基于SSA-LSTM的瓦斯浓度预测模型

为了更好地捕捉瓦斯浓度的时变规律及有效信息,实现对采煤工作面瓦斯浓度的精准预测,采用麻雀搜索算法(SSA)优化长短期记忆(LSTM)网络,提出了一种基于SSA-LSTM的瓦斯浓度预测模型。采用均值替换法对原始瓦斯浓度时序数据中的缺失数据及异常数据进行处理,再进行归一化和小波阈值降噪;对比测试了SSA与灰狼优化(GWO)算法、粒子群优化(PSO)算法的性能差异,验证了SSA在寻优精度、收敛速度和适应能力等方面的优势;利用SSA的自适应性依次对LSTM的学习率、隐藏层节点个数、正则化参数等超参数进行寻优,以此来提高全局寻优能力,避免预测模型陷入局部最优;将得到的最佳超参数组合代入LSTM网络模型中,输出预测结果。将SSA-LSTM与LSTM、GWO-LSTM、PSO-LSTM瓦斯浓度预测模型进行比较,实验结果表明:基于SSA-LSTM的瓦斯浓度预测模型的均方根误差(RMSE)较LSTM,PSO-LSTM,GWO-LSTM分别减少了77.8%,58.9%,69.7%;平均绝对误差(MAE)分别减少了83.9%,37.8%,70%,采用SSA优化的LSTM预测模型相较于传统LSTM模型具有更高的预测精度和鲁棒性。

煤矿掘进工作面瓦斯浓度预测

针对目前瓦斯浓度预测方法存在数据处理不确定性、特征提取局限性及受主观性因素影响产生预测偏差等问题,提出了一种用于煤矿掘进工作面的瓦斯浓度预测方法。首先,在煤矿掘进工作面回风巷内每隔1 m布设激光瓦斯传感器,形成传感器网络,实时采集瓦斯浓度数据。然后,根据拉依达准则搜索并剔除瓦斯浓度数据中的异常值,并利用Lagrange插值多项式填补瓦斯浓度数据中的缺失值。最后,以剔除异常值及填补缺失值的瓦斯浓度数据为基础,采用经验模态分解算法将瓦斯浓度数据分解成本征模态函数和趋势项,再利用Hilbert变换对本征模态函数进行处理以获取数据的高频项和低频项,并将其输入最小二乘支持向量机中进行加权处理,输出瓦斯浓度预测结果。通过掘进工作面模拟装置进行瓦斯浓度预测模拟试验,并在某煤矿掘进工作面进行现场试验,结果表明:该方法预测的瓦斯浓度与实际测量值非常接近,均方误差小,表明预测结果准确率高;均方误差波动幅度小,表明适应性好,预测结果的稳定性强;预测用时短,表明预测效率高。

基于注意力机制的ResNet-LSTM煤矿瓦斯浓度预测模型

对煤矿井下瓦斯浓度的预测一直以来是矿井安全进行早期预警和管理的关键问题。为了进一步提高煤矿瓦斯浓度预测的准确度,提出了一种基于深度学习的方法,称为AR-LSTM,它包括残差神经网络(ResNet)、长短时记忆(LSTM)网络和基于注意力的网络,用于煤矿井下瓦斯浓度的预测。AR-LSTM不仅使用瓦斯浓度这一变量,同时将采集的温度、风速和一氧化碳浓度作为输入。因此,在AR-LSTM模型中,ResNet-LSTM网络学习多变量时间序列数据的时序相关性和相互依赖性,注意力机制用于捕捉过去不同时间步的特征状态对未来瓦斯浓度的重要性程度。基于注意力的层可以自动加权过去的特征状态以提高预测准确性,使用煤矿地区的瓦斯浓度数据进行预测,并将其与3种基准方法进行比较。为了比较每种方法的整体性能,实验中使用了均方根误差E_(RMS)、平均绝对误差E_(MA)和决定系数R^(2)。实验结果表明,AR-LSTM模型能够以最高性能处理煤矿瓦斯浓度的预测问题,并且可以实现1步或多步提前预测。

