定，确定完聚类种类后，依据专家知识库对聚类种类进行分析，确定工况类型。
进一步地，将完成聚类分析的数据集拆分成训练集与测试集，所述训练集用作样本训练，所述测试集用于训练后的GRNN神经网络性能测试。
进一步地，所述训练集与测试集的占比为8∶2。
进一步地，所述GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数。
进一步地，所述GRNN神经网络的训练过程如下：GRNN神经网络的输入为Xk，Xk＝[q1k....q4k，b1k....b4k，z1k....z4k，s1k....s4k]，其中，q1k...q4k代表标准化处理后的四类气体监测数值；b1k......b4k代表标准化处理后的表面应变监测数值；z1k......z4k为标准化处理后的煤柱内部受力监测值；s1k......s4k为标准化处理后的煤柱内部水流渗透压力值，完成训练的GRNN神经网络能准确识别出输入的数据属于聚类的哪一类。
一种基于GRNN神经网络的井下防水密闭墙工况预测系统，包括：
数据获取模块，用于对已安装布设的多气体、应变、应力及渗压传感器进行数据采集，以获取与该防水密闭墙运行状态的实时数据以及历史数据；
数据异常处理模块，用于对已获取的大数据进行异常值消除；
数据标准化处理模块，用于将数据异常值处理过的数据再进行标准化处理；
模型判断模块，用于设置GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数；
工况确认模块，用于对训练的GRNN神经网络识别出输入的数据属于聚类的哪一类，并根据识别情况发出预警。
本发明的有益效果是，本发明基于多种传感器数据作为防水密闭墙工况判定的依据，对防水密闭墙的数据信号监测更为全面和稳定；通过对异常数据的消除处理，消除监测数据异常值的误导，并进行标准化处理，避免因不同种类数据之间大值和小值数据因新数据的加入而发生变化，无需重新进行数据定义，从而提高防水密闭墙监测的数据准确性。通过对防水密闭墙各类监测参数工况的预测，设定不同的积水采空区水位最高限值，建立自主分析判断系统，使其在遇到不同工况级别下自适应的进行水位安全提示，提示进行采空区排水要求，达到积水采空区安全水位效果。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明井下防水密闭墙工况预测系统的结构示意图。
图2是本发明发明井下防水密闭墙工况预测方法的技术路线图。
图3是本发明中GRNN神经网络训练流程图。
图4是本发明中防水密闭墙维护结果确认流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参照图1，一种基于GRNN神经网络的井下防水密闭墙工况预测系统，包括数据获取模块、数据异常处理模块、数据标准化处理模块、模型判断模块以及工况确认模块。
参照图1，其中数据获取模块，用于对已安装布设的多气体、应变、应力及渗压传感器进行数据采集，以获取与该防水密闭墙运行状态的实时数据。
参照图1，数据获取模块中设置有防水密闭墙监测系统，该系统包括多传感器数据采集模块，其中包括多气体传感器(CO、CO2、、CH4、O2)、表面应变传感器、钻孔应力传感器、渗压传感器。
参照图1，多气体传感器(CO、CO2、、CH4、O2)安装于密闭墙顶部，用于监测积水采空区渗漏的气体；表面应变传感器安装于密闭墙四个角，用于监测密闭墙变形量；钻孔应力传感器分别安装于密闭墙两侧距底板2m煤柱位置，用于监测挡水煤柱内部受力情况；渗压传感器分别安装于密闭墙两侧距底板0.5m和1m煤柱位置，用于监测水流在煤柱内部渗透压力情况。井下各传感器布置完成后，对它们各自的电源线进行连接，多气体传感器信号线接入KX18(D)矿用本安型控制箱；表面应变、钻孔应力及渗压传感器信号线接入YGSJ12(C)光纤解调仪；KX18(D)矿用本安型控制箱与YGSJ12(C)光纤解调仪信号接入KJJ32(A)交换机。采集到的所有数据信号到达交换机后，交换机会将这些信号上传至监测系统，最终，监测系统完成对数据分析的预测效果。
参照图1，本实施例中，为了尽可能模拟出防水密闭墙运行时的工作状态，对整个密闭墙进行了一个月时间段的监测，最终采集了1440个样本的数据集。每个样本包含了当前时刻的监测气体数据、密闭墙变形数据、煤柱内部受力及渗透压力数据这些信息。所采集的多类监测数据已经完全可以充分表征井下人工密闭墙运行的各种工况。
数据异常处理模块，用于对已获取的大数据进行异常值消除。在上述各类监测参数采集过程中，由于监测设备故障和井下特殊环境的一些外界因素，导致监测数据列异常值出现。异常值指的就是偏离正常监测值范围的数据，在实际数据分析过程中，若忽视异常值的存在，就会对分析结果造成错误引导，训练出来的神经网络精度必定降低，因此需要对原始监测数据列进行过滤处理，以消除异常数据的存在。
异常值数据消除方法，采用3σ原则，式中σ为标准偏差；n为样本总数；Xi代表其中一个样本值；μ为样本均值。依据3σ原则数学解释，若数据分布在(μ-3σ，μ+3σ)区间概率为0.9974，也就是说超过这个区间的数据的概率仅为0.3％不到，即计算监测数据值的剩余误差Xb，判定Xb＝|Xi-μ|与3σ之间的大小，若Xb＞3σ，即消除该异常值。
