基于遺傳算法-深度神經(jīng)網(wǎng)絡(luò)的分布式光纖監(jiān)測(cè)工作面礦壓預(yù)測(cè)

冀汶莉，田忠，張丁丁，歐陽一博

(1.西安科技大學(xué)通信與信息工程學(xué)院，西安 710054；2.西安科技大學(xué)能源學(xué)院，西安 710054)

在井工煤礦的深度開采過程中，工作面上覆巖層的大面積變形與大步距破斷移動(dòng)，會(huì)導(dǎo)致煤層開采工作面的礦壓顯現(xiàn)劇烈，甚至?xí)纱水a(chǎn)生沖擊地壓、礦井突水、煤與瓦斯突出等重大礦山災(zāi)害，是礦井安全高效生產(chǎn)的制約因素之一[1-2]。因此，工作面礦壓的準(zhǔn)確預(yù)測(cè)對(duì)煤礦安全生產(chǎn)具有重要的實(shí)際意義[3-4]。

工作面礦壓的預(yù)測(cè)方法可以分為直接預(yù)測(cè)與間接預(yù)測(cè)，將不使用監(jiān)測(cè)數(shù)據(jù)進(jìn)行的礦壓預(yù)測(cè)稱為間接預(yù)測(cè)，反之稱為直接預(yù)測(cè)。礦壓間接預(yù)測(cè)常使用統(tǒng)計(jì)學(xué)結(jié)合數(shù)值模擬[5]、回歸分析和概率統(tǒng)計(jì)[6-7]等方法，通過分析工作面的長度、煤層厚度以及煤層傾角等數(shù)據(jù)，建立回歸函數(shù)來完成工作面礦壓的預(yù)測(cè)。但是，中國煤礦的開采深度不斷增加，圍巖的應(yīng)力和應(yīng)變等多場(chǎng)耦合效應(yīng)使工作面礦壓顯現(xiàn)的影響因素更加復(fù)雜，上述方法難以擬合出理想的函數(shù)關(guān)系。隨著人工智能技術(shù)的發(fā)展，采用機(jī)器學(xué)習(xí)方法的工作面礦壓預(yù)測(cè)成為了新的研究熱點(diǎn)。Tan等[8]以60個(gè)開采工作面的數(shù)據(jù)為學(xué)習(xí)樣本，采用反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)建立了工作面初次來壓步距預(yù)測(cè)模型。程海星等[9]以43組工作面頂板礦壓平均數(shù)據(jù)為學(xué)習(xí)樣本，建立了逆向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，對(duì)初次來壓步距、初次來壓強(qiáng)度、周期來壓步距、周期來壓強(qiáng)度進(jìn)行預(yù)測(cè)。但由于缺少與工作面礦壓直接相關(guān)的監(jiān)測(cè)數(shù)據(jù)且學(xué)習(xí)數(shù)據(jù)是小樣本或0樣本，只能預(yù)測(cè)出整個(gè)工作面的來壓平均步距，而無法準(zhǔn)確預(yù)測(cè)未來時(shí)刻工作面的來壓位置或來壓步距。

在工作面礦壓的直接預(yù)測(cè)方面，趙毅鑫等[10]、曾慶田等[11]采用頂板礦壓的監(jiān)測(cè)數(shù)據(jù)，建立了長短期記憶神經(jīng)網(wǎng)絡(luò)的礦壓預(yù)測(cè)模型，并在實(shí)際煤礦工作面進(jìn)行了驗(yàn)證。上述方法實(shí)現(xiàn)了工作面在推進(jìn)過程中礦壓變化的有效預(yù)測(cè)，但無法直接預(yù)測(cè)未來時(shí)刻工作面礦壓的來壓位置。柴敬等[12]、侯公羽等[13]采用分布式光纖感知工作面開采過程中上覆巖石的變形狀態(tài)及演化規(guī)律，并在此基礎(chǔ)上研究了工作面來壓判別，定義了光纖平均頻移變化度來識(shí)別礦壓顯現(xiàn)的位置。柴敬等[14-15]在此研究的基礎(chǔ)上，分別采用XGBoost算法與支持向量機(jī)算法建立了礦山壓力顯現(xiàn)規(guī)律的時(shí)間序列預(yù)測(cè)模型，取得了一定的效果，但此方法需要依賴光纖頻移平均變化度的經(jīng)驗(yàn)閾值。冀汶莉等[16]將光纖全測(cè)點(diǎn)頻移數(shù)據(jù)的期望Ex、熵En和超熵He等統(tǒng)計(jì)特征及光纖加權(quán)頻移平均變化度作為學(xué)習(xí)樣本，建立了基于隨機(jī)森林的工作面來壓位置的預(yù)測(cè)模型，具有較高的準(zhǔn)確性。但該方法數(shù)據(jù)預(yù)處理計(jì)算復(fù)雜，不利于現(xiàn)場(chǎng)應(yīng)用。

