基于本體的瓦斯災害預警模型研究

支向陽,呂岳東,陳立潮,郭勇義

(1.山西省投資促進局,太原030001;2.太原科技大學計算機學院,太原030024;3.太原科技大學環境工程學院,太原030024)

在煤礦安全生產中,瓦斯事故已經成為一個不可忽視的問題,嚴重危害著礦工的生命和國家財產的安全。引起瓦斯事故的原因是多種多樣的,如瓦斯自身狀態,引火源,地質構造等因素。隨機因素是不可避免的,但是如果可以及時的監控井下,獲得實時的數據并加以分析,就可以在最短的時間內發現安全隱患,采取相應的措施將損失降到最低。

傳統的瓦斯預警方法注重瓦斯機理,取得了一定成果,國外對煤與瓦斯突出機理的認識可歸納為4種：地應力假說、瓦斯作用假說、化學本質假說和綜合作用假說。但是傳統方法在預測過程中,數據不完整、可靠度低,評價方式主觀因素過強,以及預測結果的非動態性都會導致瓦斯預警的失敗。

本體是一個融合了概念、屬性、表示關系、表示實例、表示公理的集合概念。本體的基本建模元語是五個：類(class),關系(relation),函數(function),公理(axiom)和實例(instance)。通常也把classes稱作concepts。謂詞邏輯和描述邏輯是本體語言的邏輯基礎,也是本體語義功能實現的基礎。

與傳統方法相比,本體在表達多屬性數據以及數據之間的語義關系時,有數據冗余度小、語義描述清晰和數據無異構等特點。同時,謂詞邏輯和描述邏輯是本體語言特有的邏輯基礎,也是本體語義推理功能實現的基礎。在瓦斯預警中,本體語義推理實現了對實時數據的自處理,提高了預測效率。本文將通過本體、小波神經網絡以及灰色系統理論在瓦斯預測功能上的比較來說明本體在瓦斯事故預警上的優點。

1 瓦斯事故本體預警模型

1.1 構建瓦斯預警模型

基于本體的瓦斯事故預警效果的好壞和瓦斯事故本體的質量有很大關系。因此,如何構建本體預警模型是能否成功預警的關鍵。本體質量的好壞和以下兩點內容關系密切：

1)本體中的基本概念的完整性和準確性;

2)本體中概念之間規則和推理規則的完整性和準確性。

為了確保本體的質量,通過調研和查閱大量相關文獻可知礦井瓦斯的事故狀況與諸多情況有關,瓦斯事故相關現象是復雜多樣的,必須將這些現象細化,再確定相關的數據的屬性,以此確保構建本體時概念和規則明確。但是,最重要的幾個因素是：瓦斯自身的狀態、瓦斯所處的地形因素、礦井的通風狀況和引火源。現存的大多數瓦斯安全評價體系都是在這些因素的基礎上產生的評價數據,它們是預警的重要依據。

首先,要在這些因素的基礎上抽取概念來確定他們之間的關系。然后,可以將具體的與瓦斯事故現象的相關數據收集起來,針對數據先建立相應的UML類模型[1]。

其次,瓦斯事故相關現象是復雜多樣的,必須將這些現象細化,再確定相關的數據的屬性,以此確保構建本體時概念和規則明確。因此,要先給出瓦斯事故相關現象的分類：瓦斯突出和瓦斯爆炸。瓦斯突出由地應力潛能、煤體破壞功、拋出功、突出區域、瓦斯狀態、煤巖層表象決定。瓦斯狀態由瓦斯包含能量、瓦斯相對突出量和瓦斯絕對突出量決定。煤巖層表象由煤層傾角、巖層厚度、煤層堅固系數、是否位于褶皺或斷裂處、煤頂巖層巖種決定。瓦斯爆炸現象由爆炸特種時間、火焰空氣運動速度、爆炸溫度、爆炸沖擊波壓力、封閉墻可承受壓力、爆炸壓力上升速率、瓦斯濃度、爆炸源決定。爆炸源又由爆炸源蘊含能量、爆炸源能量釋放速度決定。根據以上分類依據,可以提取這些現象中的相關數據作為類元語,這樣就能給出本體中的基本概念,并為關聯給則的添加提供基本元素。

所有類的基本元素在UML建模的時候已經包含進去了,而除了類以外的其它四個元語無法得到描述,這樣便無法發揮本體的自推導能力。在此基礎上建立的UML模型如圖1所示。

圖1 瓦斯數據的 UML類模型圖

1.2 推理規則描述

為了在本體中加入知識推理規則需要做以下幾方面的工作：

1)確定本體中的基本原子概念。在建立本體的過程中本體中需要的基本原子概念全部來自于之前的UML類模型。以后的推導規則將會以這些概念節點作為基礎。

2)確定本體的屬性和UML類模型屬性之間的映射。所要建立本體的各個類對象的屬性應當和UML模型中具體字段名對應。類屬性以及屬性之間的關系映射決定了本體中概念基本語義。

3)用SWRL描述關聯規則存入本體。以上種種概念類之間包含著種種規則關系,將自然語言的規則描述轉換成SWRL描述的形式如下所示。

例如：煤層堅固系數大于0.12、瓦斯相對涌出量小于10 m3/t的煤層,就沒有瓦斯突出危險發生的可能。SWRL規則內嵌語句描述為：

GasRecord(?x)∧ HasCoeffcient(?x,?y)∧ swrlb：greater Than(?y,0.12)∧HasPourAbsolutely(?x,?z)∧ swrlb：lessThan(?z,10)→GasOutburst(?x)

本體的自動推理能力建立在關聯規則的基礎上。通過描述屬性之間的關聯規則,再利用Jess推理引擎來實現本體推理,通過SWRL描述概念之間的關聯規則加入本體實現知識推理建立的本體模型如圖2所示。

圖2 本體瓦斯事故預警模型視圖

瓦斯事故本體模型的建立使得每一次的具體的瓦斯實際數據通過概念規則聯系起來。在模型的建立過程中,通過建立相關的語義規則使得原本抽象的自然語義變成了可以被計算機識別并且用本體保存的知識,在以后的系統開發中只要提取相關的規則,利用現成的jess引擎推理就可以得出許多想要的結論和數據,瓦斯預警就是在這些結論和數據的基礎上進行的。

1.3 本體模型預警流程

描述本體的語言是 OWL語言,這是一種以XML為基礎的擴展語言,因此,很多數據平臺都提供相應的API針對OWL模型進行數據操作以及相應的文件保存和檢索[3]。煤礦監控設備提供了與瓦斯監測相關的實時數據,這些數據將以本體實例的形式傳入本體模型,在本體jess引擎的自推理功能下得到相關的派生信息。基于Java語言的jess引擎API可以針對派生信息進行操作,并提取預警數據信息,反饋于相應的用戶界面上,以此達到實時預警的效果。整個預警數據流程如下圖3所示。

圖3 瓦斯事故本體模型預警數據流圖

2 傳統預警與本體模型預警對比

本文將通過本體瓦斯預警與目前兩種最主要瓦斯預測法進行對比,找到本體預警的優勢。

2.1 與小波神經網絡預測法的對比分析

從數據信息量看,本體模型與小波神經網絡預測法相當[3],在數據類型上也比較接近。小波神經網絡預測法的部分相關數據的單位與名稱見表1。

表1 小波神經網絡預測法相關數據的單位與名稱

但是,從預測效率上來看,小波神經網絡預測遠遠不如本體模型,本體模型預測的時間損耗幾乎為零。而小波神經網絡的預測結果精確度與隱含層的設置密切相關,隱含節點少,雖然收斂速度快效率高,但是精確度會降低,容錯性會變差,相反,預測時間會變的很長使預警效率變的很低,而與瓦斯安全相關的數據偏偏又是多樣的,在這種情況下,實時預測很難實現。本體模型處理數據的方式是以現有的知識規則為基礎進行自推理,過程簡單可靠,效率較高,所以要想實現實時檢測的效果就要選擇本體模型進行數據處理。

2.2 與灰色系統理論預測法的對比分析

盡管灰色系統理論預測法更具有針對性,它是在瓦斯某種數據一系列實測值的基礎上對未來數據值的變化進行預測,可靠度高而且算法簡單,它的灰色生成模型(一階灰色微分方程)為：

式中：x(1)是生成序列,它是在原始離散數據的基礎上經過一次累加而生成。a,u是待識別參數。

從產生的數據量上來看,灰色系統理論預測法不如本體模型多,而且這種預測法也只能針對部分數據的進行預測,而且這種做法最大的不足是對礦井的開采方式和地質條件變化進行了模糊處理,如果開采方式和地質條件發生變化將會導致預測失去實際意義。相比之下,本體的預測更具有實時性和普遍性,因為本體模型中傳入的是實時數據,這種數據會隨著本體模型的自推理派生出更多信息,這些信息都是準確可靠的,而且外部情況發生變動時,傳入本體數據信息也會變化形成新的預警信息。

通過將本體模型預測方法與小波神經網絡預測法[3]和灰色理論預測法[5]進行對比發現,傳統的瓦斯事故預測往往是建立在損失效率精度或者將問題模糊處理的基礎上進行的,這樣對預警的效果會產生不良影響。但是,本體瓦斯預警建立在精確的規則推理和實時數據的基礎上,準確率高和可靠性強。

3 預警效果分析

1)瓦斯預警采用的本體模型將具體的瓦斯數據和事故概念聯系起來,使得這二者的數據實現語義關聯,將瓦斯事故中原本孤立的、散落的、缺乏關聯的數據聯系起來,大大提高了瓦斯數據的整合效率以及數據派生信息的能力。由于傳入本體的數據是實時的,信息推理的過程也是實時的,這樣大大提高預警的反應效率和預警的可靠度。

2)全國每年產生的瓦斯數據是海量的,這樣的數據用傳統方式存儲是不利于查找的,同時知識信息的存儲也難以實現。瓦斯數據不僅僅可以被用于實時預警,如果利用本體來存儲,再結合本體的語義推理增強自然語言的可讀性,依靠Jess推理可以隨時提取相關歷史信息,為以后的預警防范工作提供依據。

3)本體獨特個體(Individuals)添加功能使得傳入的瓦斯數據也可以保存下來,這樣隨著數據的增加,數據之間的關聯度會更加明顯,在大量瓦斯數據的基礎上,可以找出瓦斯事故現象的關鍵誘因。

4 結束語

本文提出了一種基于本體的瓦斯災害預警模型,在本體模型中,定義了很多新的概念元語,如何描述它們之間的多屬性關聯是本體要解決的重要問題,而且瓦斯事故的誘因具有一定的模糊性的,在很多不確定的因素下,瓦斯事故本身的是多方面原因決定的,但是主要原因的確定和誘發概率的大小很難判斷。本體在海量數據的收集過程中,自身的推導能力取決于本體中的描述規則是否合理數據是否完整。本體模型的建立是一個逐步完善的過程,下一步需針對模型中關聯規則的合理性以及瓦斯數據屬性的完整度,做進一步的研究。

[1] Paul Kogut,Stephen Cranefield,Lewis Hart,et al.Kenneth Baclawskiand Mieczyslaw Kokar,Jeffrey Smith,UML for Ontology Development[J].The Knowledge Engineering Review Archive,2002,17(1)：61-64.

[2] Giancarlo Guizzardi,Gerd Wagner,Heinrich Herre.On the Foundations of UML as an Ontology Representation Language[J].Engineering Knowledge in the Age of the Semantic Wab,2004,3257：47-62.

[3] 許德山,喬曉東,朱禮軍,等.本體推理在知識檢索中的應用[J].現代圖書情報技術,2009(1)：58-62.

[4] 曹洪民,張玉林,姜永鵬,等.基于小波神經網絡的煤礦瓦斯涌出量預測[J].計算機應用與軟件,2009,26(7)：168-170.

[5] 伍愛友,田云麗,宋 譯,何利文.灰色系統理論在礦井瓦斯涌出量預測中的應用[J].煤炭學報,2005,30(5)：589-592.