一种基于深度学习的煤岩瓦斯复合动力灾害预测方法

1.本发明设计煤矿安全开采技术领域，具体涉及一种基于深度学习的煤岩瓦斯复合动力灾害预测方法。


背景技术：

2.深部高瓦斯压力、高地应力、低渗透性煤层及其围岩之间的耦合作用孕育出一种兼具煤与瓦斯突出和冲击地压两种典型动力灾害部分特征的复合型动力灾害，称为煤岩瓦斯复合动力灾害。深部高瓦斯压力与地应力条件使得灾害的发生机理复杂，导致灾害发生的频率不断攀升，威胁矿井的生产安全。目前，由于煤岩瓦斯复合动力灾害影响因素复杂繁多，灾害发生、发展过程尚未明朗，无法充分挖掘指标特征信息与灾害发生、发展的内在联系。传统复合动力灾害预测手段存在预测指标单一、预测准确率不理想等缺点，而以深度学习为代表的数学方法进行煤岩瓦斯复合动力灾害的智能预测方式目前鲜有报道。
3.gra能够得到与灾害关联度高的影响因素，建立预测指标体系。cnn具有局部感知与权重共享的优点，其独有的卷积层能够有效减少连接权值的数量并挖掘非线性数据的特征规律；池化层可有效降低多重共线性与模型过拟合等问题，提高模型的泛化能力与鲁棒性，该算法可以弥补其他模型对参数敏感，易出现过拟合等缺陷。考虑到模型参数的差异会影响模型准确率，故需要对参数进行优选，达到准确控制模型的内部运行并且快速获得模型的最优参数的目的。选用ssa对模型参数进行优化，利用麻雀的生物特性进行迭代寻优，得到更加可靠与精确的预测模型参数。因此，以某矿区为研究对象，提出了基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法。


技术实现要素：

4.本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.因此，本发明的目的是针对上述现有技术的不足，提供一种基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法，本发明的预测模型训练时间短，泛化性好且鲁棒性强，能够快速准确的预测出煤岩瓦斯复合动力灾害预测。
6.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
7.一种基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测方法，包括如下步骤：
8.s1，准备煤岩瓦斯复合动力灾害影响因素的数据，对数据进行预处理，运用boxplot剔除错误数据，运用mice填补缺失数据，得到可用于指标选取与模型训练的数据集；
9.s2：运用gra对数据集进行数据分析，选取关联度高的指标，保留10个影响因素，建立煤岩瓦斯复合动力灾害预测指标体系；
10.s3：搭建初始cnn预测模型；
11.s4：运用ssa优化算法得到模型最优超参数；
12.s5：运用训练样本训练模型，建立基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测模型；
13.s6：运用测试集输入模型进行预测，将预测结果与实际结果进行，验证模型的预测精度。
14.优选的，s1包括：
15.s101，建立煤岩瓦斯复合动力灾害指标数据库；
16.s102，运用boxplot找到超出上下界的离群点并将其剔除；
17.s103，运用mice填补原本空缺的数据与被boxplot剔除的数据；
18.s104，对完整的初始数据进行标准化处理。
19.优选的，s103的mice中，选用极限树et作为估计器进行插补。
20.优选的，s2包括：
21.s201，确定母序列y0与子序列y1；
22.s202，分别对两个序列进行标准化得到母序列x0与子序列x1；
23.s203，计算每个因素的关联系数；
24.s204，计算每个因素的关联度，对各因素按关联度大小排序；
25.s205，筛除灰色关联度值小的因素，保留前10个影响因素，建立包含10个指标的煤岩瓦斯复合动力灾害指标体系。
26.优选的，s202中数据集选用z-score标准化处理方法，其公式如下：
[0027][0028]
