基于機器學習的煤礦瓦斯濃度預測技術

徐平安,張若楠,周小雨,趙琦琦

(平安煤炭開采工程技術研究院有限責任公司,安徽 淮南 232000)

0 引言

煤礦在正常生產過程中,需嚴格控制采掘工作面瓦斯濃度在1%以下,然而在遇到構造、風量不足、區域瓦斯含量增高等情況時,采掘工作面瓦斯濃度非常容易超限。煤礦發生瓦斯災害前,往往伴隨瓦斯濃度異常,因此準確判斷瓦斯濃度是進行瓦斯突出預測、通風設計等工作的基礎。

煤炭資源是中國重要的基礎能源資源,伴隨著煤礦開采深度加深,瓦斯災害越來越成為影響開采安全性的重要因素。周明[1]提出一種基于ELM的煤礦瓦斯濃度預測方法,并對其進行深入研究,并通過實驗驗證其對于煤礦瓦斯預測的可行性;劉鋒[2]提出一種基于PCA-RVM的煤礦瓦斯濃度預測方法,其通過在PCA的基礎上進行改進達到相較于使用PCA方法預測瓦斯濃度更好的預測結果;蔡亞東[3]提出一種基于概率密度機的瓦斯濃度預測方法,通過深入研究與瓦斯濃度相關的概率模型,實現對煤礦瓦斯濃度的預測;戚昱[4]通過研究信息融合與GA-BA 2種模型方法相互結合,實現精確預測煤礦瓦斯濃度;馬莉等[5]深度結合PSO、Adam、GRU方法提出PSO-Adam-GRU方法并將該方法應用到煤礦瓦斯預測中;王勇哲[6]通過研究信息融合技術與瓦斯濃度的數值關系,實現煤礦瓦斯的濃度預測以及安全評估。綜上所述,通過數學方法建模煤礦瓦斯濃度預測模型是具有一定可行性的,但目前的方法仍存在無法擬合實時煤礦瓦斯數據,并需要考慮影響煤礦瓦斯濃度的多種因素的問題。

近年來隨著神經網絡技術的發展,如何將神經網絡方法與煤炭瓦斯監測相結合成為學術研究的重要課題。李旭等[7]提出一種基于長短期記憶-門控循環單元的神經網絡瓦斯濃度序列預測算法,并通過使用吉林八連城南11902上順工作面一年的實驗數據驗證該方法的可行性;謝謙等[8]在針對LSTM算法的反向傳播過程中使用的Adam算法進行改進,并結合Attention機制提出Attention-aLSTM算法,實現在LSTM算法的基礎上針對預測性能提升14.2%;王德忠等[9]利用GA算法優化LSTM網絡參數,以解決LSTM網絡預測不平衡和易陷入局部極值的問題,提出GA-LSTM瓦斯濃度預測模型,相較于RNN和BP方法得到了更加準確的瓦斯濃度預測結果;蘭海平等[10]基于LSTM方法研究針對瓦斯超限和煤與瓦斯突出事故的超前預測模型,并驗證其子樣本長度和超前預測時長的關系;李鋮翔[11]通過分析GRNN神經網絡的結構及原理,驗證其在瓦斯濃度預警方面的可應用性;劉超等[12]通過運行皮爾遜系數對瓦斯濃度數據進行特征選擇,提出Pearson-LSTM預測模型,并在玉華煤礦2409工作面進行實驗驗證其預測的準確性。上述方法均驗證了神經網絡在煤礦瓦斯濃度預測方面的可行性。

采煤面瓦斯的多源特征和瓦斯混合氣體的運移特征使得瓦斯濃度既具有一定的規律性,又具有一定的復雜性,是典型的非線性時間序列預測問題。首先,礦井瓦斯濃度是典型的時間序列數據,單個瓦斯監測點的瓦斯濃度與該測點歷史瓦斯濃度具有時間相關性。其次,巷道內瓦斯同樣受到煤層厚度、瓦斯抽采量、巷道內瓦斯風排量的影響,因此在預測瓦斯濃度時,應將這些影響因素納入模型之中。采煤工作面回風巷瓦斯較為穩定,基本能夠反映整個巷道的瓦斯情況,旨在實現對采煤工作面回風巷的瓦斯濃度進行主動預測。

