綜采工作面煤層三維模型動態修正方法研究

梁耍， 王世博， 葛世榮， 柏永泰， 謝洋

（1. 中國礦業大學 機電工程學院，江蘇 徐州 221116；2. 中國礦業大學（北京） 機電與信息工程學院，北京 100083；3. 徐州華達機電科技有限公司，江蘇 徐州 221116）

0 引言

目前在綜采工作面已初步形成基于采煤機記憶截割和視頻遠程監測及人工協調相結合的智能開采模式[1-2]，但由于煤巖識別技術受限，記憶截割方法難以適應綜采工作面煤層起伏變化較大的狀況。為了實現采煤機自適應截割，基于綜采工作面地質信息建立煤層三維模型來規劃采煤機截割軌跡成為煤礦無人開采的研究熱點和難點[3-5]。

目前煤層三維模型建立主要采用地質體三維建模方法，如采用鉆孔及地震剖面等數據結合地質統計學構建靜態煤層模型[6]、利用煤層邊界約束和鉆探數據塊段構建煤層三維模型等[7]。這些煤層三維建模方法以靜態建模為主，對動態采掘信息缺乏關注且煤層垂向分辨率較低。煤層地質屬性決定了煤層三維模型需要動態修正，相關學者對煤層三維模型修正方法開展了深入研究。賈慶仁等[8]利用煤層邊界的采樣點和普通克里金法對煤層網格節點的高程及厚度屬性進行插值，建立了初始煤層模型，根據開采數據的影響范圍對初始煤層模型進行動態修正，提高了煤層三維模型的精度。修春華等[9]在建立煤層初始規則格網的基礎上，深入分析利用離散鉆孔采樣數據進行煤層建模的誤差來源，提出了基于點狀、線狀和面狀地質數據對煤層三維模型進行動態修正的方法，將復雜地質斷層設計為一種面狀數據，提高了煤層模型的精度。劉萬里等[10]提出在綜采過程中利用最新探測的工作面激光掃描的頂底煤數據動態修正初始煤層模型，修正后的煤層誤差絕對值小于0.2 m的區域比修正前提高了將近1倍。孫振明等[11]利用礦方原始數據構造煤層三維模型，隨著工作面不斷推進，基于實際開采獲取的生產數據，通過膨脹搜索算法、樣條曲面算法等關鍵技術，實現了煤層三維模型的局部動態修正。梁耍等[12]結合采煤機歷史截割數據與初始煤層三維模型數據，提出了基于LSTM（Long-Short Term Memory, 長短期記憶）網絡的煤層厚度動態預測方法，利用采煤機歷史截割數據與初始煤層三維模型數據預測下一階段未開采區煤層厚度，平均誤差在0.05 m左右，為煤層垂向誤差修正提供了技術支持。李娟莉等[13]基于采區煤層變化特征，提出結合雙軌掃掠與加權融合的初始煤層DEM（Digital Elevation Model，數字高程模型）構建方法，引入采區內離散分布的煤層地質數據計算高程誤差，擬合得到殘差曲面并進行整體性偏移，實現了煤層DEM的動態精細修正。以上方法在煤層三維模型動態修正方面雖取得了一定的成果，但這些方法受制于物探技術，且大部分工作面地質條件較為復雜，煤層結構形態多樣，導致煤層修正精度難以滿足智能開采實際需求。

針對上述問題，筆者提出了一種綜采工作面煤層三維模型動態修正方法。將已有的初始煤層三維模型靜態數據與工作面動態采掘的采煤機截割數據融合，基于LSTM及其改進算法，利用上一回采階段的煤層數據，預測下一階段未開采區的煤層底板曲面和煤層厚度；利用雙層循環的網格搜索方法自動調優預測算法的超參數，獲取未開采區煤層底板和煤層厚度的高精度垂向分布數據，作為煤層三維模型修正值，從而局部動態修正未開采區的初始煤層三維模型。隨著工作面不斷開采，如此逐階段推進，利用新獲取的修正數據持續動態修正并更新初始煤層三維模型，從而提升初始煤層三維模型精度，使動態修正后的煤層三維模型能更準確地反映綜采工作面實際煤層分布，為工作面智能開采提供技術支持。