其中，x'为标准化处理后的数据集，x为标准化处理前的数据集，μ为均值，σ为标准差。
[0029]
优选的，s3中cnn预测模型的搭建步骤包括：
[0030]
s301，数据集切分为训练集，验证集与测试集；
[0031]
s302，搭建cnn模型的初始架构，确定初始的超参数，卷积层数，随机失活层大小，步长，特征边缘处理方法，激活函数，优化器。
[0032]
优选的，s301中数据集按照大约8:1:1的比例划分训练集，验证集与测试集。
[0033]
优选的，s4中ssa网络搭建的步骤包括：
[0034]
s401，确定需要优化的模型参数有7个，分别为：学习率(lr)；迭代次数(iter)；批大小(mini batch)；第一层卷积核大小(kernel1_size)；第一层卷积核数量(kernel1_num)；第二层卷积核大小(kernel2_size)；第二层卷积核数量(kernel2_num)；
[0035]
s402，确定麻雀种群规模，最大迭代次数，捕食者数量占种群总数的比值，预警值；
[0036]
s403，运用训练样本对模型进行训练，得到各参数最优值。
[0037]
由于采用上述的技术方案，本发明专利的有益效果是：
[0038]
提出运用boxplot，mice进行数据清洗，运用gra进行数据分析，建立能够有效预测煤岩瓦斯复合动力灾害的指标体系，提出了基于优化算法与深度学习的煤岩瓦斯复合动力灾害预测方法，ssa运用麻雀的生物特性进行迭代寻优，能够得到更加可靠与精确的预测模
型参数，cnn拥有局部感知与权重共享的优点，能够有效减少连接权值的数量并挖掘非线性数据的特征规律，且能够降低多重共线性与模型过拟合等问题。相比于传统的煤岩瓦斯复合动力灾害的预测方法以及机器学习的预测方法，训练时间短，泛化性好且鲁棒性强，能够快速准确地进行煤岩瓦斯复合动力灾害预测。
附图说明
[0039]
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和实施例对本发明进行详细说明，显而易见地，下面描述中的附图仅为本发明的，保护一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0040]
图1是根据本说明书实施例所示的基本流程图；
[0041]
图2是根据本说明书实施例所示的cnn一般结构图；
[0042]
图3是根据本说明书实施例所示的ssa一般结构图；
[0043]
图4是根据本说明书实施例所示的ssa适应度曲线；
[0044]
图5是根据本说明书实施例所示的模型训练样本训练结果；
[0045]
图6是根据本说明书实施例所示的模型验证集预测结果。
具体实施方式
[0046]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅为本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0047]
本发明实施例公开了一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，如图1所示，包括以下步骤：
[0048]
步骤1、在本实施例中，准备煤岩瓦斯复合动力灾害影响因素的数据，对数据进行预处理，运用boxplot剔除错误数据，运用mice填补缺失数据，得到可用于指标选取与模型训练的数据集。
[0049]
步骤1.1、在本实施例中，准备煤岩瓦斯复合动力灾害影响指标数据，建立煤岩瓦斯复合动力灾害指标数据库。
[0050]
在本实施例中，建立的煤岩瓦斯复合动力灾害指标数据库包括：网络收集；人员记录；人员定位系统、健康监测数据等井下人员实时监测数据；煤层赋存探测设备、瓦斯含量测定仪、地质构造探测设备等地面传输的监测数据；钻孔监测仪、瓦斯传感器、矿压传感器、抽采剂量仪、微震传感器、声发射传感器、电磁辐射传感器等井下定点实时监测数据所组成的监控数据库。
[0051]
