CN1845091A - 矿井瓦斯涌出量的预测方法 - Google Patents

Abstract

本发明公开了一种矿井瓦斯涌出量的预测方法，其特征是，它是通过以下步骤进行预测的：构建基于距离浓度的免疫算法模型；将从数据库中获取埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量和瓦斯涌出量的样本数据进行处理，并存入数据库中；利用基于距离浓度的免疫算法模型对数据库中各特征属性进行聚类，建立瓦斯涌出量样本数据聚类类别表；利用基于距离浓度的免疫算法模型对瓦斯涌出量样本数据聚类类别表进行挖掘，得出关联规则；将实测到的近期数据按上述关联规则预测出该工作面的瓦斯涌出量。

Description

矿井瓦斯涌出量的预测方法

技术领域

本发明涉及煤矿井下瓦斯涌出量的预测方法。

背景技术

在煤矿开采过程中，瓦斯灾害事故频繁，瓦斯爆炸等重特大事故也时有发生。据统计，煤矿安全事故中，瓦斯爆炸事故是经济损失重大、人员伤亡最多的事故，也是造成社会影响最大的重特大事故。尤其是随着开采深度的不断增加，机械化程度的不断提高，开采强度的不断增强，瓦斯涌出量还会进一步增大，瓦斯灾害的治理越来越成为煤矿灾害防治的重点。影响瓦斯涌出量主要信息包括：埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量等，这些数据有些是通过实测得到，有些是可以计算得到。然而在采掘过程中由于工作面处于动态变化中，而影响瓦斯涌出量的地质条件、煤层瓦斯含量和开采强度等因素处于不断变化之中，这使工作面瓦斯涌出量存在着非常大的不确定性，因此需要一种科学的方法来预测未来瓦斯涌出量，为煤矿企业高层领导制定决策提供依据。

目前，许多煤矿建立了煤矿决策支持系统(DSS)，它包括数据库、模型库和知识库，功能是综合利用大量数据，有机组合众多模型(数学模型和数据处理模型)，通过人机交互，辅助各级决策者实现科学的决策。数据大多数是来源于煤矿企业经过长期积累的数据，数据庞大，以不同形式存在，可能在数据收集中还会造成数据失真或破坏数据完整性。这些数据库只提供了对数据的简单查询，不能有效地提取和利用有用的信息。

数据挖掘技术是近年来非常活跃的研究领域，为人们及时准确地从庞大的数据库中获取信息提供有效的方法，特别是利用基于人工免疫的数据挖掘技术取代手工分析方法，能充分利用煤矿决策支持系统(DSS)的数据源，从大量的数据中挖掘出矿井瓦斯信息进行预测。

发明内容

本发明的目的提供一种利用人工免疫的数据挖掘技术预测矿井瓦斯涌出量的方法，以便煤矿决策者及时采取相应措施。

本发明是利用原有的DSS决策支持系统上增加了数据挖掘模块进行计算和处理，来达到发明目的的。

本发明的数据挖掘模块是基于距离浓度的免疫算法建立的算法模型。

本发明具体预测过程如下：

1、构建基于距离浓度的免疫算法模型，算法描述如下：

第一步：设解决的问题为X。将抗原和抗体分别对应于待求解的问题X和问题的一个解x_i，f(x_i)为解的适应度函数。

第二步：产生初始抗体群体。随即产生N个初始抗体，再随即产生M个抗体放入记忆库中，从记忆库中提出M个个体加入抗体群中，构成(N+M)个初始抗体群体。

第三步：对抗体群体中各抗体进行评价，按照公式(1)、(2)、(3)计算抗体v的浓度C(x_i)；然后按照公式(4)计算抗体的期望繁殖率E(x_i)；

$d_i=d\left(x_i\right)=\underset{j=l,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|---\left(1\right)$

$d=\underset{i=l}{\overset{n}{\mathrm{\Σ}}}d\left(x_i\right)=\underset{i=l}{\overset{n}{\mathrm{\Σ}}}\underset{j=l,j\≠i}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|---\left(2\right)$

$C\left(x_i\right)=1-\frac{d_i}{d}=1-\frac{\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|}---\left(3\right)$

显然，抗体之间的距离越大，其距离浓度越小，反之则浓度越大；

$E\left(x_i\right)=\frac{D\left(x_i\right)}{C\left(x_i\right)}---\left(4\right)$

式中：

d_i为抗体x_i在集合X上的距离；d为所有抗体之间的距离之和；D(x_i)为抗体与抗原之间的亲和度；C(x_i)为抗体在抗体(解)空间的浓度值。

第四步：形成父代群体。将抗体群体按E(x_i)的降序排列，并取前N个个体构成父代群体；同时提前M个个体作为记忆细胞存入记忆库中。

第五步：判断是否满足结束条件。可设定最大运行世代数作为终止条件，或判断连续运行一定世代数后函数值没有变化作为终止条件。一旦条件满足则结束运算。否则继续下一步操作。