1 煤層三維模型動態修正原理

煤層三維模型動態修正原理如圖1所示。

圖1 煤層三維模型動態修正原理Fig. 1 Dynamic correction principle of coal seam 3D model

（1） 建立綜采工作面初始煤層三維模型。采用震波CT（Computerized Tomography, 層析成像技術）精細物探煤層分布數據和礦方地質測量數據，利用三維地質建模方法，以ArcGIS軟件為煤層建模工具，構建綜采工作面初始煤層三維模型。

（2） 假定目前綜采工作面處在第m回采階段，從初始煤層三維模型中獲取該階段煤層頂底板數據，以及該階段綜采過程中新產生的采煤機滾筒上下截割信息。

（3） 獲取動態采掘過程中采煤機截割軌跡。利用采煤機慣性導航系統、傾角傳感器及采煤機兩搖臂旋轉編碼器精確獲取的動態采掘信息，經過相應計算得到采煤機截割軌跡。

（4） 煤層多源數據融合及預處理。融合初始煤層三維模型靜態數據和動態采掘產生的采煤機截割數據，以采煤機截割數據作為煤層真實數據信息，提取煤層垂向坐標作為特征輸入，劃分數據集。

（5） 建立未開采區煤層預測算法。分別基于LSTM及其改進算法建立煤層預測算法，動態預測下一階段未開采區的煤層底板形態和煤層厚度，采用雙層循環嵌套的網格搜索方法自動調優煤層預測算法的超參數，獲取未開采區煤層底板和煤層厚度的高精度垂向分布數據，作為煤層三維模型修正值。

（6） 局部動態修正煤層三維模型。利用第m回采階段的數據預測第m+1回采階段的煤層底板形態和煤層厚度分布作為煤層修正值，再將煤層底板和煤層厚度對應疊加生成煤層頂板修正值，從而局部動態修正未開采區的初始煤層三維模型。隨著工作面不斷開采，如此逐階段推進，利用新獲取的修正數據持續更新初始煤層三維模型，動態修正出高精度煤層三維模型。

2 LSTM預測算法

S. Hochreiter等[14]于1997年對傳統的循環神經網 絡（Recurrent Neural Network, RNN）結 構 進 行 改進，提出了LSTM算法。A. Graves等[15]在LSTM算法基礎上引入動態自循環，彌補了RNN存在的梯度消失和梯度爆炸等缺點。

LSTM算法的核心是通過使用門結構的記憶單元來存儲輸入的時序數據，其門結構分為遺忘門、輸入門和輸出門[15]。LSTM細胞的信息流動結構如圖2所示。

圖2 LSTM細胞的信息流動結構Fig. 2 Information flow structure of long-short term memory （LSTM） cell

圖2中xt與ht分別為t時刻的輸入與隱藏狀態，即短時記憶；Ct為t時刻的細胞狀態，即長期記憶；σ為sigmoid函數，Tanh為tanh函數。3個門在LSTM細胞信息流動中的作用：遺忘門決定從細胞狀態里去除一些信息，將t-1時刻細胞狀態Ct-1選擇性遺忘，保留下來的信息傳遞給當前t時刻的細胞狀態Ct；輸入門包含sigmoid函數和tanh函數2個部分，其中sigmoid函數負責要更新的值，輸出長期記憶，tanh函數創建一個候選值向量，輸出短時記憶，輸入門決定xt以什么樣的權重傳遞給Ct；輸出門通過sigmoid函數控制t時刻的輸入狀態xt和t-1時刻的隱藏狀態ht-1中哪些信息輸出，再經過tanh函數處理，得到當前t時刻的隱藏狀態ht。

空間卷積長短期記憶網絡（ Convolutional Long-Short Term Memory, Conv LSTM）、編碼-解碼長短期記憶網絡（Encoder-Decoder Long-Short Term Memory,Encoder-Decoder LSTM）[16]是在LSTM基礎上的進一步改進。Conv LSTM引入了卷積操作，增強了算法對數據信息空間特性的提取能力；Encoder-Decoder LSTM則是利用循環網絡讀取序列數據，先將數據存放到固定維度的編碼中，再利用另一RNN讀取上一環節編碼內數據信息，并將其解碼為目標長度的數據。