数据标准化处理模块，用于将数据异常值处理过的数据再进行标准化处理，用于标准化处理样本数据的公式为式中σ为标准偏差；Xi代表其中一个样本值；μ为样本均值，数据标准化后的样本记为Xk。
模型判断模块，用于设置GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数。输入变量包括以下几个部分：防水密闭墙与煤柱衔接处缝隙泄漏的采空区气体、防水密闭墙受多个组合力作用的变形量、防水密闭墙两侧煤柱内部受力及渗压情况。输出变量就是代表不同防水密闭墙工况的数值。根据井下实际环境的需求，设置训练的目标误差、径向基扩展速度及最大允许神经元个数。
工况确认模块，用于对训练的GRNN神经网络识别出输入的数据属于聚类的哪一类，即代表着能识别出其属于哪一种防水密闭墙工况，工况确认模块中对每一种防水密墙工况设定不同的积水采空区水位最高限值，使其在遇到不同防水密闭强度等级下自适应的进行水位安全提示，提示进行采空区排水要求，达到积水采空区安全水位效果。
参照图2，一种基于GRNN神经网络的井下防水密闭墙工况预测方法，包括以下步骤：
样本数据采集：对样本数据的异常值进行消除处理，得到样本数据集。通过多传感器数据采集模块，对多气体传感器(CO、CO2、、CH4、O2)、表面应变传感器、钻孔应力传感器、渗压传感器采集井下积水采空区渗漏的气体样本的历史数据，采集密闭墙变形量的历史数据，钻采集挡水煤柱内部受力情况的历史数据，采集水流在煤柱内部渗透压力情况的历史数据，本实施例中，对整个密闭墙进行了一个月时间段的监测，每个样本包含了当前时刻的监测气体数据、密闭墙变形数据、煤柱内部受力及渗透压力数据；
数据异常值消除处理：设Xi为某一时间的一个样本，0≤i≤1440，Xk＝q1k……q4k，b1k……b4k，z1k……z4k，s1k……s4k]，其中，q1k……q4k代表标准化处理后的四类气体监测数值；b1k……b4k代表标准化处理后的表面应变监测数值；z1k……z4k为标准化处理后的煤柱内部受力监测值；s1k……s4k为标准化处理后的煤柱内部水流渗透压力值。对上述所有时间段的监测值进行异常值消除，若某一时间段中有任一监测数据值的剩余误差>3σ，则认定该监测数据为异常值，予以消除，同时删除这个时间段，同时删除这个时间段的Xi样本。
异常值数据消除方法，选择3σ原则，具体操作如下：
依据3σ原则数学解释，数据分布在(μ-3σ，μ+3σ)区间概率为0.9974，也就是说超过这个区间的数据的概率仅为0.3％不到，即计算监测数据值的剩余误差Xb，判定Xb＝|Xi-μ|与3σ之间的大小，若Xb＞3σ，即消除该异常值。
数据标准化处理：通过平均数方差的方式对样本数据集进行标准化处理，数据标准化后的样本记为Xk。
数据分类：将标准化后的样本数据集分为训练集和测试集的具体过程为：首先对标准化处理后的数据集进行聚类分析，聚类的种类依据国家对风险等级规定进行确定，依据国家对风险等级，防水密闭墙强度等级由低到高分为C级、B级、A级；
由于煤矿井下防水密闭墙施工材料不同，密闭墙的强度等级也有所差异，各个采矿区的气体泄漏、水体对密闭墙变形和渗透等内部受力变化情况也有所不同，因此，不同强度等级下的防水密闭墙，即使监测参数类型一样，但监测数据分类和工况判别应具有各自的特殊性，不能将不同强度等级的防水密闭墙使用同一工况分析逻辑进行判定，因此，确定风险等级后，依据专家知识库对聚类种类进行分析，确定其属于哪一种工况，具体的工况分为以下几大类：有害气体浓度环境工况、防水密闭墙变形工况、煤柱内部应力工况、煤柱内部渗透压力工况。专家知识库是专家系统的核心之一，其主要功能是存储和管理专家系统中的知识，主要包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识。
根据不同采矿区井下防水密闭墙的具体状态，对多气体传感器(CO、CO2、、CH4、O2)、表面应变传感器、钻孔应力传感器、渗压传感器分别设置危险阈值，判断工况时，例如，气体传感器(CO、CO2、、CH4、O2)、表面应变传感器、钻孔应力传感器均未超过对应危险阈值，而渗压传感器监测数值超过危险阈值，则判定该井下环境中的人工防水密闭墙属于煤柱内部渗透压力工况。
将完成聚类分析的数据集拆分成训练集与测试集，两者占比为8:2。训练集用作样本训练，而测试集是对经过训练集训练后的GRNN神经网络性能进行测试。
参照图3和图4，模型构建：设置GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数。输入变量包括以下几个部分：防水密闭墙与煤柱衔接处缝隙泄漏的采空区气体、防水密闭墙受多个组合力作用的变形量、防水密闭墙两侧煤柱内部受力及渗压情况。
模式层传递函数为求和层传递函数输出变量就是代表不同防水密闭墙工况的数值。根据井下实际环境的需求，设置训练的目标误差、径向基扩展速度及最大允许神经元个数。
GRNN神经网络的训练过程如下：GRNN神经网络的输入为Xk，Xk＝q1k……q4k，b1k……b4k，z1k……z4k，s1k……s4k]，其中，q1k……q4k代表标准化处理后的四类气体监测数值；b1k……b4k代表标准化处理后的表面应变监测数值；z1k……z4k为标准化处理后的煤柱内部受力监测值；s1k……s4k为标准化处理后的煤柱内部水流渗透压力值；按照上述已设计的模式层传递函数、求和层传递函数等参数进行训练。