第六步：抗体的增殖和分化。基于第四步的计算结果，按照其评价标准，从抗体群体中确定父代群体后进行抗体克隆，选择实数交叉与非均匀变异方法克隆新的抗体。克隆出的抗体与原有的抗体一起构成新一代抗体群。

第七步：执行第三步。

2、从数据库中获取埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量和瓦斯涌出量的样本数据(特征属性值)，并将数据进行清洗和归一化处理，清洗去除不一致的数据，将上述数据按属性值按比例缩放，使它们都落入[0，1]上，建立[0，1]数据集，然后将数据集存入数据库中；

2、利用基于距离浓度的免疫算法模型对数据库中各特征属性进行聚类，得到他们优化的特征属性聚类个数，再将数据集中的每个数据属性值分别划分到相应的类中中，建立瓦斯涌出量样本数据聚类类别表；

3、利用基于距离浓度的免疫算法模型对瓦斯涌出量样本数据聚类类别表进行挖掘，得出关联规则。设煤层藏深度A₁、煤层深度A₂、瓦斯含量A₃、开采强度A₄、邻近层距离A₅、邻近层瓦斯含量A₆与瓦斯涌出量A₇的关联规则为：

其中X＝{A₁，A₂，A₃，A₄，A₅，A₆}，Y＝{A₇}，S为支持度，表示满足条件X所占的百分比，C为置信度，表示满足条件X又满足条件Y的概率，S＝P(X∪Y)，C＝(Y/X)；

5、将实测到的近期数据按上述关联规则预测出该工作面的瓦斯涌出量。

本发明将人工免疫数据挖掘方法引入煤矿决策支持系统(DSS)，建立了基于免疫原理的挖掘系统，充分发挥了综合业务信息集成的数据优势，为预测瓦斯涌出量提供了有力的决策依据。

具体实施方式

下面结合某矿的情况对本发明的技术方案作进一步的描述。

某矿现已建立了公开使用的DSS决策支持系统，在该系统的数据库中储存了以前大量的瓦斯信息数据，数据包括煤层埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量和瓦斯涌出量。

实施步骤如下：

1、首先构建基于距离浓度的免疫算法模型，构建方法如技术方案所述；

2、从DSS数据库中获取煤层埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量和瓦斯涌出量的样本数据，清洗去除不一致数据；为了防止具有较大值的属性相对于较小值的属性权重过大，将数据进行归一化处理；再将上述归一化处理的数据按比例缩放，使它们都落入[0，1]上，建立瓦斯涌出量数据集。现将数据集中的20个记录举列(见附表1)；

3、从瓦斯涌出量数据集中随机抽取400个记录，用第1步建立的算法模型，分别对埋藏深度、煤层厚度、瓦斯含量、开采强度、邻近层间距、邻近层瓦斯等特征属性进行聚类，得到它们优化的特征属性聚类个数(见附表2)。

由此将数据集中个各记录的属性值分别划分到相应的类。例如附表2中将煤层厚度被分为5类(类1-5)，其中类4的区间为[0.8650，0.9365]、类1的区间为[0.4550，0.6522]，如果煤层厚度的值为0.8929，则它应该归入类4。对于附表1中的记录，经过特征属性的聚类，形成各记录属性的类别(见附表3)，其中瓦斯涌出量设为不突现、一般、突现三种情况；

4、采用基于人工免疫原理的关联挖掘方法，对瓦斯涌出量数据集进行挖掘，求出关联规则，设要求解的关联规则为：“如果X是A，则Y是B”，其中，X＝{煤层埋藏深度，煤层厚度，瓦斯含量，开采强度，邻近层间距，邻近层瓦斯含量}，Y＝{瓦斯涌出量}，则A＝{A₁，A₂，A₃，A₄，A₅，A₆}，B＝{A₇}，A₁，A₂，A₃，A₄，A₅，A₆，A₇分别表示煤层埋减深度、煤层煤层厚度、瓦斯含量、开采强度、邻近层间距、邻近层瓦斯含量、瓦斯涌出量的属性值等级。挖掘后，在给定最小支持度为0.021，最小置信度为0.41情况下，获得瓦斯涌出量关联规则如下：

①煤层埋藏深度＝3∧煤层厚度＝3∧瓦斯含量＝4∧开采强度＝5∧邻近层间距＝4∧邻近层瓦斯含量＝4→瓦斯涌出量＝3(突现)；

②煤层埋藏深度＝2∧煤层厚度＝3∧瓦斯含量＝2∧开采强度＝3∧邻近层间距＝2∧邻近层瓦斯含量＝1→瓦斯涌出量＝1(不突现)。

5、实测计算某一工作面的煤层埋藏深度，煤层厚度，瓦斯含量，开采强度，邻近层间距，邻近层瓦斯含量，按照第四步得出的关联规则对该工作面瓦斯涌出量进行预测，是突现还是不突现。