融合改进的鱼鹰算法和ATT-CNN-LSTM的瓦斯浓度预测

为了降低瓦斯浓度时间序列数据中众多空间特征对预测准确度所产生的不良影响,提出一种融合了注意力机制的卷积神经网络与长短期记忆网络的预测策略(ATT-CNN-LSTM)。首先,通过ATT-CNN-LSTM模型对输入影响因素进行权重分配、时序数据空间特征提取及瓦斯浓度预测;其次,为了提高瓦斯浓度的预测精度,提出一种基于鱼鹰优化算法(OOA)的改进预测模型。通过加入Bernoulli混沌映射、莱维飞行及随机反向学习策略,避免算法陷入局部最优的同时提高全局搜索能力和收敛速度。最后,实验结果表明:IOOA-ATT-CNN-LSTM模型预测精度更好,模型的均方根误差、平均绝对误差和平均绝对百分误差分别降至0.007527、0.005785和0.034669。

基于SMOTER和极限学习机的瓦斯浓度预测

瓦斯灾害一直是制约煤矿安全生产的重要因素。准确地预测出未来一小段时间瓦斯浓度的变化趋势,能够有效避免煤矿安全事故的发生,为瓦斯灾害防治和煤矿安全生产提供参考信息。大部分时间的瓦斯浓度都处于正常的水平,造成原始的瓦斯浓度数据集分布不平衡。论文提出了一种基于SMOTER和极限学习机(ELM)的瓦斯浓度预测方法。首先通过关联性函数将数据集划分为稀有值集和常规值集,然后通过SMOTER算法生成稀有值样本来处理不平衡数据集,最后利用平衡后的数据集训练ELM瓦斯浓度预测模型。该方法通过SMOTER算法来处理回归任务的数据不平衡问题,使得训练出的瓦斯浓度预测模型在稀有值样本上也能准确地预测。通过与现有的方法进行对比实验,结果表明论文方法的预测误差更小。

基于LSTM的瓦斯浓度多步预测研究

监测瓦斯浓度是预防煤矿灾害的重要手段,其浓度变化预测在提高安全生产方面至关重要。本文针对瓦斯浓度预测问题,建立了一种基于LSTM的瓦斯浓度多步预测模型,并采用前向验证的方法对瓦斯浓度预测结果进行了比较验证。以GRU、CNN模型为对比,研究结果表明:基于LSTM的瓦斯浓度多步预测模型效果最好,均方根误差为0.028,GRU,CNN的均方根误差为0.031,0.032。因此,LSTM模型可更精准地进行瓦斯浓度多步预测,降低瓦斯浓度过高对煤矿安全生产造成的危害。

基于MADF-DE-GRU的瓦斯浓度动态预测

为保障煤矿回采工作面安全生产,提高瓦斯浓度预测精度,本文提出一种基于门控循环单元(GRU)神经网络的瓦斯浓度动态预测模型。首先,用差分法改进的移动平均滤波器(MAF)去除原始数据中的噪声和趋势;其次,利用差分进化算法(DE)对GRU神经网络的隐藏层数、隐藏层神经元数量、时间步长和迭代次数等超参数进行寻优;最后,通过优化后的超参数搭建瓦斯浓度预测模型(MADF-DE-GRU)。通过仿真实验,并与多种预测模型进行对比,结果表明MADF-DE-GRU模型具有较高的预测精度,预测效果较好,能够应用到实际生产中。

基于多特征和XGBoost算法的煤矿瓦斯浓度预测

煤矿瓦斯事故的发生与瓦斯浓度变化密切相关,准确预测瓦斯浓度变化对于预防瓦斯事故具有重要意义。虽然研究人员对煤矿瓦斯浓度预测进行了广泛的研究,但由于煤矿井下瓦斯浓度变化受多种复杂因素影响,表现出不稳定性和非线性,给预测带来很大困难。近年来,基于深度学习的预测算法由于其良好性能而逐渐得到关注,一方面,随着数据量的增加,基于深度学习的预测方法需要更多训练时间,易导致过拟合现象的发生。另一方面,现有大多数深度学习模型通常只考虑历史瓦斯浓度,输入特征过于单一。为了解决上述问题,本文提出了一种基于多特征和XGBoost算法的瓦斯浓度预测模型,该模型可以同时将历史瓦斯浓度、温度、风速等特征作为模型的输入,并依据XGBoost模型内置的梯度提升算法和决策树提升模型的训练速度。实验结果显示,本文所提出的预测方法比现有深度学习模型的瓦斯浓度预测误差更小,训练速度更快。