為了進(jìn)一步提高工作面來壓位置預(yù)測(cè)的精準(zhǔn)度和適用性，以分布式光纖監(jiān)測(cè)采動(dòng)覆巖變形的頻移數(shù)據(jù)為數(shù)據(jù)源，建立門控循環(huán)神經(jīng)網(wǎng)絡(luò)(gated recurrent neural networks，GRU)結(jié)合BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，引入遺傳算法(genetic algorithm，GA)在模型訓(xùn)練過程中自適應(yīng)的選擇深度神經(jīng)網(wǎng)絡(luò)隱藏層和神經(jīng)元的個(gè)數(shù)，并通過相似材料物理模型試驗(yàn)驗(yàn)證所提方法的準(zhǔn)確性和魯棒性。

1 分布式光纖監(jiān)測(cè)采動(dòng)覆巖變形及工作面礦壓分析

1.1 采動(dòng)覆巖變形分布式光纖監(jiān)測(cè)系統(tǒng)

為了研究分布式光纖傳感技術(shù)對(duì)采動(dòng)覆巖變形的監(jiān)測(cè)和表征方法，以及對(duì)工作面礦壓顯現(xiàn)規(guī)律的分析方法，搭建了以河南省義馬市千秋煤礦為原型的3維立體相似材料物理模型。模型尺寸為3 600 mm(長)×2 000 mm(寬)×2 000 mm (高)，如圖1(a)所示。模擬工作面上覆巖層厚度為 1 740 mm，煤層厚度為40 mm。在模型的搭建過程中沿工作面掘進(jìn)方向在上覆巖層垂直布設(shè)了三根光纖，分別位于開切眼的1 200、1 800、2 400 mm處，并命名為Fv1、Fv2、Fv3。每根光纖上有174個(gè)間距為10 mm的采樣點(diǎn)(即監(jiān)測(cè)覆巖變形的傳感器)，用于監(jiān)測(cè)工作面開采過程中上覆巖層的變形狀態(tài)，如圖1(b)所示。分布式光纖監(jiān)測(cè)系統(tǒng)如圖2(a)所示，由光纖采樣點(diǎn)、調(diào)制解調(diào)器以及數(shù)據(jù)服務(wù)器組成。調(diào)制解調(diào)器如圖2(b)所示。

圖1 采動(dòng)覆巖變形相似材料物理模型試驗(yàn)Fig.1 Physical model composition diagram of similar materias

圖2 分布式光纖監(jiān)測(cè)系統(tǒng)Fig.2 Distributed optical fiber monitoring system

在模型試驗(yàn)中，工作面從開切眼處沿模型長向開采推進(jìn)步距為40 mm，工作面共推進(jìn)60次。在實(shí)驗(yàn)過程中每根光纖產(chǎn)生了60組監(jiān)測(cè)數(shù)據(jù)，每組包含174個(gè)光纖采樣點(diǎn)的值。定義了光纖頻移值BFS(Brillouin frequency shift) 來表征測(cè)點(diǎn)周圍巖石的變形狀態(tài)，可表示為[17-18]

(1)

1.2 光纖監(jiān)測(cè)工作面礦壓的分析

在模型試驗(yàn)中工作面共發(fā)生了一次初次來壓和16次周期來壓，初次來壓發(fā)生的位置為工作面推進(jìn)56 cm，周期來壓分別出現(xiàn)在工作面推進(jìn)68、84、96、108、120、128、136、148、156、168、184、196、208、220、228、240 cm 處。圖3展示了工作面來壓的位置與工作面推進(jìn)距離以及光纖測(cè)點(diǎn)頻移值之間的關(guān)系。

從圖3可以看出，從工作面推進(jìn)68 cm開始，光纖某采樣點(diǎn)頻移值曲線在數(shù)值、位置、形狀上的變化反映上覆巖層彎曲變形、破斷、回轉(zhuǎn)的動(dòng)態(tài)變化過程，同時(shí)也顯示了周期來壓的發(fā)生與光纖頻移值之間的某種映射關(guān)系。已有研究也表明光纖采樣點(diǎn)的頻移值數(shù)據(jù)蘊(yùn)含了工作面來壓位置和強(qiáng)度的有效信息[12-13,17，19]。因此利用深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性學(xué)習(xí)能力，學(xué)習(xí)光纖測(cè)點(diǎn)頻移值與工作面礦壓之間的復(fù)雜非線性函數(shù)關(guān)系，為準(zhǔn)確預(yù)測(cè)工作面來壓位置提供了新思路。