在本实施例中，通过大量实地调研，搜集到了某矿135组地质块段的数据，每个地质块段包括20个因素的数据。根据数据收集情况，剔除4个完整度低于50％的因素(微震、人员违章操作、含水量、声发射)，保留16个因素，分别为：煤的坚固性系数、最大主应力、瓦斯压力、断层数量、埋深、煤厚、瓦斯含量、煤体破坏类型、软分层变化、顶板抗压强度、瓦斯放散初速度、煤层倾角、软分层厚度、揉皱系数、煤层倾角变异系数、煤厚变异系数。
[0052]
在本实施例中，需要对非结构化、半结构化数据通过一定的映射关系进行数据转换，转换为适合数据分析的结构化数据。在16个因素中，软分层厚度变化、煤体破坏类型与灾害类型为定性数据。对于软分层厚度变化，采用“0.5”和“1”来表示，分别表示“不存在”和“存在”软分层厚度变化。对于煤体破坏类型，将非破坏煤ⅰ、破坏煤ⅱ、强烈破坏煤ⅲ、粉碎煤ⅳ和全粉煤
ⅴ
转换为1、2、3、4、5。对于灾害类型，共有无灾害、煤与瓦斯突出与煤岩瓦斯复合动力灾害三种，分别用0、1、2表示。
[0053]
步骤1.2、在本实施例中，运用boxplot找到超出上下界的离群点并将其剔除。
[0054]
在本实施例中，将boxplot上四分位设为u，表示在所有样本中只有1/4的数值大于u；下四分位设为l，表示在所有样本中只有1/4的数值小于l。设上四分位与下四分位的差值为d，那么，设上界为ub，下界为lb，其值分别为：
[0055]
ub＝u+1.5d；lb＝l-1.5d。
[0056]
超出上、下界的数据为离群点，即错误值，应剔除。
[0057]
步骤1.3、在本实施例中，运用mice填补原本空缺的数据与被boxplot剔除错误值后空缺的数据。
[0058]
在本实施例中，mice通过在每个空缺位置使用插补模型进行多次填补产生若干完整数据集，然后对若干完整数据集分别进行分析，得到m个分析结果，对m个结果做出综合推断与比较分析，最终得到最优估计值。使用r软件程序包mice实现mice，选用极限树et模型作为估计器，填补得到完整数据。
[0059]
步骤2、在本实施例中，运用gra进行数据分析，建立煤岩瓦斯复合动力灾害预测指标体系。
[0060]
步骤2.1、在本实例中，确定数据集中母序列y0与子序列y1；
[0061]
步骤2.2、在本实例中，分别对两个序列进行标准化得到母序列x0与子序列x1；
[0062]
在本实例中，数据集选用z-score标准化处理方法，其公式如下：
[0063][0064]
其中，x'为标准化处理后的数据集，x为标准化处理前的数据集，μ为均值，σ为标准差。
[0065]
步骤2.3、在本实例中，计算每个因素的关联系数；
[0066]
步骤2.4、在本实例中，计算每个因素的关联度，对各因素按关联度大小排序。
[0067]
表1关联度与关联度排序
[0068][0069]
在本实例中，灰色关联度值的大小表示子因素与母因素同步变化的程度，关联度
值小的因素会影响对灾害变化的判断，所以不宜作为指标。将灰色关联度值小于0.849的6个因素剔除，保留前10个影响因素，建立包含10个指标(煤的坚固性系数、最大主应力、瓦斯压力、断层数量、埋深、煤厚、瓦斯含量、煤体破坏类型、软分层变化、顶板抗压强度)的煤岩瓦斯复合动力灾害指标体系。
[0070]
步骤3、在本实例中，cnn预测模型的搭建。
[0071]
步骤3.1、在本实例中，假定在l层的卷积层有n
(l)
个滤波器，权重为大小为3
×
3，其中n
(l-1)
是前一层的过滤器的数量。这些过滤器以[1,1]的步伐遍历整个输入特征图。z层的输出特征：
[0072][0073]
式中，f(
·
)为激活函数。
[0074]
在本实例中，采用最大池化法进行降采样，其表达式为：
[0075]
x＝f[αs(x)+b]；
[0076]
式中，x为输出；f(
·
)为激活函数；α(
·
)为乘性偏置；s(x)为降采样函数；b为偏执项。
[0077]
步骤3.2、在本实例中，将数据集按照大约8:1:1的比例划分为训练集105组，验证集15组与测试集15组。
[0078]
步骤3.3、在本实例中，搭建cnn模型的初始架构，确定初始的超参数，卷积层数设置为2；为充分提取数据特征并保证预测精度，不设置随机失活层；卷积层与池化层步长为1；特征边缘处理方法选择same padding，允许卷积核超出原始图像边界，使得卷积结果的大小与原来的一致：