基于MSWOA-GRU的煤矿瓦斯浓度预测系统

煤矿井下瓦斯涌出是影响煤矿安全生产的严重灾害之一。为了进一步提高煤矿井下瓦斯浓度预测的准确性,在门循环(GRU)模型的基础上,提出一种基于改进鲸鱼算法优化门循环(MSWOA-GRU)的瓦斯浓度预测模型。首先,使用邻近均值法填补缺失数据并剔除异常数值,然后采用Min-Max标准化将数据归一化处理。其次,使用MSWOA对GRU超参数进行改善,以此构建MSWOA-GRU为核心的煤矿井下瓦斯浓度预测模型。最后,根据煤矿井下瓦斯浓度的实际监测数据,对预测模型进行有效性验证,并进一步对比传统鲸鱼算法优化门循环(WOA-GRU)预测模型和粒子群优化门循环(PSO-GRU)预测模型的预测效果和性能,实验结果表明,MSWOA-GRU模型对比其他模型能在较短的时间内实现准确预测。因此,基于改进WOA-GRU的预测模型,应用于煤矿井下瓦斯预测领域能够有效地预测瓦斯浓度,提升煤矿井下瓦斯浓度的预测准度,提高煤矿安监系统的监测水平。

基于声波传感技术的矿井采空区密闭巷道瓦斯浓度实时在线预测

在矿井采空区密闭巷道的实际环境往往比较复杂,使得瓦斯气体浓度预测需要考虑的变量较多,从而导致浓度预测结果准确度不高。为了解决这一问题,提出了一种基于声波传感技术的矿井采空区密闭巷道瓦斯浓度实时在线预测方法。在矿井采空区密闭巷道环境中采集声波传感信号并对设备热噪声及环境噪声进行处理。根据流体力学理论构建瓦斯气体流动的质量守恒方程,结合采空区的裂隙环境参数,分析密闭巷道内的瓦斯流动规律。通过提取实时信号的频域特征,在线得出瓦斯浓度的预测结果。经过实际测试,该方法对矿井采空区密闭巷道环境的瓦斯浓度预测结果准确度较高,满足了矿井开采工作中的安全保障需求。

U形通风方式下瓦斯浓度分布规律研究

以某煤矿工作面为研究对象,利用ICEM CFD软件对工作面进行建模,并利用FLUENT软件对该工作面在U形通风情况下,采空区未抽采时的瓦斯浓度进行模拟,分析瓦斯分布规律,以此为基础制定抽采方案,进而确保煤矿开采的安全性和经济性。

基于堆叠式LSTM的采煤工作面瓦斯浓度预测方法

随着淮南矿区煤炭开采工作向深部煤层开展,煤与瓦斯突出问题成为制约淮南矿区产能的重要因素,为提高瓦斯浓度预测方法的准确度,在长短期时间记忆网络(LSTM)的基础上,模仿深度神经网络通过多层堆叠提升特征能力的方式,提出堆叠式LSTM模型结构,通过多层LSTM结构深度挖掘瓦斯浓度时间序列数据中存在的关联性,从而提高瓦斯浓度预测的准确度。以淮南朱集东煤矿瓦斯监测数据为样本,通过滑动窗口方法制作数据集,并搭建相应实验平台,进行训练与验证。实验结果表明,采用堆叠式LSTM结构相较于传统LSTM结构能够降低网络结构的平均绝对百分误差,并更加准确地预测煤矿瓦斯浓度。

基于GCN-GRU的瓦斯浓度时空分布预测

在煤矿井下复杂环境下,传统瓦斯浓度预测模型的预测精度较低,虽然通过引入各种优化算法对传统瓦斯浓度预测模型进行优化,提高了瓦斯浓度预测精度,但仅从时间维度进行建模,忽略了瓦斯浓度的空间特性,易导致重要先验知识丢失,影响预测效果。针对上述问题,提出一种基于图卷积神经网络(GCN)和门控循环单元(GRU)的瓦斯浓度时空分布预测模型。首先,对瓦斯浓度历史数据进行预处理,根据各采集节点间的空间距离,构建瓦斯浓度空间节点图,用于对节点间复杂的依赖关系进行建模。然后,在每个采样时间点,将瓦斯浓度和节点间的距离权重参数作为输入,获得瓦斯的空间节点图结构后,通过GCN进行空间特征自适应学习和图卷积运算,得到瓦斯浓度的空间特征,再将瓦斯浓度的空间特征信息转化为序列数据,输入到GRU。最后,GRU对时间序列下各时刻组成的瓦斯空间特征信息进行处理,通过基于序列到序列模型和自动编码器,生成模型预测结果。试验结果表明:(1) GCN-GRU模型能够较为准确地预测瓦斯浓度的总体变化趋势,预测结果与实际数据的拟合度优于历史平均(HA)模型和支持向量回归(SVR)模型。(2) GCN-GRU模型的均方根误差较HA模型、SVR模型、移动平均自回归(ARIMA)模型分别降低了0.5%,71.4%,37.9%,平均绝对误差分别降低了10.5%,82.4%,82.4%,准确率分别提高了0.06%,17.7%,13.8%,表明GCN-GRU模型具有较强的鲁棒性,且泛化性能较好。(3) GCN-GRU模型较HA模型、SVR模型、ARIMA模型更能关注到前序重要特征的影响。这主要是由于GRU的2个门关注了数据的时间特征,GRU在保留门控功能的基础上,减少训练参数,在一定程度上提高了模型训练效率,降低了训练时长。