圖3 Fv1光纖測(cè)點(diǎn)頻移值變化與上覆巖變形狀態(tài)以及周期來壓的關(guān)系圖Fig.3 Relationship chart of the deformation state of the overburden and periodic weighting during changing fiber optic sensor frequency shift value on Fv1

2 工作面來壓位置預(yù)測(cè)模型

2.1 預(yù)測(cè)模型構(gòu)建

通過分布式光纖監(jiān)測(cè)采動(dòng)覆巖變形的頻移數(shù)據(jù)分析，預(yù)測(cè)工作面來壓位置可以看作是隨著工作面不同的推進(jìn)距離，具有時(shí)間序列特性的光纖采樣點(diǎn)頻移值與工作面來壓位置之間的非線性函數(shù)的回歸問題。門控循環(huán)神經(jīng)網(wǎng)GRU是目前時(shí)間序列預(yù)測(cè)問題的有效解決方法之一[18]。以分布式光纖監(jiān)測(cè)系統(tǒng)產(chǎn)生的頻移值為數(shù)據(jù)源，采用GRU深度網(wǎng)絡(luò)結(jié)合BP神經(jīng)網(wǎng)絡(luò)，使用GA進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的參數(shù)優(yōu)化，建立了GA-GRU-BP的工作面來壓位置預(yù)測(cè)模型。預(yù)測(cè)模型的結(jié)構(gòu)如圖4所示，主要由數(shù)據(jù)預(yù)處理及樣本輸入層、組合深度神經(jīng)網(wǎng)絡(luò)層、輸出層構(gòu)成。

圖4 工作面來壓位置預(yù)測(cè)模型Fig.4 Prediction model of pressure position on working face

在數(shù)據(jù)預(yù)處理階段采用鄰近均值、小波去噪、標(biāo)準(zhǔn)差方法進(jìn)行光纖采樣點(diǎn)頻移值數(shù)據(jù)的缺失值填補(bǔ)、去噪及歸一化。然后將采樣點(diǎn)頻移值的統(tǒng)計(jì)特征融合工作面推進(jìn)距離等因素組成樣本數(shù)據(jù)，并劃分為訓(xùn)練集和測(cè)試集。在組合深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中采用迭代方法并使用均方誤差(mean squared error，MSE)作為損失函數(shù)，其計(jì)算公式為

(2)

迭代過程中采用適應(yīng)性動(dòng)量估計(jì)(adaptive moment estimation，Adam) 算法[20]進(jìn)行梯度優(yōu)化，激活函數(shù)選擇Relu函數(shù)。模型的輸出為未來開采時(shí)刻工作面來壓的位置。

2.2 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

GRU是一種改進(jìn)的長短時(shí)記憶網(wǎng)絡(luò)(long short term memory network，LSTM)的深度神經(jīng)網(wǎng)絡(luò)。它繼承了LSTM對(duì)更長歷史時(shí)間序列數(shù)據(jù)的非線性學(xué)習(xí)能力，而且解決了遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network，RNN)中梯度消失的問題，同時(shí)減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量提高了網(wǎng)絡(luò)訓(xùn)練速度[21]。GRU中神經(jīng)單元設(shè)置了重置門和更新門，結(jié)構(gòu)如圖5所示。神經(jīng)單元的學(xué)習(xí)過程可表示為

圖5 GRU神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)Fig.5 Unit structure of GRU neural network

rt=σ[Wr(ht-1,xt)+br]

(3)

zt=σ[Wz(ht-1,xt)+bz]

(4)

(5)

(6)

2.3 樣本數(shù)據(jù)的構(gòu)成

根據(jù)已有研究可知，工作面的推進(jìn)距離、上覆巖層的巖體鉛直應(yīng)力場(chǎng)的變化是影響工作面礦壓顯現(xiàn)的重要因素[22]。文獻(xiàn)[17，19]的研究表明，在煤層開采過程中工作面上覆巖層受鉛直應(yīng)力場(chǎng)影響發(fā)生變形，使光纖產(chǎn)生拉或壓應(yīng)變，光纖采樣點(diǎn)正向頻移值反映了周圍巖石的拉應(yīng)變狀態(tài)，負(fù)向頻移值反映了周圍巖石的壓應(yīng)變狀態(tài)。因此將工作面的推進(jìn)距離、礦壓顯現(xiàn)次數(shù)、當(dāng)前開采時(shí)刻是否工作面來壓以及Fv1、Fv2、Fv3垂直光纖的頻移值的均值等統(tǒng)計(jì)量作為工作面來壓的影響因素。為了進(jìn)一步確定各影響因素與工作面來壓的相關(guān)性，采用皮爾遜相關(guān)系數(shù)法計(jì)算了各影響因素的相關(guān)系數(shù)，并選擇相關(guān)系數(shù)大于0.5的6個(gè)屬性作為特征屬性構(gòu)成了預(yù)測(cè)模型的輸入樣本。工作面來壓的影響因素相關(guān)性計(jì)算結(jié)果如表1所示。