[0079][0080]
激活函数选择relu函数。对比sigmoid、tanh与relu函数，运用relu函数进行模型训练的准确率较高，该函数能够有效解决梯度耗散问题与饱和问题并具有较高运算效率。relu函数的公式为：
[0081]
f(x)＝max(0,x)；
[0082]
优化器选择adam。对比sgdm、rmsprop和adam算法，运用adam算法作为优化器能够在较少的训练次数下达到较高的预测准确率，该算法在提高自适应学习率、寻找全局最优点等方面较为突出。
[0083]
步骤4、在本实例中，运用ssa优化算法选取模型最优超参数。
[0084]
步骤4.1、在本实例中，ssa的优化流程为三种角色的位置更新过程，即捕食者位置更新、追随者位置更新和警戒者位置更新。
[0085]
(1)捕食者为具有较高适应度的个体，它能为追随者提供觅食区域和方向。捕食者位置更新方程为：
[0086][0087]
式中，t为当前迭代；t为最大迭代次数；x
i，j
为第i个麻雀在第j维中的位置信息；α
为-1与1间的随机数一个随机数；r和s分别为预警值和安全值，r∈[0,1]，s∈[0.5,1]；q为正态分布随机数；l为内部元素均为1的大小为1
×
d的矩阵。
[0088]
(2)捕食者找到食物后，跟随者会离开当前位置并跟随捕食者移动至新位置获取食物。跟随者位置更新方程为：
[0089][0090]
式中，n为麻雀的种群规模；x
p
为捕食者的最佳位置；x
worst
为当前最差位置；a
+
＝a
t
(aa
t
)-1
，a为内部元素随机为1或-1的大小为1
×
d的矩阵。
[0091]
(3)部分麻雀会在觅食的过程中进行警戒，当存在危险时通知种群并立即更换位置，警戒者位置更新方程为：
[0092][0093]
式中，x
best
为当前最优位置；β为步长控制参数，为正态分布随机数，均值为0、方差为1；k为随机数，k∈[-1,1]；fi为麻雀个体适应度；fg和fw分别为当前位置最优和最差适应度；ε为极小常数。
[0094]
步骤4.2、在本实例中，确定需要优化的超参数。共有7个模型参数需要优化，分别为：学习率(lr)；迭代次数(iter)；批大小(mini batch)；第一层卷积核大小(kernel1_size)；第一层卷积核数量(kernel1_num)；第二层卷积核大小(kernel2_size)；第二层卷积核数量(kernel2_num)。
[0095]
步骤4.3、在本实例中，设置ssa参数。将麻雀种群规模设为20，最大迭代次数设为25，捕食者数量占种群总数的20％，预警值取0.8。
[0096]
在本实例中，经过计算，得到各参数最优值，图4为ssa适应度曲线。
[0097]
表2ssa优化参数的初始范围与最优值
[0098][0099]
步骤5、在本实例中，运用训练样本训练模型，建立基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测模型。模型的训练结果如图5所示。
[0100]
在本实例中，105组训练集样本的预测错误率为0。15组验证集样本中第12组煤岩瓦斯复合动力灾害案例预测错误，错误率为6.7％。在合理范围内，模型基于样本数据的预测效果较好。
[0101]
步骤6、在本实例中，运用测试集对模型进行预测，对比预测结果与实际结果，验证
模型的预测精度。模型的预测结果如图6所示。
[0103]
在本实例中，15组测试集样本的预测错误率为0，模型基于样本数据的预测效果较好。
[0103]
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

技术特征：