LSTM，Conv LSTM，Encoder-Decoder LSTM算法在數據預處理時不需要過多地分析原始數據的隱藏關系，其通過網絡神經元之間的相關權重來自動學習調整時間序列數據之間的關系，在處理時間序列數據中極具優勢。煤層作為空間分布的一種層狀地質實體，有較強的全局規律性。初始煤層三維模型數據及綜采工作面動態生產時的采煤機歷史截割軌跡數據可反映出煤層分布形態隨煤層空間幾何形態變化而不斷變化的趨勢，這些數據實質上是時間序列數據，因此，可用上述算法處理初始煤層三維模型數據和采煤機歷史截割數據。

3 數據獲取與處理

首先獲取煤層模型靜態數據，即建立初始煤層三維模型，并將煤層模型數據處理成底板和煤層厚度柵格數據；然后利用采煤機慣性導航系統、傾角傳感器等精確獲取采煤機截割軌跡；最后對初始煤層三維模型數據和采煤機截割數據進行融合處理，提取有效特征并劃分數據集。

3.1 初始煤層三維模型數據獲取

本文以山西呂梁市某煤礦18201工作面為研究對象，利用震波CT精細物探數據和礦方地質測量數據建立初始煤層三維模型[17]。該模型以2000國家大地坐標系為參考坐標系，頂底板數據采用0.8 m×0.8 m的柵格點陣存儲。以綜采起始位為坐標原點，綜采工作面方向為X軸，綜采工作面推進方向為Y軸，重力加速度的反向為Z軸，建立綜采工作面坐標系，如圖3所示。

圖3 某煤礦18201工作面坐標系Fig. 3 Coordinate system of 18201 working face in a coal mine

由于煤層數據是以柵格點陣坐標存儲，每個坐標的X，Y軸值可以直接計算得到，所以本文只提取煤層Z軸值作為特征輸入。提取前30刀煤層數據。用F表示初始煤層底板曲面數據，記為F={f1,f2,···,f30}，f i為第i（i=1,2,···,30）刀底板數據其由364個Z軸值組成；用S表示初始煤層厚度數據，記 為S={s1,s2,···,s30}，si為第i刀煤層厚度數據，其由364個Z軸值組成。在工作面推進方向0～23.2 m（即前30刀）范圍內，初始煤層厚度和底板曲面誤差分布如圖4所示。從圖4（a）可看出，初始煤層厚度誤差主要分布在0.35～0.45 m，平均誤差為0.40 m；從圖4（b）可看出，初始煤層底板曲面誤差主要分布在0.15～0.25 m，平均誤差為0.20 m。

圖4 煤層數據誤差分布Fig. 4 Error distribution of coal seam data

3.2 采煤機截割軌跡數據精確獲取

基于18201綜采工作面，利用采煤機機載定位定姿裝置測量動態采掘數據，結合采煤機控制器記錄數據，最終獲取采煤機歷史截割軌跡[18]，部分截割軌跡如圖5所示。采用反距離加權法[19]，將截割軌跡曲線處理成與初始煤層同類型的柵格點陣數據。用D表示采煤機下截割軌跡數據，記為D={d1,d2,···,d30}，di第i刀下截割數據，其由364個Z軸值組成。相同位置的上下截割曲面沿Z軸做差，獲得采煤機采高分布，采高數據用H表示。采煤機截割軌跡在動態采掘過程中不斷產生，本文以采煤機截割軌跡數據作為煤層數據真實值。

圖5 采煤機部分歷史截割軌跡Fig. 5 Part of the historical cutting trajectory of shearer

3.3 數據預處理

本文提取工作面推進方向0～23.2 m（即前30刀）的采煤機截割軌跡數據和初始煤層三維模型數據作為數據集，將數據集以2∶1劃分為訓練集和測試集。訓練集由前20刀采煤機下截割數據和初始煤層底板數據構成；測試集由21-30刀采煤機下截割數據和初始煤層底板數據構成，截割數據作為標簽序列數據。煤層底板曲面預測的數據組合方式見表1。煤層厚度預測的數據組合方式與煤層底板曲面預測的數據組合方式類似，訓練集由前20刀采煤機采高數據和初始煤層厚度數據構成；測試集由21-30刀采高數據和初始煤層厚度數據構成。

表1 煤層底板曲面預測的數據組合方式Table 1 Prediction data combination mode of coal seam floor curved surface

