[发明专利]隧道瓦斯涌出浓度预测方法及系统

说明书

本发明提出了一种隧道瓦斯涌出浓度预测方法及系统。该方法为：获取隧道瓦斯浓度监测数据；选择指数平滑预测模型，预测瓦斯浓度；计算预测相对误差，得到相对误差序列；将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态；计算监测数据中最后一个时间点的状态概率数分布；计算未来各时间点的状态转移概率矩阵；确定未来各时间点的状态概率数分布矩阵；利用该修正系数对未来的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。该方法所需的计算简单，计算速度快，且所需的数据少，预测准确度高，尤其适用于短期预测。

技术领域

本发明涉及隧道开发安全领域，具体涉及一种隧道瓦斯涌出浓度预测方法及系统。

背景技术

瓦斯是隧道主要灾害因素之一，隧道施工期间瓦斯浓度一旦超限和集聚，瓦斯爆炸等灾害事故的发生风险就会大幅增加，严重威胁隧道的施工安全。对隧道瓦斯浓度进行科学预测，可为瓦斯灾害防治提供有效的预警信息，进而有的放矢的采取措施进行干预，减小瓦斯爆炸等灾害事故的发生几率。

针对瓦斯浓度的预测最早见于煤矿领域，主要以传统的分源预测法、矿山统计法、类比法和综合指标法为主，但由于地质条件、施工方法及施工顺序等因素导致瓦斯涌出具有不确定性、实时性和非线性的特点，因此传统预测方法逐渐无法满足预测精度要求。近年来随着计算机技术的发展，以大数据为基础的神经网络算法预测逐渐兴起，如肖鹏采用KPCA-CMGANN算法对低瓦斯矿井4个回采工作面瓦斯涌出量进行预测，预测精度及收敛速度有了明显改善；张宝提出基于BP神经网络的小断层构造区域瓦斯涌出预测模型，并在潞安矿区进行应用；刘畅基于快速独立分量分析(FastICA)和改进的极限向量机(BA-ELM)基本原理，建立FastICA-BA-ELM多尺度时变预测模型实现了工作面瓦斯涌出量的预测；金洪伟选用多元线性回归预测模型对煤矿瓦斯涌出量进行预测，并选取部分数据对所建立的煤矿瓦斯涌出量预测模型进行验证。

然而上述新兴的瓦斯浓度预测方法都需要大量的数据为基础，计算相对复杂且主要应用在煤矿领域，关于隧道瓦斯浓度预测则鲜有涉及。

发明内容

为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种隧道瓦斯涌出浓度预测方法及系统。

为了实现本发明的上述目的，本发明提供了一种隧道瓦斯涌出浓度预测方法,包括以下步骤：

S1，获取预测前连续T个时间点的隧道瓦斯浓度监测数据，分析该T个时间点的瓦斯浓度数据变化情况；

S2，根据瓦斯数据变化情况选择指数平滑预测模型，并确定平滑初值以及平滑系数，然后将所述瓦斯浓度监测数据输入所选择的指数平滑预测模型中预测该T个时间点以及未来时间点的瓦斯浓度；

S3，根据预测结果与实际瓦斯浓度计算T个时间点中每个时间点的预测相对误差，得到相对误差序列；

S4，将相对误差序列的数据划分为不同的相对误差区间，每个相对误差区间对应一个瓦斯状态；

S5，根据相对误差序列以及瓦斯状态划分结果计算T个时间点中最后一个时间点的状态概率数分布矩阵；

S6，根据相对误差序列、状态区间划分结果以及T个时间点中最后一个时间点的状态概率数分布矩阵计算未来各时间点的状态转移概率矩阵；

S7，根据未来各时间点的状态转移概率矩阵与T个时间点中最后一个时间点的状态概率数分布矩阵确定未来各时间点的状态概率数分布矩阵；

S8，将未来各时间点的状态概率数分布矩阵中的最大数值所在的状态位置作为各时间点所属的瓦斯状态，根据该瓦斯状态计算修正系数ε，利用该修正系数对步骤S2中得到的未来时间点的瓦斯浓度预测值进行修正，得到隧道瓦斯涌出浓度预测结果。

该方法所需的计算简单，计算速度快，且所需的数据少，预测准确度高，尤其适用于短期预测。