基于变分模态分解的瓦斯浓度多尺度组合预测

为提高煤矿瓦斯浓度的预测精度,将瓦斯浓度序列变分模态分解后对各模态分量分别采用差分整合移动平均自回归(ARIMA)模型和门控循环单元(GRU)模型进行预测,采用诱导广义有序加权函数平均(IGOWFA)算子组建变权组合预测模型的方法,对实验数据比较,结果表明:与采用单一预测方法或固定权值组合预测方法相比该方法的预测结果具有更高的预测精度,为煤矿判断瓦斯事故发生概率提供依据。

基于IAPSO-Holt-TCN的时序瓦斯浓度预测模型

为了提升时序瓦斯浓度预测精度,提出1种基于特征组合(FCIH)-时间卷积网络(TCN)的预测模型。首先,基于粒子群(PSO)算法重构惯性权重和加速因子,设计自适应粒子群(IAPSO)寻优算法;然后,利用IAPSO优化霍尔特指数平滑(Holt)相关超参数,应用Holt生成时序瓦斯浓度的水平、趋势分量,并与时序瓦斯浓度历史数据构成特征组合,以此获取具有高度预测性的特征;接着,基于构建的特征组合,搭建FCIH-TCN时序瓦斯浓度预测框架;最后,采用多个模型进行对比实验。研究结果表明:使用IAPSO后,Holt预测模型的平均绝对误差下降0.019;FCIH作为模型输入有效提高LSTM、GRU及TCN模型的预测精度;FCIH-TCN的RMSE为0.05,MAE为0.035,其预测精度优于其他对比模型。研究结果可为矿井瓦斯灾害防治提供参考。

基于光纤光栅传感器的瓦斯浓度监测系统

针对当前基于传统传感器的瓦斯浓度监测系统准确率低、稳定性较差、抗干扰能力较弱等不足,通过分析光栅光纤传感原理,结合气体分子的选择吸收理论,验证了光谱吸收方法检测瓦斯气体的可行性,并据此选用1 650.9 nm波长的激光器作为系统光源,在避免交叉干扰的同时降低能量传输损耗。最终,构建了基于光纤光栅传感器的瓦斯浓度监测系统。实验结果表明:系统光纤链路总损耗较低,约为4.9 dB,有利于信号低损耗传输,且信噪比提升较为明显,适于远距离监测;系统抗干扰能力强,干扰项对测量结果的影响较小,系统测量精度和准确度较高;系统的稳定度约为0.18%,与最大示值误差相差较大,满足长时间监测需求。

倾斜厚煤层综放工作面伪斜长度与上隅角瓦斯浓度耦合机制研究

倾角煤层的开采,常伴随输送机上窜、下滑问题。一般通过增加伪斜长度来确保液压支架的正常移动,并为机头机位提供更多作业空间,但伪斜长度增加会影响架间和上隅角瓦斯变化,导致工作面出现瓦斯浓度异常现象。针对倾斜厚煤层开采中容易出现上隅角瓦斯超限的问题,应用Fluent数值模拟软件,分析不同伪斜长度下采空区瓦斯浓度分布规律,确定最优伪斜长度。为研究采空区瓦斯运移规律,应用Fluent数值模拟软件,在伪斜长度分别为20、25、30、35 m条件下对“U”型通风方式下的采空区瓦斯分布及流场情况进行研究。模拟发现:伪斜长度在一定程度上影响采空区内的风流,使得采空区内风流紊乱,瓦斯局部地区集聚严重,进而对采空区内的瓦斯分布及运移造成一定的影响。研究结果表明:工作面伪斜长度对于采空区瓦斯浓度分布有显影响,随着伪斜长度的增加,采空区内风流发生提前转向,导致采空区瓦斯提前向工作面涌出,瓦斯异常区从上隅角处逐渐向工作面偏移,上隅角瓦斯浓度逐渐降低。通过模拟结果对现场伪斜长度优化应用后,试验工作面在伪斜长度25 m左右时,上隅角、回风巷最大瓦斯体积分数均控制在1%以内,工作面未出现瓦斯异常积聚现象。模拟结果与现场观测结果吻合,得到最优伪斜长度为25 m。