4 煤層三維模型修正值獲取

通過數據獲取和預處理將初始煤層三維模型頂底板數據及采煤機截割數據處理成相同類型的柵格點陣數據，并提取煤層底板和煤層厚度Z軸值作為未開采區的煤層底板曲面預測和煤層厚度預測算法的特征輸入，精確預測并獲取下一階段煤層三維模型修正值。

4.1 煤層修正值預測算法結構設計

本文通過線性堆疊網絡層的方式搭建了3種煤層三維模型預測算法，分別為LSTM，Conv LSTM，Encoder-Decoder LSTM算法。LSTM預測算法結構如圖6所示，其包括LSTM層和Dense層。為了便于提取輸入信息的空間特征，Conv LSTM算法在單元輸入處添加了卷積操作，算法結構包括3個網絡層，分別為Conv LSTM層、Flatten層和Dense層，在Conv LSTM層中設置卷積核數為64，卷積核大小為（3, 3）。Encoder-Decoder LSTM算法的超參數默認值設定與LSTM相同，算法結構包括4個網絡層，分別為LSTM層、Repeat Vector層、LSTM層及Time Distributed層。

圖6 LSTM預測算法結構Fig. 6 LSTM prediction algorithm structure

4.2 煤層底板曲面修正值精確預測

本文采用煤層底板預測值與煤層底板真實值的平均絕對誤差（Mean Absolute Error, MAE）來評估預測算法的預測能力。MAE能夠反映煤層底板曲面預測的整體效果，MAE越小說明預測效果越好。

為避免手動調參時預測算法可能會出現結果局部最優的情況，本文采用雙層嵌套循環的網格搜索方法對預測算法的超參數進行自動調優，各超參數候選值見表2。

表2 超參數候選值Table 2 Candidate values of hyperparameters

超參數優化流程如圖7所示，外層循環遍歷各個超參數，內層循環遍歷各超參數候選值。得到優化結果見表3。在煤層底板曲面預測方面，Conv LSTM算法預測結果的MAE最小，為0.074 m，其算法的輸入輸出序列步長為（1, 1），隱藏層神經元個數為10，激活函數為Softplus，優化器為Adagrad，訓練周期為100；LSTM算法和Encoder-Decoder LSTM算法預測結果的MAE分別為0.594 ，0.323 m。

圖7 超參數優化流程Fig. 7 Hyperparameters optimization flow

表3 煤層底板曲面修正值預測算法超參數優化結果Table 3 Hyperparameters optimization results of prediction algorithms for coal seam floor curved surface correction value

為進一步對比3種算法對煤層底板曲面形態的預測能力，將工作面推進方向16.8 m（即采煤機第22刀）處的煤層底板預測值與真實值進行對比，如圖8所示。可看出Conv LSTM算法預測值與真實值高度吻合；LSTM算法預測值在X處于0～50 m范圍內波動較大；Encoder-Decoder LSTM算法預測值在X處于200～250 m范圍內產生與真實值相差較大的異常值。總體來看，Conv LSTM算法在煤層底板曲面形態預測上更具優勢。

圖8 工作面推進方向16.8 m處煤層底板曲面修正值預測結果Fig. 8 Prediction results of coal seam floor curved surface correction value at location of 16.8 m in advancing direction of working face

4.3 煤層厚度修正值精確預測

煤層厚度預測與煤層底板曲面預測采用的算法相同，評估方法不同。由于煤層厚度在實際工況下變化比底板曲面變化更加明顯，而均方根誤差（Root Mean Squared Error, RMSE）在處理波動性變化數據方面具有優勢，所以選用RMSE來評估煤層厚度預測算法的優劣。

同樣采取雙層嵌套循環的網格搜索方法對煤層厚度預測算法進行自動調參，得到的優化結果見表4。可看出LSTM，Conv LSTM，Encoder-Decoder LSTM算法的RMSE均較小，分別為0.051，0.051，0.049 m，表明3種算法對煤層厚度預測的整體效果較好。

表4 煤層厚度預測算法超參數優化結果Table 4 Hyperparameter optimization results of coal seam thickness prediction algorithms

為進一步對比各算法對煤層厚度的預測能力，將工作面推進方向16.8 m處的煤層厚度預測值與真實值進行對比，如圖9所示。

圖9 工作面推進方向16.8 m處煤層厚度修正值預測結果Fig. 9 Prediction results of coal seam thickness correction value at location of 16.8 m in advancing direction of working face

