[发明专利]基于机器学习的瓦斯超限预警模型构建方法及预警方法

权利要求书

1.基于机器学习的瓦斯超限预警方法，其特征在于包括如下步骤：

通过基于机器学习的瓦斯超限预警模型构建方法构建瓦斯超限预警模型，得到最终瓦斯超限预警模型，所述最终瓦斯超限预警模型共两个，分别为预测抽采量模型和绝对瓦斯涌出量模型；

基于预测抽采量模型计算抽采瓦斯量，基于绝对瓦斯涌出量模型计算绝对瓦斯涌出量；

基于抽采瓦斯量和绝对瓦斯涌出量计算风排瓦斯量，风排瓦斯量＝绝对瓦斯涌出量-抽采瓦斯量；

基于风排瓦斯量计算瓦斯浓度百分率，瓦斯浓度百分率＝风排瓦斯量/回风量*100；

基于瓦斯浓度百分率生成瓦斯超限评估报告，通过瓦斯超限评估报告进行业务风险分析；

其中，基于机器学习的瓦斯超限预警模型构建方法构建瓦斯超限预警模型，包括如下步骤：

通过实验分析得到瓦斯相关特征；

对于目标煤矿，采集瓦斯相关特征，基于瓦斯相关特征构建训练集；

基于MLP神经网络构建瓦斯超限预警模型，所述瓦斯超限预警模型包括输入层、输出层和至少一个隐藏层，所述瓦斯超限预警模型共两个，分别为预测抽采量模型和绝对瓦斯涌出量模型；

以训练集为输入，通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化，得到训练后瓦斯超限预警模型，所述瓦斯超限预警模型中参数包括权重和偏置；

对于训练后瓦斯超限预警模型，对权重系数矩阵进行正则化处理，得到最终瓦斯超限预警模型；

瓦斯相关特征包括如下特征：

K1值，为煤样瓦斯解吸特性，用于直接揭示当前煤矿瓦斯的涌出特性；

瓦斯解析量，瓦斯解吸量越大，巷道内可释放的瓦斯越多；

瓦斯赋存量，为煤样中保存的瓦斯总量；

瓦斯残余量，为抽采后煤层中瓦斯残余量；

瓦斯残余压力，为抽采后煤层中瓦斯的压力；

通风类型，巷道形状决定通风类型，根据巷道形状将通风类型分为U型、Y型、Z型,对于不同煤矿，考虑该参数可以保证模型有更好的泛化能力；

进风量，为利用传感器在巷道进入10-15m处测风得到的风量，进风是外界新鲜空气的输入用，用于带出巷道内的瓦斯；

回风量，为利用传感器在巷道排风口处测得的风量，回风量包含了巷道内的非新鲜空气，所述非新鲜空气包括瓦斯，非新鲜空气需要从巷道排出；

漏风量，残存在巷道内的风量，漏风量＝进风量—回风量，漏风量越大，对于瓦斯随回风排出巷道越不利；

巷道弯曲复杂度，相比形状为直线段的巷道模型，实际巷道由于各种地质条件而形成弯曲的形状，巷道弯曲复杂度越高，瓦斯涌出量越高，同时越不利于风排；

抽采量，从煤层内部抽取的瓦斯，抽采方式包括但不限于轨顺、皮顺、高抽巷、低抽巷、采空区，抽采日报表包含纯标沉量；混合标沉量；瓦斯(＝纯标沉量/混合标沉量*100)；

推进度，为每天前进路程，推进度＝刀数*滚筒深度，推进度越大，瓦斯涌出越大；

距离断层、陷落柱、褶曲的距离，不同距离处瓦斯涌出量不同，推进度越大，瓦斯涌出越大；

断层、陷落柱、褶曲的数量和面积，当掘进到与断层距离为0的地质构造处时，瓦斯涌出量与地质构造数量、断面积的大小有关；

钻孔岩煤分布，为煤层、岩石的组合、分布、大小比例，影响瓦斯的涌出；

大气压力，其影响煤矿地质构造和瓦斯涌出；

大气最高、最低温度，其影响煤矿地质构造和瓦斯涌出；

巷道气压，其影响瓦斯的涌，气压越大，瓦斯越不容易从煤层中涌出；

煤层厚度，为煤层厚度；

工作面切眼长度，为工作面煤层切眼长度；

对于训练后瓦斯超限预警模型，基于Dropout对权重系数矩阵进行正则化处理，用于防止训练后瓦斯超限预警模型过拟合；

所述隐藏层共一层；

所述瓦斯超限预警模型中引入的激活函数为ReLU函数；

通过随机梯度下降方法对上述瓦斯超限预警模型进行参数优化，包括如下步骤：

以交叉熵作为衡量预测值和实际值之间偏差的损失函数；

通过随机梯度下降算法作为计算损失函数最小值的优化算法。