1 瓦斯濃度預測算法

瓦斯濃度預測研究采用“廣義線性回歸”算法,廣義線性模型是線性模型的擴展,其在一般線性回歸模型的基礎上,將模型的假設進行推廣而得到應用范圍更廣更實用的回歸模型。通過聯結函數建立響應變量的數學期望值與線性組合的預測變量之間的關系。其特點是不強行改變數據的自然度量,數據可以具有非線性和非恒定方差結構,符合瓦斯濃度預測的特征。

1.1 算法分析

機器學習是一種實現人工智能的方法,而線性回歸是機器學習中的一種重要方法,其理論依據是將訓練數據傳輸給計算機,計算機自動求解數據關系,在新的數據上做出預測或給出建議。從數據中尋找規律、建立關系,根據建立的關系去解決問題,滿足文中所研究的瓦斯濃度預測的需求。

線性回歸算法中單變量線性回歸需要經過已知的數據計算出平方誤差代價函數(代價函數/損失函數),然后使用梯度下降法把大量數據之間的平方誤差代價函數的常數部分降低到最小,使得線性回歸方程可以擬合現有的所有數據,多變量線性回歸的時候,因為變量的個數較多并且之間的數量級差距較大,所以在縮小平方誤差代價函數的時候不能直接使用梯度下降法,要在所有的變量進行特征縮放(均值歸一化或者正規方程法)之后再進行梯度下降,最終得出多變量線性回歸的擬合方程。

1.2 模型建立

該算法基于煤礦工作面采集的多種影響到采煤工作面回風巷T2瓦斯濃度的因素,包括回風巷上隅角T0甲烷傳感器歷史數據、采煤工作面產量數據、工作面瓦斯抽采量數據、工作面煤層厚度數據、回風巷道風速數據,以此建立基礎數據集。在基礎數據集的基礎上,基于時間關聯性將基礎數據集中的數據整理形成瓦斯濃度影響因素數據集,其中數據元組格式見表1。處理完成后,得到數據集。

表1 數據對應名稱

上述步驟數據分析建立的基礎數據元組仍需進一步處理得到用于預測T2位置瓦斯濃度的算法模型。首先,步驟1中的數據元組提供了影響T2位置瓦斯濃度的影響因素,其主要用處是用于預測下一數據采集時刻的T2位置瓦斯濃度,因此將數據元組格式化為(T0_MAX,EXTRACT_COUT,COAL_PRODUCTION,COAL_THINKNESS,WIN_SPEED_AVG)格式。

為保證數據的可用性,對數據元組的每一列進行標準化處理首先對每一列數據進行平均值求解,其公式為

(1)

式中,xi為單個樣本數據的值;N為每列數據的樣本總數;μ為平均值。

求得平均后,再進行標準差求解,其公式為

(2)

式中,σ為標準差。最后對元組中每列數據的單個數據進行z-score標準化,其公式為

(3)

通過上述得到標準化后的數據集。

將經由特征工程產生的數據集進行切分,將數據集的70%數據用于模型訓練,20%的數據進行評估,10%做瓦斯濃度預測校對使用,根據訓練的模型規律進行評估調整。

采用線性回歸的第一準則,因變量Y需要是“定量變量”,即數值變量,這里預測的T2甲烷傳感器濃度符合第一條件。煤層厚度決定了瓦斯的總量;日產量影響了每天大概的瓦斯涌出量,對工作面之中的瓦斯濃度的影響主要是抽采量和風排量,風排瓦斯中,瓦斯會跟隨風流經過工作面和回風巷至采區回風巷中,因此,煤層厚度、瓦斯抽采量、日產量、風速與T0瓦斯濃度傳感器和T2瓦斯濃度傳感器的數值是一元回歸或者高階回歸的關系,本身的一元回歸或者高階回歸的關系并未改變,所以本次模型建立采用廣義線性回歸的算法進行數據擬合,同時數據也服從高斯分布。建立多因素的廣義線性回歸模型,其計算公式為

θT2=ωDD+ωCC+ωQQ+ωSS+ωθT1θT1+b

(4)

式中,D為煤層厚度,m;C為瓦斯抽采量,m3;Q為日產量,t;S為風速,m/s;θT1為T0瓦斯濃度;θT2為T2預測瓦斯濃度;ω為各影響因素對于T2瓦斯濃度影響的偏移權重;b為公式整體相對于T2瓦斯濃度的偏移量。

