[发明专利]一种基于深度学习的煤与瓦斯突出强度预测方法

说明书

本发明属于瓦斯开采技术领域，具体为一种基于深度学习的煤与瓦斯突出强度预测方法，包括步骤一：数据准备，选取煤与瓦斯突出的预测指标，定义训练数据，并对数据进行标准化处理；步骤二：特征提取，根据数据集定义网络或模型组成，将输入映射到目标，提取地质指标特征；步骤三：配置学习过程，选择损失函数、优化器和需要监控的指标，设置迭代次数；步骤四：训练模型，输入样本调用模型的fit方法在训练数据上进行迭代，对模型进行训练和优化；步骤五：验证模型，在验证集上对煤与瓦斯突出样本进行预测，并与实际结果进行对照，确定模型的预测精度，其结构合理，表达能力更强，映射效果更优，从而更能够提高突出强度预测的准确度。

技术领域

本发明涉及瓦斯开采技术领域，具体为一种基于深度学习的煤与瓦斯突出强度预测方法。

背景技术

煤与瓦斯突出等煤岩动力灾害现象以及由此引发的煤与瓦斯爆炸等事故均严重制约了矿山生产和经济效益的提高。近年来，随着煤矿开采强度和深度的不断加大，煤与瓦斯突出问题日益显著，有效的突出强度预测方法对防突消突工作具有重大意义。目前，我国预测煤与瓦斯突出的方法主要有定性的比较分析、综合评价方法、电磁辐射预测突出、微震技术预测突出和线性回归分析法等。由于煤与瓦斯突出影响因素复杂，具有很强的非线性特点，而上述方法主要是以单一因素为主，所以存在较大的局限性，不能够真实反映出突出特征及突出区域。

突出现象的非线性动力机制表明:影响突出的各基本因素与突出危险之间存在难以用显函数描述的非线性映射关系。深度学习作为机器学习的一个分支领域，其本质特征是逐层训练机制，具有较强的非线性映射能力和高度自学习、自适应能力，相比于传统的煤与瓦斯突出的预测方法以及浅层神经网络的预测方法，表达能力更强，映射效果更优，从而更能够提高突出强度预测的准确度。

因此，本文以某矿区为研究对象，以煤与瓦斯突出的综合作用假说为理论指导，在充分提取影响突出的地质因素的基础之上，提出利用深度学习框架Keras建立煤与瓦斯突出强度预测模型，提出了基于深度学习的煤与瓦斯突出预测方法。

发明内容

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。在本部分以及本申请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。

因此，本发明的目的是提供一种基于深度学习的煤与瓦斯突出强度预测方法，表达能力更强，映射效果更优，从而更能够提高突出强度预测的准确度。

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：

一种基于深度学习的煤与瓦斯突出强度预测方法，其包括如下步骤：

步骤一：数据准备，选取煤与瓦斯突出的预测指标，定义训练数据，并对数据进行标准化处理；

步骤二：特征提取，根据数据集定义网络或模型组成，将输入映射到目标，提取地质指标特征；

步骤三：配置学习过程，选择损失函数、优化器和需要监控的指标，设置迭代次数；

步骤四：训练模型，输入样本调用模型的fit方法在训练数据上进行迭代，对模型进行训练和优化；

步骤五：验证模型，在验证集上对煤与瓦斯突出样本进行预测，并与实际结果进行对照，确定模型的预测精度。

作为本发明所述的一种基于深度学习的煤与瓦斯突出强度预测方法的一种优选方案，其中：采用交叉熵损失函数categorical_crossentropy作为损失函数。

作为本发明所述的一种基于深度学习的煤与瓦斯突出强度预测方法的一种优选方案，其中：采用RMSprop优化算法作为模型的优化器，以加快算法的学习速度。