综采工作面瓦斯爆炸风险评估

2022-04-28李红霞吴雪菲

西安科技大学学报 2022年2期

李红霞，吴雪菲，，谢谦

(1.西安科技大学能源学院，陕西西安 710054；2.中煤科工集团西安研究院有限公司，陕西西安 710077)

0 引言

我国煤矿赋存环境复杂，煤层变质程度及孔隙结构差异性较大，即使在现阶段的智能化生产过程中，各系统、各环节仍存在多种安全生产风险。因此，对这些潜在的风险因素及危险进行辨识，明确瓦斯事故的发生特征，科学有效地识别并评估瓦斯爆炸风险等级并进行分级管控，是有效预防瓦斯事故的先决条件[1]。

国内外学者在风险评估方面，对煤矿生产事故发生几率以及事故发生后产生的危害程度权衡方面进行了深入分析，针对瓦斯灾害风险预测方面，先后采用了层次分析法[2]、FDA法[3]、物元可拓理论[4]等方法，主要思路是通过建立瓦斯灾害相关的评价指标体系后，按照不同的评价方法和步骤对指标进行定性或者定量的额评价，通过更多的样本和评价结果验证评价方法的可靠性和有效性，结合具体的场景选择准确率较高的分析评价方法应用于对应类型的矿井和场景，在相似的场景和时间区间内，都取得了一定的成果。在瓦斯涌出预测和评估方面，主要分为物理参数预测方法和基于瓦斯浓度或者涌出量时间序列分析的方法2大类，其中物理参数方法中的打孔钻粉法[5]和微震检测法[6-7]已应用至实际生产中。但煤矿种类多，水文地质环境复杂，煤的孔隙结构和吸附特性均受煤炭类型影响，故应用打孔钻粉法和微震检测法预测煤矿瓦斯的预见性不够强的问题。基于时间序列分析的方法是通过模型来预测瓦斯含量，主要包括BP神经网络和支持向量机模型，张宝等针对小断层构造区域进行研究，通过参数测定分析后建立指标体系，利用BP神经网络方法实现了小断层的瓦斯涌出含量预测，并测得误差小于5%，在潞安矿区进行了实际应用[8]。赵天华首先基于SVM支持向量机方法搭建了瓦斯预测流程框架，通过PSO和GA算法筛选样本组合参数后构建了瓦斯预测模型，进行矿井瓦斯浓度预测[9]。预测结果于实测数据对比误差较小，验证了该瓦斯预测模型的实用性和有效性，综上都存在针对时序数据的信息匮乏问题。因此，一些学者使用深度学习中的循环神经网络构建瓦斯浓度预测模型。张新建等将数据通过小波降噪处理后使用循环神经网络构建预测模型，对瓦斯浓度进行了预测[10]。程子均等使用LSTM构建瓦斯预测模型，解决了循环神经网络存在的梯度消失问题[11]。为了构建更加精确的瓦斯预测模型，本文使用Adam算法优化LSTM网络层参数的方法构建瓦斯浓度预测模型。

模型的精确性是风险评估的基石，建立好模型后根据模型的预测效果划分风险等级。本文使用“3σ”准则作为瓦斯灾害的风险划分方法，根据输入的样本数据通过训练与给定的预期输出作为判别依据将风险划为无风险、低风险、中风险、高风险4个等级。使用某矿瓦斯浓度数据验证本文提出的Adam优化LSTM瓦斯浓度预测模型的精度，将上述算法的预测结果输入至“3σ”准则，按照划分的风险等级输出预测结果的风险等级结果，经验证后研究可较好的为瓦斯灾害风险做出有效的评估。

1 相关理论及方法

1.1 3σ准则

“3σ”准则首先将瓦斯浓度数据标准化后作为输入数据，以风险水平作为神经网络的预期输出，然后对神经网络工作(训练样本、测试样本)进行训练，将实际产出值与预期产出值进行比较，判断神经网络风险预警的准确性[12]。

1.2 LSTM神经网络

LSTM神经网络由HOCHREITER & SCHMID-HUBER于1997年提出[13-15]，并由Graves在递归神经网络(recurrent neural network，RNN)的基础上改进的一种人工智能方法，LSTM使用存储单元来存储和输出信息，目的是为了解决RNN中易出现的“梯度消失”问题[16]。LSTM的单元结构如图1所示。

图1 LSTM单元结构Fig.1 LSTM unit structure

LSTM的细胞单元具有3个门，分别为遗忘门(Forget Gate)、输入门(Input Gate)、输出门(Output Gate)[17]。σ为sigmoid激活函数，LSTM细胞单元参数更新如公式所示。

LSTM首先通过遗忘门该门通过上一时刻LSTM隐藏层的输出以及当前时刻的输入

ft=σ(Wf·[ht-1,xt]+bf)

(1)

输入门主要功能是避免无关信息进入到LSTM的细胞单元结构中，该门主要功能与遗忘门功能相似

it=σ(Wi·[hi-1,xt]+bi)