1.一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，包括如下步骤：s1：准备煤岩瓦斯复合动力灾害影响因素的数据，对数据进行预处理，运用boxplot剔除错误数据，运用mice填补缺失数据；s2：运用gra进行数据分析，选取关联度高的指标，建立煤岩瓦斯复合动力灾害预测指标体系；s3：搭建初始cnn预测模型；s4：运用ssa优化算法选取模型最优超参数；s5：运用训练样本训练模型，建立基于gra-ssa-cnn的煤岩瓦斯复合动力灾害预测模型；s6：运用测试集对模型进行预测，对比预测结果与实际结果，验证模型的预测精度。2.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，s1包括：s101，建立煤岩瓦斯复合动力灾害指标数据库；s102，运用boxplot找到超出上界的离群点并将其剔除；s103，运用mice填补原本空缺的数据与被boxplot剔除的数据。3.根据权利要求2所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，s103的mice中，选用极限树et作为估计器进行插补。4.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，s2中gra的步骤主要为：s201，确定母序列y0与子序列y1；s202，分别对两个序列进行标准化得到母序列x0与子序列x1；s203，计算每个因素的关联系数；s204，计算每个因素的关联度，对各因素按关联度大小排序；s205，筛除灰色关联度值小的因素，保留前10个影响因素，建立包含10个指标的煤岩瓦斯复合动力灾害指标体系。5.根据权利要求4所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，步骤s202中数据集选用z-score标准化处理方法，其公式如下：其中，x'为标准化处理后的数据集，x为标准化处理前的数据集，μ为均值，σ为标准差。6.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，步骤s3中cnn预测模型的搭建步骤包括：s301，数据集切分为训练集，验证集与测试集；s302，搭建cnn模型的初始架构，确定初始的超参数，卷积层数，随机失活层大小，步长，特征边缘处理方法，激活函数，优化器。7.根据权利要求5所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，步骤s301中数据集按照8:1:1的比例划分训练集，验证集与测试集。8.根据权利要求1所述的一种基于深度学习的煤岩瓦斯复合动力灾害预测方法，其特征在于，步骤s4中ssa网络搭建的步骤包括：
s401，确定需要优化的模型参数有7个，分别为：学习率(lr)；迭代次数(iter)；批大小(minibatch)；第一层卷积核大小(kernel1_size)；第一层卷积核数量(kernel1_num)；第二层卷积核大小(kernel2_size)；第二层卷积核数量(kernel2_num)；s402，确定麻雀种群规模，最大迭代次数，捕食者数量占种群总数的比值，预警值；s403，运用训练样本对模型进行训练，得到各参数最优值。

技术总结
本发明涉及煤矿安全开采技术领域，具体为一种基于深度学习的煤岩瓦斯复合动力灾害预测方法。首先，准备煤岩瓦斯复合动力灾害的影响指标数据，运用箱型图分析法Boxplot与链式方程多重插补法MICE进行数据清洗；其次，运用灰色关联度分析法GRA进行数据分析，建立煤岩瓦斯复合动力灾害预测指标体系；再次，运用卷积神经网络CNN进行模型搭建，运用麻雀搜索算法SSA优化模型的超参数以提高预测精度；继次，训练模型，建立基于GRA-SSA-CNN的煤岩瓦斯复合动力灾害预测模型；最后，运用测试集进行预测，对比预测结果与实际结果，确定模型的预测精度。本发明的预测模型训练时间短，泛化性好且鲁棒性强，能够快速准确地进行煤岩瓦斯复合动力灾害预测。动力灾害预测。动力灾害预测。


技术研发人员：王凯 李康楠 杜锋 张翔 杨通 王乙桥 孙加智
受保护的技术使用者：中国矿业大学（北京）
技术研发日：2023.04.27
技术公布日：2023/7/25