從圖9可看出，3種算法均能較好地預測出下一階段煤層厚度；當X約為124 ，220.8 m時，煤層厚度預測誤差較大，約為0.15 m，其余部分的誤差均較小。對比分析得出Encoder-Decoder LSTM算法的預測值更接近真實值，且更穩定，預測效果更好。

4.4 煤層頂板修正值獲取

通過煤層底板和煤層厚度修正值精確預測，可以得出Conv LSTM算法對煤層底板曲面的預測效果最好，Encoder-Decoder LSTM算法在煤層厚度預測方面更具優勢。將煤層底板曲面和煤層厚度預測結果疊加，生成煤層頂板曲面，作為下一階段未開采區的煤層頂板修正值。

5 實驗驗證

以山西呂梁市某煤礦18201工作面煤層三維模型為例，對修正方法的有效性進行實驗驗證。在工作面推進方向16～23.2 m范圍內，初始煤層三維模型的底板曲面垂向平均誤差在0.20 m左右，煤層厚度垂向誤差在0.40 m左右。用煤層底頂板的修正值局部修正工作面初始煤層三維模型。修正后的煤層底頂板誤差分布如圖10所示。可看出修正后煤層底板誤差主要分布在0.10 m以下，平均誤差為0.068 5 m；修正后的煤層頂板誤差主要分布在0.15 m以下，平均誤差為0.076 m。

圖10 煤層三維模型修正后的底頂板誤差分布Fig. 10 Error distribution of floor and top of coal seam 3D model after correction

在工作面推進方向16～23.2 m范圍內，初始煤層三維模型修正前后的誤差分布如圖11所示。從圖11（a）可看出，初始煤層三維模型修正前，煤層底板誤差主要分布在0.15～0.30 m，修正后誤差主要分布在0～0.10 m；初始煤層底板誤差在0.15～0.20，0.20～0.30 m的區域分別占總區域的34.5%，40.2%，模型修正后誤差分別降低到6%，1.2%。從圖11（b）可看出，初始煤層三維模型修正前，煤層頂板誤差主要分布在0.20～0.30 m，修正后誤差主要分布在0～0.15 m；初始煤層頂板誤差在0.15～0.20，0.20～0.30 m的區域分別占總區域的33.6%，49.7%，模型修正后分別降低到6.3%，2.1%。

圖11 煤層三維模型修正前后底頂板預測誤差分布占比Fig. 11 Proportion of error distribution of floor and top prediction before and after coal seam 3D model correction

修正后的初始煤層三維模型誤差大大降低，證明了本文提出的動態修正方法的有效性。隨著煤層不斷開采，在綜采工作面推進過程中持續動態更新初始煤層三維模型，提高模型精度，為下一階段未開采區提供較為精確的煤層分布數據。

6 結論

（1） 提出了一種綜采工作面煤層三維模型動態修正方法，融合初始煤層三維模型靜態數據和采掘獲取的采煤機截割軌跡信息，基于LSTM及其改進算法，利用上一回采階段的煤層信息精確預測下一階段未開采區的煤層分布數據，作為煤層三維模型修正值，動態修正未開采區的煤層三維模型。

（2） 基于LSTM，Conv LSTM，Encoder-Decoder LSTM預測算法分別對未開采區的煤層底板曲面修正值及煤層厚度修正值進行預測，再利用雙層嵌套循環的網格搜索方法自動調優預測算法的超參數。Conv LSTM算法對煤層底板曲面的動態預測效果最好，其MAE為0.074 m；Encoder-Decoder LSTM算法在煤層厚度動態預測中表現最佳，其RMSE為0.049 m。

（3） 以山西呂梁市某煤礦18201工作面煤層三維模型為例，在工作面推進方向16～23.2 m范圍內，利用動態修正方法對煤層三維模型進行實驗驗證。結果表明修正后煤層底板平均誤差為0.068 5 m，煤層頂板平均誤差為0.076 m，相較于初始煤層三維模型底板平均誤差0.20 m、煤層厚度垂向平均誤差0.40 m大大降低，證實了動態修正方法可以有效提升煤層三維模型的精度，可精確反映工作面實際煤層分布，為智能開采提供高精度煤層三維模型。