(2)

(3)

(4)

输出门通过将上一时刻隐藏层的输出以及当前时刻的输入得到当前时刻输出门的输出

ot=σ(Wo·[ht-1,xt]+bo)

(5)

将信息流所得到的值通过tanh函数更新与输出门所得到的值合并得到模型的输出

ht=ot·tanh(Ct)

(6)

2 基于LSTM的风险预警模型

2.1 数据预处理

由于数据采集过程中受设备故障、人为干扰等不稳定因素的影响，采集的数据集中通常存在异常数据。异常数据的存在将极大影响预测的准确率。因此，在输入训练数据前需要对样本中的异常数据进行识别和处理。

步骤一：使用拉伊达准则[18]进行异常值阈值确定。

步骤二：将异常值剔除，会导致时序数据部分缺失，为了保证预测效果，需要对缺失数据进行填补。本文使用Lagrange插值法[19-20]对空缺数据进行填补。

步骤三：对步骤一、步骤二处理好后的数据进行归一化处理

(7)

式中x′为归一化后的输入变量；max(x)原始数据最大值；min(x)为原始数据最小值。

2.2 基于LSTM的综采工作面瓦斯预测

基于LSTM神经网络的瓦斯爆炸风险预测模型，应用于综采工作面瓦斯爆炸风险的评估，LSTM模型以瓦斯浓度作为模型的输入进行回归模型的预测，相比于其他传统的瓦斯爆炸风险评估，提高了瓦斯爆炸风险评估的精准度，保障了综采工作面的安全生产。LSTM神经网络的瓦斯爆炸风险预测模型如图2所示。

图2 瓦斯爆炸风险预测模型Fig.2 Gas risk prediction model

具体流程如下所示。

步骤一：将训练集的输入数据输入到LSTM中，得到预测值。

步骤二：根据预测值与真实值计算损失函数。

步骤三：利用Adam对LSTM的权重进行更新，实现LSTM的监督学习。

步骤四：利用训练好的LSTM神经网络，输入测试集数据，对未来的瓦斯浓度数据进行预测。

3 风险评估实例

3.1 数据来源与样本选择

实验数据集选取某矿瓦斯浓度数据，该数据集每5分钟采集1次。本文实验采用其中5 000条数据作为实验数据集。选取4 880条数据作为模型的训练集，对未来120条数据进行预测。

3.2 模型参数选择

在实验过程中，为了保证研究结果的准确性和可靠性，对3种预测模型的参数进行合理选择，在以往依据经验选取参数建立模型中，模型差距主要是选择对象的认知差距，为了将这种误差降至最小，3种模型学习率统一设置为0.001，并将2种神经网络的定为不同函数，LSTM的优化选用Adam算法，最终选用参数确定见表1。

表1 参数选择Table 1 Parameter selection

3.3 3σ等级划分

采用“3σ”规则，可以量化信用风险的分级评级，从而对瓦斯超限风险进行更加直观的分析和评价。数据样本标准化后，均值μ=0.168 2，标准差为σ=0.080 1，风险临界点为μ±σ和μ±3σ。风险划分见表2。

表2 风险划分Table 2 Risk division

3.4 评价指标

评价指标采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)，公式如下

(8)

(9)

式中Ytrue为瓦斯浓度真实值；Ypre为瓦斯浓度预测值。

3.5 实验结果

按照表1中选取参数对各模型进行网络调整，以某矿采集的5 000条瓦斯浓度数据作为实验对象，训练模型将瓦斯浓度作为输入因素，按照“3σ”准则进行等级划分标准将瓦斯预测值进行更加直观表示，瓦斯爆炸风险等级作为模型输出，实现瓦斯浓度风险状况的准确评定，进而较早预警，避免不安全事故的发生。

综采工作面瓦斯浓度真实值及3种模型预测值如图3所示；3种模型误差如图4所示。在评估结果基础上按照模型概况对预测结果进行分类统计分别如表3算法误差对比和表4瓦斯爆炸风险预测结果比对。

表3 算法误差对比Table 3 Algorithm error comparison

图3 瓦斯浓度预测值 Fig.3 Predicted values of gas concentration

图4 不同模型误差对比Fig.4 Error comparison of different models

由图3和图4可以看出：LSTM的预测精度要优于其他模型的预测精度。

由表3可以看出：LSTM对比其他2种模型的平均绝对百分比误差(MAPE)提高了57.4%和23.9%；均方根误差(RMSE)提高了46.6%和26.3%。在误差比对基础上按照表2中风险评估分级标准对3种模型的预测值与真实值评估结果进行统计并表示。分析表4统计结果发现，BP神经网络预测结果的准确性高于支持向量机(SVM)，LSTM网络模型预测结果精度优于BP神经网络模型。从误差和预测结果的准确度对比发现，LSTM具有更好的实用性。