將影響T2瓦斯濃度的影響因子與相應的權重用向量方式表示ρ=[D,C,Q,SθT1],ω=[ωD,ωC,ωQ,ωS,ωθT1],則可將公式簡化為

θT2=ωTρ+b

(5)

上述步驟中基于影響T2位置瓦斯濃度的多種因素之間的線性關系建立了相應的多因素廣義線性回歸模型為θT2=ωTρ+b。

為了實現該模型對于實際預測值的擬合,通過最小二乘法對上述模型中的影響因素進行相應訓練,其計算公式為

(6)

式中,y為訓練集中原始的T2位置瓦斯濃度;θT2為通過多因素廣義線性回歸模型預測的T2位置瓦斯濃度。

通過上述采樣方法,劃分訓練集與測試集,使用凱明正態分布方法對模型權重賦予符合正態分布的處置,進行13輪模型訓練,得到訓練損失結果如圖1所示。

圖1 訓練損失結果Fig.1 Training loss results

從圖1可以看出,隨著訓練輪次的加深,算法的損失逐漸減小,模型學習到的內容逐漸增多。

2 預測結果對比

試點礦井數據選取的是淮南礦業集團顧橋礦1126(3)采煤工作面的相關數據,該礦井為瓦斯突出礦井,因此采用大數據預測的方式能提高礦井的生產安全可靠性。通過分析,此次實驗選取的T0甲烷傳感器數據、風速數據、抽采量數據、日產量數據、煤層厚度數據等均與采煤工作面環境中瓦斯濃度大小息息相關。T0甲烷傳感器反映的是本采煤工作面回風上隅角的瓦斯積聚情況,若數值較大,可能造成回風巷瓦斯濃度變大;風速影響風排瓦斯含量,若風速變小,容易造成瓦斯積聚,造成瓦斯濃度上升;抽采累積量為本采煤工作面煤層中賦存的瓦斯抽采量,當抽采量提高時,說明正在回采的本煤層噸煤瓦斯含量較高,抽采充分后,則在回采過程中空氣中的瓦斯含量會降低,抽采不充分,則空氣中瓦斯含量會升高;日產量數據能夠反映本采煤工作面回采的速度,當回采速度過快時,煤層中釋放至空氣的瓦斯含量就會提高,所以當空氣環境中瓦斯濃度較高時,必須停止回采。通過上述分析,可以看出,想要科學準確地預測出回風巷瓦斯濃度,必須將這些相關因素納入模型之中,進行權衡學習。

甲烷傳感器濃度數據、風速數據、抽采量數據是通過安全監控系統進行實時獲取,由數據庫中得到相關數據集,工作面產量數據是由生產調度系統所獲取的相關數據,在建模過程中選取1個月的數據量,并根據數據集劃分,將數據集的70%數據用于模型訓練,20%的數據進行評估,10%做瓦斯濃度預測校對使用,本次模型的建立、訓練以及校對工作依托大數據搭建的數據科學平臺進行完成,將數據集按照數據解析、特征工程提取、切分數據集、訓練模型、校對模型等步驟依次進行,最終能夠得到相關的預測結果對比。

選擇數據集中的20%數據進行預測評估,見表2數據,其中mae為平均絕對誤差,即預測值和實際值的絕對差值(差值和的平均值),mse為均值方差,rmse為均方根誤差。

表2 評估結果

圖2所示為一段時間的數據集對應的預測評估結果predict曲線為預測值曲線,T2_max曲線為真實值曲線。

圖2 預測結果對比Fig.2 Comparison of predicted results

預測實驗在較為理想的情況下進行,歷史數據較為穩定,且現場無偶然突發情況,如圖2所示,在模型迭代13次之后,能夠在變化趨勢上進行較為準確的預測,達到了本次研究的要求與目的。

3 結語

瓦斯災害是煤礦領域的重大安全問題,隨著煤礦智能化水平的不斷提高,探索深度機器學習對煤礦瓦斯濃度進行預測具有現實意義,通過深度學習,能夠掌握瓦斯濃度變化的規律,對日后瓦斯預測預報,防范瓦斯災害的發生具有重要意義,能夠為煤礦的回采與掘進工藝提供更為精準的風險預判依據。同時,將大數據、深度學習等智能化技術引入煤礦瓦斯治理工作中,具有較高的使用價值。在今后的研究工作中,將會在此成果的基礎上,對模型進行推廣,以求更好適用于礦井生產。