本发明属于矿井灾害智能防控,涉及矿井瓦斯数据预测技术,具体涉及的是一种基于机器学习模型的巷道瓦斯时空分布预测方法。
背景技术:
1、瓦斯灾害制约着高瓦斯矿井的安全生产,由于巷道环境的复杂性和不确定性,如何准确预测巷道瓦斯浓度,及时发现潜在的危险,是煤矿安全领域亟待解决的问题。
2、虽然目前许多瓦斯浓度预测的专利中已经涉及机器学习、数值模拟、数据挖掘、模糊数学等多种方法和技术,但瓦斯浓度预测精度仍然不高,现有瓦斯预测方法存在以下两点缺陷:
3、1、基于机器学习的算法预测瓦斯浓度是一种非线性系统的行为,依赖于大量的历史数据,通过数据挖掘和机器学习等技术来提取瓦斯浓度的特征和规律,往往需要考虑数据的噪声和不确定性问题,而现有煤矿井下瓦斯浓度监测传感器数目仍然有限,较难实现高精度的时空分布预测;
4、2、目前很多模型/研究方法常常只能单纯的基于数据的机器学习来分析数据,其实并没有更多考虑底层的物理机理因素,可解释性较差,可泛化性差。
技术实现思路
1、为了克服现有技术的不足,提高巷道瓦斯浓度预测的准确性和实时性,为安全决策提供可靠数据支撑,本发明针对巷道气体的实时监测预测问题,提出一种基于机器学习模型的巷道瓦斯时空分布预测方法。
2、本发明的设计构思为:从物理模型预测和大数据预测两种角度对巷道瓦斯浓度进行建模,应用基于物理过程的循环神经网络方法,既能借助物理模型充分提取并利用潜在物理过程中的有效信息,又能结合循环神经网络善于提取时序数据特征、保留数据间的依赖关系、泛化能力相对好的优势。
3、本发明通过以下技术方案予以实现。
4、一种基于机器学习模型的巷道瓦斯时空分布预测方法,包括以下步骤:
5、s1、采集历史数据,建立面向大数据预测的历史瓦斯特征数据集x(x,y,z,t,c)
6、首先,通过布置在巷道中的传感器和数据采集设备,实时采集巷道的空间位置、环境参数、co浓度、粉尘浓度和瓦斯浓度数据,作为历史特征数据c;其次,采用标准化方法对采集的数据进行预处理;再次,采用主成分分析法对预处理后的数据进行特征提取,从采集的数据中提取与瓦斯浓度相关的特征,包括历史瓦斯浓度、温度、湿度以及风速;最后,用数据归一化法对提取的特征进行特征转换,建立面向大数据预测的历史瓦斯特征数据集x(x,y,z,t,c),式中x、y、z分别为巷道中点的三维坐标值,t为时间,c为历史特征数据;
7、s2、煤矿巷道内瓦斯分布的控制方程为:
8、
9、式中,ρ为气体密度;为瓦斯组分所占的体积分数;d为瓦斯扩散系数;xi、xj(i=1、2、3;j=1、2、3)分别表示x方向、y方向、z方向;ui、uj(i=1、2、3;j=1、2、3)分别表示速度u在x方向、y方向、z方向的投影;
10、煤矿巷道内瓦斯分布的边界条件为:
11、
12、式中,xbc,ybc,zbc分别表示边界区域在x、y、z方向的坐标,表示边界区域的瓦斯组分所占的体积分数;
13、煤矿巷道内瓦斯分布的初值条件为:
14、
15、s3、采用有限差分法,对煤矿巷道内瓦斯分布的控制方程在空间和时间上分别进行离散,以二阶中心差分法对空间维度进行处理,以一阶向后差分方法对时间进行离散,将任一个点的临近区域(由时间和空间离散的结果决定)内与该点的距离等于相应的间隔差δx、δy、δz、δt的点定义为约束块,构建有限差分结构方程;
16、
17、式中,ux,uy,uz分别表示速度u在x、y、z方向的偏导数;
18、s4、采用矩阵分解法,把煤矿巷道内瓦斯分布的控制方程转化到超平面,使得到的映射预测值符合物理机理,神经网络中在约束块上的预测值可以提取为预测矩阵h和约束矩阵a:
19、
20、
21、
22、
23、s5、由约束块向投影块变换,推导映射矩阵p,并得到投影预测值t:
24、p=(1-at(aat)-1a);
25、式中,p为映射矩阵,a为约束矩阵,t为投影预测值;
26、s6、将煤矿巷道内的区域进行随机分配,得到分配点的坐标(xj,yj,zj,tj),边界条件坐标(xk,yk,zk,tk)以及初值条件坐标(xl,yl,zl,tl),完成数据采样;
27、s7、确定观察损失函数msedata:
28、
29、式中,n为观测点的数量,nn(x)为神经网络算法,yobs表示瓦斯浓度的观测值;
30、s8、确定控制方程损失函数msepde:
31、
32、式中,nf为控制方程作用点的数量;
33、s9、确定边界条件损失和初始条件损失函数:
34、确定边界条件损失函数msebc:
35、
36、式中,nbc为边界条件区域作用点的数量,为边界条件的瓦斯浓度,为神经网络模型的第i次预测值;
37、确定初始条件损失函数mseic:
38、
39、式中,nic为初始条件区域作用点的数量,为初始条件的瓦斯浓度,为神经网络模型的第i次预测值;
40、s10、引入罚参数,得到预测模型总损失函数l为:
41、l=λdatamsedata+λpdemsepde+λbcmsebc+λicmseic;
42、式中,λdata、λpde、λbc、λic为罚参数,并且均为超参数;
43、s11、根据预测模型总损失函数l的结果,采用反向传播方法和adam优化器,更新神经网络中的权重和偏置,直至预测模型总损失函数l收敛,即可得到训练好的模型;
44、s12、采用验证集对训练好的预测模型进行验证,并调整超参数;
45、s13、将实时采集的数据输入到训练好的模型中,即可得到瓦斯浓度时空分布预测结果。
46、本发明的有益效果在于:
47、本发明方法利用物理模型和深度学习的优势,通过投影将瓦斯对流扩散控制方程作为约束条件纳入神经网络。具体而言,将控制方程在空间和时间上离散化,提取流场局部区域内的预测值作为约束块;将控制方程分解为反映物理机制的约束矩阵和由每个约束块上的神经网络输出组成的预测矩阵。最后,基于约束矩阵构造符合瓦斯对流扩散控制方程的超平面,并将预测矩阵投影到该超平面上,得到满足对流扩散方程约束的预测。本发明可以保证更高的预测精度,在局部区域或者整个区域严格满足控制方程,样本数据需求量很少,预测精度更高,鲁棒性更强,可泛化性较强,以对巷道气体进行更好地预测,为矿井日常管理及灾害发生全过程的风险决策提供可靠的数据支撑,达到风险关口前移、预防灾害发生的目的,保障矿井工作人员的生命安全。
1.一种基于机器学习模型的巷道瓦斯时空分布预测方法,其特征在于,包括以下步骤: