綜采工作面瓦斯爆炸風險評估

李紅霞，吳雪菲，，謝 謙

(1.西安科技大學 能源學院，陜西 西安 710054；2.中煤科工集團西安研究院有限公司，陜西 西安 710077)

0 引 言

我國煤礦賦存環境復雜，煤層變質程度及孔隙結構差異性較大，即使在現階段的智能化生產過程中，各系統、各環節仍存在多種安全生產風險。因此，對這些潛在的風險因素及危險進行辨識，明確瓦斯事故的發生特征，科學有效地識別并評估瓦斯爆炸風險等級并進行分級管控，是有效預防瓦斯事故的先決條件[1]。

國內外學者在風險評估方面，對煤礦生產事故發生幾率以及事故發生后產生的危害程度權衡方面進行了深入分析，針對瓦斯災害風險預測方面，先后采用了層次分析法[2]、FDA法[3]、物元可拓理論[4]等方法，主要思路是通過建立瓦斯災害相關的評價指標體系后，按照不同的評價方法和步驟對指標進行定性或者定量的額評價，通過更多的樣本和評價結果驗證評價方法的可靠性和有效性，結合具體的場景選擇準確率較高的分析評價方法應用于對應類型的礦井和場景，在相似的場景和時間區間內，都取得了一定的成果。在瓦斯涌出預測和評估方面，主要分為物理參數預測方法和基于瓦斯濃度或者涌出量時間序列分析的方法2大類，其中物理參數方法中的打孔鉆粉法[5]和微震檢測法[6-7]已應用至實際生產中。但煤礦種類多，水文地質環境復雜，煤的孔隙結構和吸附特性均受煤炭類型影響，故應用打孔鉆粉法和微震檢測法預測煤礦瓦斯的預見性不夠強的問題。基于時間序列分析的方法是通過模型來預測瓦斯含量，主要包括BP神經網絡和支持向量機模型，張寶等針對小斷層構造區域進行研究，通過參數測定分析后建立指標體系，利用BP神經網絡方法實現了小斷層的瓦斯涌出含量預測，并測得誤差小于5%，在潞安礦區進行了實際應用[8]。趙天華首先基于SVM支持向量機方法搭建了瓦斯預測流程框架，通過PSO和GA算法篩選樣本組合參數后構建了瓦斯預測模型，進行礦井瓦斯濃度預測[9]。預測結果于實測數據對比誤差較小，驗證了該瓦斯預測模型的實用性和有效性，綜上都存在針對時序數據的信息匱乏問題。因此，一些學者使用深度學習中的循環神經網絡構建瓦斯濃度預測模型。張新建等將數據通過小波降噪處理后使用循環神經網絡構建預測模型，對瓦斯濃度進行了預測[10]。程子均等使用LSTM構建瓦斯預測模型，解決了循環神經網絡存在的梯度消失問題[11]。為了構建更加精確的瓦斯預測模型，本文使用Adam算法優化LSTM網絡層參數的方法構建瓦斯濃度預測模型。

模型的精確性是風險評估的基石，建立好模型后根據模型的預測效果劃分風險等級。本文使用“3σ”準則作為瓦斯災害的風險劃分方法，根據輸入的樣本數據通過訓練與給定的預期輸出作為判別依據將風險劃為無風險、低風險、中風險、高風險4個等級。使用某礦瓦斯濃度數據驗證本文提出的Adam優化LSTM瓦斯濃度預測模型的精度，將上述算法的預測結果輸入至“3σ”準則，按照劃分的風險等級輸出預測結果的風險等級結果，經驗證后研究可較好的為瓦斯災害風險做出有效的評估。

1 相關理論及方法

1.1 3σ準則

“3σ”準則首先將瓦斯濃度數據標準化后作為輸入數據，以風險水平作為神經網絡的預期輸出，然后對神經網絡工作(訓練樣本、測試樣本)進行訓練，將實際產出值與預期產出值進行比較，判斷神經網絡風險預警的準確性[12]。

1.2 LSTM神經網絡

LSTM神經網絡由HOCHREITER & SCHMID-HUBER于1997年提出[13-15]，并由Graves在遞歸神經網絡(recurrent neural network，RNN)的基礎上改進的一種人工智能方法，LSTM使用存儲單元來存儲和輸出信息，目的是為了解決RNN中易出現的“梯度消失”問題[16]。LSTM的單元結構如圖1所示。

圖1 LSTM單元結構Fig.1 LSTM unit structure

LSTM的細胞單元具有3個門，分別為遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate)[17]。σ為sigmoid激活函數，LSTM細胞單元參數更新如公式所示。

LSTM首先通過遺忘門該門通過上一時刻LSTM隱藏層的輸出以及當前時刻的輸入

ft=σ(Wf·[ht-1,xt]+bf)

(1)

輸入門主要功能是避免無關信息進入到LSTM的細胞單元結構中，該門主要功能與遺忘門功能相似

it=σ(Wi·[hi-1,xt]+bi)

(2)

(3)

(4)

輸出門通過將上一時刻隱藏層的輸出以及當前時刻的輸入得到當前時刻輸出門的輸出

ot=σ(Wo·[ht-1,xt]+bo)

(5)

將信息流所得到的值通過tanh函數更新與輸出門所得到的值合并得到模型的輸出

ht=ot·tanh(Ct)

(6)

2 基于LSTM的風險預警模型

2.1 數據預處理

由于數據采集過程中受設備故障、人為干擾等不穩定因素的影響，采集的數據集中通常存在異常數據。異常數據的存在將極大影響預測的準確率。因此，在輸入訓練數據前需要對樣本中的異常數據進行識別和處理。

步驟一：使用拉伊達準則[18]進行異常值閾值確定。

步驟二：將異常值剔除，會導致時序數據部分缺失，為了保證預測效果，需要對缺失數據進行填補。本文使用Lagrange插值法[19-20]對空缺數據進行填補。

步驟三：對步驟一、步驟二處理好后的數據進行歸一化處理

(7)

式中x′為歸一化后的輸入變量；max(x)原始數據最大值；min(x)為原始數據最小值。

2.2 基于LSTM的綜采工作面瓦斯預測

基于LSTM神經網絡的瓦斯爆炸風險預測模型，應用于綜采工作面瓦斯爆炸風險的評估，LSTM模型以瓦斯濃度作為模型的輸入進行回歸模型的預測，相比于其他傳統的瓦斯爆炸風險評估，提高了瓦斯爆炸風險評估的精準度，保障了綜采工作面的安全生產。LSTM神經網絡的瓦斯爆炸風險預測模型如圖2所示。

圖2 瓦斯爆炸風險預測模型Fig.2 Gas risk prediction model

具體流程如下所示。

步驟一：將訓練集的輸入數據輸入到LSTM中，得到預測值。

步驟二：根據預測值與真實值計算損失函數。

步驟三：利用Adam對LSTM的權重進行更新，實現LSTM的監督學習。

步驟四：利用訓練好的LSTM神經網絡，輸入測試集數據，對未來的瓦斯濃度數據進行預測。

3 風險評估實例

3.1 數據來源與樣本選擇

實驗數據集選取某礦瓦斯濃度數據，該數據集每5分鐘采集1次。本文實驗采用其中5 000條數據作為實驗數據集。選取4 880條數據作為模型的訓練集，對未來120條數據進行預測。

3.2 模型參數選擇

在實驗過程中，為了保證研究結果的準確性和可靠性，對3種預測模型的參數進行合理選擇，在以往依據經驗選取參數建立模型中，模型差距主要是選擇對象的認知差距，為了將這種誤差降至最小，3種模型學習率統一設置為0.001，并將2種神經網絡的定為不同函數，LSTM的優化選用Adam算法，最終選用參數確定見表1。

表1 參數選擇Table 1 Parameter selection

3.3 3σ等級劃分

采用“3σ”規則，可以量化信用風險的分級評級，從而對瓦斯超限風險進行更加直觀的分析和評價。數據樣本標準化后，均值μ=0.168 2，標準差為σ=0.080 1，風險臨界點為μ±σ和μ±3σ。風險劃分見表2。

表2 風險劃分Table 2 Risk division

3.4 評價指標

評價指標采用平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)，公式如下

(8)

(9)

式中Ytrue為瓦斯濃度真實值；Ypre為瓦斯濃度預測值。

3.5 實驗結果

按照表1中選取參數對各模型進行網絡調整，以某礦采集的5 000條瓦斯濃度數據作為實驗對象，訓練模型將瓦斯濃度作為輸入因素，按照“3σ”準則進行等級劃分標準將瓦斯預測值進行更加直觀表示，瓦斯爆炸風險等級作為模型輸出，實現瓦斯濃度風險狀況的準確評定，進而較早預警，避免不安全事故的發生。

綜采工作面瓦斯濃度真實值及3種模型預測值如圖3所示；3種模型誤差如圖4所示。在評估結果基礎上按照模型概況對預測結果進行分類統計分別如表3算法誤差對比和表4瓦斯爆炸風險預測結果比對。

表3 算法誤差對比Table 3 Algorithm error comparison

圖3 瓦斯濃度預測值 Fig.3 Predicted values of gas concentration

圖4 不同模型誤差對比Fig.4 Error comparison of different models

由圖3和圖4可以看出：LSTM的預測精度要優于其他模型的預測精度。

由表3可以看出：LSTM對比其他2種模型的平均絕對百分比誤差(MAPE)提高了57.4%和23.9%；均方根誤差(RMSE)提高了46.6%和26.3%。在誤差比對基礎上按照表2中風險評估分級標準對3種模型的預測值與真實值評估結果進行統計并表示。分析表4統計結果發現，BP神經網絡預測結果的準確性高于支持向量機(SVM)，LSTM網絡模型預測結果精度優于BP神經網絡模型。從誤差和預測結果的準確度對比發現，LSTM具有更好的實用性。

表4 瓦斯爆炸風險預測結果對比Table 4 Comparison of gas risk prediction results

統計預測結果中，不同模型預測精度不超過±5%的個數占比如圖5所示。

圖5 不同模型預測精度不超過±5%的個數統計Fig.5 Statistics of prediction accuracy less than ±5% by different models

4 結 論

1)通過與SVM、BP神經網絡方法相比較，選擇了LSTM神經網絡分析方法，其特點是對于長時間跨度的非線性時間序列具有極強的學習能力。

2)對比3種模型對綜采工作面的瓦斯爆炸風險等級評定發現基于LSTM的模型具有更高的預測精度和較好的擬合效果。

3)使用“3σ”準則進行瓦斯爆炸風險等級劃分，可為煤礦安全等級劃分提供一條新的思路。