预测结果输出：完成训练的GRNN神经网络为井下防水密闭墙工况的预测模型，井下防水密闭墙工况的预测模型能准确识别出输入的数据属于聚类的哪一类，即代表着能识别出其属于哪一种防水密闭墙工况。
输入实时的防水密闭墙与煤柱衔接处缝隙泄漏的采空区气体、防水密闭墙受多个组合力作用的变形量、防水密闭墙两侧煤柱内部受力及渗压情况这几项经过异常值和标准化处理后的参数，预测出当前所属工况为有害气体浓度环境工况、防水密闭墙变形工况、煤柱内部应力工况、煤柱内部渗透压力工况，根据混凝土坝安全监测技术标准中的其中一种，经过充足样本训练后的GRNN神经网络能够完成以上防水密闭墙强度测参数工况的预测。对每一种防水密墙工况设定不同的积水采空区水位最高限值，使其在遇到不同防水密闭强度等级下自适应的进行水位安全提示，提示进行采空区排水要求，达到积水采空区安全水位效果，本专利只是对防水密闭墙工况的预测，暂且不对后续排水泵房控制部分。
综上，本发明基于多种传感器数据作为防水密闭墙工况判定的依据，对防水密闭墙的数据信号监测更为全面和稳定；通过对异常数据的消除处理，消除监测数据异常值的误导，并进行标准化处理，避免因不同种类数据之间大值和小值数据因新数据的加入而发生变化，无需重新进行数据定义。通过对防水密闭墙各类监测参数工况的预测，设定不同的积水采空区水位最高限值，建立自主分析判断系统，使其在遇到不同工况级别下自适应的进行水位安全提示，提示进行采空区排水要求，达到积水采空区安全水位效果。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要如权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，包括以下步骤，
样本数据采集：采集井下积水采空区渗漏的气体样本的历史数据，采集密闭墙变形量的历史数据，钻采集挡水煤柱内部受力情况的历史数据，采集水流在煤柱内部渗透压力情况的历史数据；
数据异常值消除处理：对样本数据的异常值进行消除处理，得到样本数据集；
数据标准化处理：对所述样本数据集通过平均数方差的方式进行标准化处理；
数据分类：将标准化后的样本数据集分为训练集和测试集；
模型构建：将训练集作为GRNN神经网络的输入变量进行训练，利用测试集对训练后的GRNN神经网络进行测试后，得到井下防水密闭墙工况的预测模型；
预测结果输出：所述井下防水密闭墙工况的预测模型输出井下防水密闭墙当前所属工况。
2.根据权利要求1所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述数据异常值消除处理中，异常值数据消除方法，采用3σ原则，式中σ为标准偏差；n为样本总数；Xi代表其中一个样本值；μ为样本均值。若数据分布在(μ-3σ，μ+3σ)区间概率为0.9974，即计算监测数据值的剩余误差Xb，判定Xb＝|Xi-μ|与3σ之间的大小，若Xb＞3σ，即消除该异常值。
3.根据权利要求1所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述数据标准化处理中，用于标准化处理样本数据的公式为数据标准化后的样本记为Xk。
4.根据权利要求3所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述数据标准化处理中，对标准化后的样本Xk进行聚类分析。
5.根据权利要求4所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述聚类分析的种类依据国家对风险等级规定进行确定，确定完聚类种类后，依据专家知识库对聚类种类进行分析，确定工况类型。
6.根据权利要求4所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，将完成聚类分析的数据集拆分成训练集与测试集，所述训练集用作样本训练，所述测试集用于训练后的GRNN神经网络性能测试。
7.根据权利要求6所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述训练集与测试集的占比为8:2。
8.根据权利要求1所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数。
9.根据权利要求8所述的一种基于GRNN神经网络的井下防水密闭墙工况预测方法，其特征在于，所述GRNN神经网络的训练过程如下：GRNN神经网络的输入为Xk，Xk＝[q1k……q4k，b1k……b4k，z1k……z4k，s1k……s4k]，其中，q1k……q4k代表标准化处理后的四类气体监测数值；b1k……b4k代表标准化处理后的表面应变监测数值；z1k……z4k为标准化处理后的煤柱内部受力监测值；s1k……s4k为标准化处理后的煤柱内部水流渗透压力值，完成训练的GRNN神经网络能准确识别出输入的数据属于聚类的哪一类。
10.一种基于权利要求1-9中任意一项所述的基于GRNN神经网络的井下防水密闭墙工况预测方法的预测系统，其特征在于，包括：
数据获取模块，用于对已安装布设的多气体、应变、应力及渗压传感器进行数据采集，以获取与该防水密闭墙运行状态的实时数据以及历史数据；
数据异常处理模块，用于对已获取的大数据进行异常值消除；
数据标准化处理模块，用于将数据异常值处理过的数据再进行标准化处理；
模型判断模块，用于设置GRNN神经网络所需的参数，包括输入变量、模式层传递函数、求和层传递函数、径向基的扩展速度及最大允许的神经元个数；