“Y”型综采面新老采空区遗煤自燃氧化特点及瓦斯浓度分布规律

采动影响下“Y”型综采面新老采空区之间的隔离煤柱产生大量裂隙,使新老采空区之间导通,引起漏风和老空区积聚瓦斯的大量涌出,不仅增加了新老采空区的自燃隐患,同时可能导致工作面回采过程中回风流瓦斯超限和采空区复合灾害区域扩大,因此,开展“Y”型综采面采动影响下新老采空区的遗煤自燃特点及瓦斯分布规律研究具有十分重要的意义。创建了漳村煤矿26采区2603和2601工作面新老采空区的观测系统,通过现场测温取样分析,得出采动影响下隔离煤柱两侧新老采空区的瓦斯与氧气浓度分布规律,揭示“Y”型综采面老空区遗煤的二次氧化特点及其演变规律,确定采动影响下老空区遗煤二次氧化是“Y”型综采面的最大自燃隐患,且老空区积聚瓦斯进入“Y”型综采面采空区,增大了“Y”型综采面采空区的瓦斯可爆带范围,增加了采空区煤自燃引燃或引爆瓦斯的复合灾害危险性。

基于PCA-GRU-SVM模型的多参量煤矿瓦斯浓度预测及预警研究

煤矿瓦斯浓度精准预测及提早预警对于预防瓦斯灾害发生至关重要。为充分利用井下多传感器监测信息提升矿井瓦斯浓度预测及预警模型的性能,提出一种基于主成分分析(PCA)、门控循环单元(GRU)神经网络和支持向量机(SVM)组合的多参量瓦斯浓度预测及预警模型。针对监测数据的时序性、动态性和非线性强等特性问题,采用邻近均值法、小波降噪和归一化法对数据进行处理,利用PCA对数据降维以简化GRU模型拓扑结构,提高瓦斯浓度预测精度,通过构建基于SVM的矿井瓦斯浓度预警模型实现对矿井安全状态的实时动态监测。选取安徽某煤矿171105工作面的实测数据对PCA-GRU-SVM模型预测结果与性能进行验证。仿真结果表明:相对于PCA-LSTM、PCA-RF和PCA-BP模型,本文构建的预测模型的平均绝对误差(MAE)分别减少了18.45%、56.36%和87.3%,均方根误差(RMSE)分别减少了5.17%、9.04%和67.52%,预警模型的预测准确率为94.1%,说明该模型具有较高的拟合度和预测精度。该研究结果可为实现瓦斯灾害的预测及超前预警提供参考,对矿业安全生产具有重要意义。

基于梯度提升决策树的瓦斯浓度在线预测

为了准确可靠实时预测矿井瓦斯浓度,结合集成学习理论,提出了一种基于梯度提升决策树方法的瓦斯浓度在线预测模型(PGBDT)。首先采集瓦斯浓度历史数据,将异常值视为缺失值后,应用拉格朗日插值法对数据中的缺失值进行预处理;其次基于处理后的瓦斯浓度历史数据和梯度提升决策树方法建立瓦斯浓度预测模型;随后采用L2范式作为目标函数,确定模型输入滑动窗口的最优长度,实现在线预测;最后选择线性回归、差分自回归移动平均、支持向量回归、BP神经网络、长短时记忆网络(LSTM)、门控循环单元神经网络(GRU)等预测方法作为对比方法,对提出的瓦斯浓度在线预测进行了验证模型。实验结果表明,相对于线性回归、差分自回归移动平均、支持向量回归、BP神经网络等方法,PGBDT方法的预测精度和运行效率具有明显优势,相较于LSTM、GRU方法,PGBDT在运行效率方面有较好的优势。综合来看,PGBDT取得了较好的预测效果,显著提高了瓦斯浓度在线预测效率和预测模型的泛化能力。