                                           表1瓦斯涌出量数据集

编号	埋藏深度	煤层厚度	瓦斯含量	开采强度	邻近层间距	邻近层瓦斯含量	瓦斯涌出量
								1234567891011121314151617181920	0.53400.56300.57330.59900.66070.68890.71720.74040.76350.80210.84830.88170.92030.94341.00000.61440.67870.74550.83800.8997	0.55800.58930.68300.75000.83480.79460.73660.89290.96880.90180.84820.82590.98211.00000.84380.79910.83930.89290.87050.9821	0.57730.60960.58690.63240.64600.68240.74610.82670.83580.87720.89850.91860.96540.98951.00000.61420.65970.87350.89850.9577	0.46880.51100.63920.53820.55270.58810.58620.80730.87680.74610.84650.66200.65091.00000.94550.54350.59680.80110.82910.6572	0.520.520.600.720.600.640.720.520.440.800.880.961.000.640.760.680.640.520.881.00	0.58080.63170.47810.50700.47970.49680.49890.95340.95020.90421.00000.97020.94330.91170.92880.50960.49680.95291.00000.9395	0.30950.37500.43820.41350.46070.48050.50340.60550.69240.72790.86900.92810.93381.00000.96110.41020.48540.67070.80950.9970

                         表2瓦斯涌出量特征属性优化聚类个数

埋藏深度	煤层厚度	瓦斯含量	开采强度	邻近层间距	邻近层瓦斯含量	瓦斯涌出量
							5	5	6	6	4	4	3

                              表3瓦斯涌出量样本数据聚类类别

编号	埋藏深度	煤层厚度	瓦斯含量	开采强度	邻近层间距	邻近层瓦斯含量	瓦斯涌出量
								1234567891011121314151617181920	11112222233444512234	11223324543355333445	11122233344455612445	12422335655446623554	11232231134442332144	22111114434443311443	11111112223333311233

Claims (1)

1、一种矿井瓦斯涌出量的预测方法，其特征是，它是通过以下步骤进行预测的：

(1)构建基于距离浓度的免疫算法模型，算法描述如下：

第一步：设解决的问题为X：将抗原和抗体分别对应于待求解的问题X和问题的一个解x_i，f(x_i)为解的适应度函数；

第二步：产生初始抗体群体：随即产生N个初始抗体，再随即产生M个抗体放入记忆库中，从记忆库中提出M个个体加入抗体群中，构成(N+M)个初始抗体群体；

第三步：对抗体群体中各抗体进行评价：按照公式①、②、③计算抗体v的浓度C(x_i)，然后按照公式④计算抗体的期望繁殖率E(x_i)；

$d_i=d\left(x_i\right)=\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|$ ①

$d=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}d\left(x_i\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,j\≠i}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|$ ②

$C\left(x_i\right)=1-\frac{d_i}{d}=1-\frac{\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1,i\≠j}{\overset{n}{\mathrm{\Σ}}}\left|\right|x_i-x_j\left|\right|}$ ③

显然，抗体之间的距离越大，其距离浓度越小，反之则浓度越大；

$E\left(x_i\right)=\frac{D\left(x_i\right)}{C\left(x_i\right)}$ ④

式中：

d_i为抗体x_i在集合X上的距离，d为所有抗体之间的距离之和，D(x_i)为抗体与抗原之间的亲和度，C(x_i)为抗体在抗体空间的浓度值。

第四步：形成父代群体：将抗体群体按E(x_i)的降序排列，并取前N个个体构成父代群体，同时提前M个个体作为记忆细胞存入记忆库中；

第五步：判断是否满足结束条件：可设定最大运行世代数作为终止条件，或判断连续运行一定世代数后函数值没有变化作为终止条件，一旦条件满足则结束运算，否则继续下一步操作；

第六步：抗体的增殖和分化：基于第四步的计算结果，按照其评价标准，从抗体群体中确定父代群体后进行抗体克隆，选择实数交叉与非均匀变异方法克隆新的抗体，克隆出的抗体与原有的抗体一起构成新一代抗体群；

第七步：执行第三步；

(2)从数据库中获取埋藏深度、煤层深度、瓦斯含量、开采强度、邻近层距离、邻近层瓦斯含量和瓦斯涌出量的样本数据，并将数据进行清洗和归一化处理，清洗去除不一致的数据，将上述数据按属性值按比例缩放，使它们都落入[0，1]上，建立[0，1]数据集，然后将数据集存入数据库中；

(3)利用基于距离浓度的免疫算法模型对数据库中各特征属性进行聚类，得到他们优化的特征属性聚类个数，再将数据集中的每个数据属性值分别划分到相应的类中中，建立瓦斯涌出量样本数据聚类类别表；

(4)利用基于距离浓度的免疫算法模型对瓦斯涌出量样本数据聚类类别表进行挖掘，得出关联规则，设煤层藏深度A₁、煤层深度A₂、瓦斯含量A₃、开采强度A₄、邻近层距离A₅、邻近层瓦斯含量A₆与瓦斯涌出量A₇的关联规则为：

XY[S，C]，其中X＝{A₁，A₂，A₃，A₄，A₅，A₆}，Y＝{A₇}，S为支持度，表示满足条件X所占的百分比，C为置信度，表示满足条件X又满足条件Y的概率，S＝P(X∪Y)，C＝(Y/X)；

(5)将实测到的近期数据按上述关联规则预测出该工作面的瓦斯涌出量。