工况确认模块，用于对训练的GRNN神经网络识别出输入的数据属于聚类的哪一类，并根据识别情况发出预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738577.1A CN116822352A (zh) | 2023-06-20 | 2023-06-20 | 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738577.1A CN116822352A (zh) | 2023-06-20 | 2023-06-20 | 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822352A true CN116822352A (zh) | 2023-09-29 |
Family
ID=88117866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310738577.1A Pending CN116822352A (zh) | 2023-06-20 | 2023-06-20 | 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822352A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117990162A (zh) * | 2024-04-03 | 2024-05-07 | 河北工程大学 | 一种基于卷积神经网络的窨井监测装置及方法 |
-
2023
- 2023-06-20 CN CN202310738577.1A patent/CN116822352A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117990162A (zh) * | 2024-04-03 | 2024-05-07 | 河北工程大学 | 一种基于卷积神经网络的窨井监测装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101761780A (zh) | 输气管道泄漏检测定位装置及其检测定位方法 | |
| CN116822352A (zh) | 基于grnn神经网络的井下防水密闭墙工况预测方法及系统 | |
| CN112036086A (zh) | 燃气管线动态风险预警系统 | |
| CN110619587A (zh) | 一种基坑监测智能预警和数据存证的方法及系统 | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN115628930B (zh) | 一种基于rbf神经网络的掘进机井下截割工况预测方法 | |
| CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
| CN111628570A (zh) | 水电站安全监测故障诊断方法及系统 | |
| CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
| CN116777085A (zh) | 基于数据分析和机器学习技术的煤矿水害预测系统 | |
| CN115950485A (zh) | 一种隧道内全自动智能化监测方法 | |
| CN116164241A (zh) | 一种瓦斯抽采管网泄漏故障智能检测方法 | |
| CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
| CN114442543A (zh) | 一种适用于水电站故障预警的计算机监测方法 | |
| CN117688659B (zh) | 水库大坝的深厚覆盖层坝基防渗墙的渗漏风险预测方法 | |
| CN117686167B (zh) | 用于井下电控隔离阀的压力监测预警方法及系统 | |
| CN117990162B (zh) | 一种基于卷积神经网络的窨井监测装置及方法 | |
| CN116718249A (zh) | 一种水利工程液位检测系统 | |
| Arias | Construction of Water Pollution Early Warning System Based on Clustering Algorithm and Machine Learning | |
| CN117332348A (zh) | 地下电缆通道的智能运维方法及系统 | |
| Giordano et al. | Statistical Approach for Vibration-Based Damage Localization in Civil Infrastructures Using Smart Sensor Networks. Infrastructures 2021, 6, 22 | |
| CN117743977A (zh) | 一种基于机器学习的测风数据异常识别方法及系统 | |
| CN118167404A (zh) | 一种瓦斯抽采钻孔的智能控制方法 |
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 |