表1 工作面來壓的影響因素相關(guān)性分析Table 1 Correlation analysis of influencing factors of working face pressure

由1.1節(jié)分析可知，每一垂直根光纖在工作面的整個(gè)開采過程中共產(chǎn)生了60組頻移數(shù)據(jù)，預(yù)測(cè)模型的樣本集用向量D表示，D=(X1,X2,…,Xi)，其中，i為工作面的第i次推進(jìn)，1≤i≤59，Xi為工作面在第i次推進(jìn)時(shí)的樣本數(shù)據(jù)，Xi=(ai,bi,ci,di,ei,fi,yk)，其中，輸入ai、bi、ci、di、ei、fi依次表示表1中6個(gè)特征屬性，輸出yk表示未來k時(shí)刻工作面礦壓來壓位置。

2.4 預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)

為了更準(zhǔn)確的評(píng)價(jià)預(yù)測(cè)模型的性能，采用決定系數(shù)R2，均方根誤差(root mean square error，RMSE)及平均絕對(duì)誤差(maximum absolute error，MAE)作為評(píng)價(jià)指標(biāo)，其計(jì)算公式分別為

(7)

(8)

(9)

RMSE和MAE值越小，R2越大時(shí)，表明模型的預(yù)測(cè)效果越好。

3 仿真實(shí)驗(yàn)與結(jié)果分析

3.1 模型的參數(shù)設(shè)置

預(yù)測(cè)模型的仿真實(shí)驗(yàn)環(huán)境搭建在西安科技大學(xué)網(wǎng)絡(luò)中心的云主機(jī)上，硬件配置為4核CPU及16 G內(nèi)存，并在Keras2.2深度學(xué)習(xí)框架上搭建了預(yù)測(cè)模型，并使用GPU進(jìn)行GRU-BP的神經(jīng)網(wǎng)絡(luò)訓(xùn)練。超參數(shù)設(shè)置如表2所示，其中GRU及BP神經(jīng)網(wǎng)絡(luò)的層數(shù)及神經(jīng)元個(gè)數(shù)通過GA尋優(yōu)得到。

表2 GRU-BP組合深度神經(jīng)網(wǎng)絡(luò)超參數(shù)設(shè)置Table 2 Hyper-parameter setting of hybrid deep neural network GRU-BP

GA[23]是一種以遺傳學(xué)原理為基礎(chǔ)，模擬生物進(jìn)化過程的最優(yōu)解方法。首先進(jìn)行染色體編碼并選擇MSE的倒數(shù)為適應(yīng)度函數(shù)。然后采用輪盤賭選擇算法作為選擇算子策略，交叉算子使用單點(diǎn)交叉算法、變異算子使用實(shí)值變異。在迭代過程中當(dāng)在(0,1)之間產(chǎn)生的隨機(jī)數(shù)小于變異率0.01時(shí)進(jìn)行變異操作。GA優(yōu)化GRU和BP神經(jīng)網(wǎng)絡(luò)的超參數(shù)流程如圖6所示。

圖6 GA優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)流程圖Fig.6 GA optimization flow chart of number on neural network layers

3.2 實(shí)驗(yàn)結(jié)果分析

在仿真實(shí)驗(yàn)中，選取模擬試驗(yàn)中工作面開采4～180 cm所對(duì)應(yīng)的45組頻移值數(shù)據(jù)構(gòu)造訓(xùn)練集，開采184～236 cm 的14組頻移值數(shù)據(jù)構(gòu)造測(cè)試集。根據(jù)3.1節(jié)參數(shù)設(shè)置建立GA-GRU-BP工作面來壓位置的預(yù)測(cè)模型。為了有效說明GA-GRU-BP預(yù)測(cè)模型的準(zhǔn)確性，采用相同的仿真實(shí)驗(yàn)環(huán)境和相同的訓(xùn)練集和測(cè)試集，將隨機(jī)森林(random forest,RF)、GA-支持向量回歸(support vector machine regression,SVR)以及GA-GRU等作為對(duì)比方法。在RF的訓(xùn)練過程中，采用網(wǎng)格搜索方法進(jìn)行參數(shù)尋優(yōu)，確定參數(shù)n_estimators=100，max_depth=4，min_samples_split=2。SVR的核函數(shù)選取多項(xiàng)式核函數(shù)，參數(shù)C在尋優(yōu)后確定為11.2。GA-GRU中GRU的隱藏層層數(shù)為1，神經(jīng)元個(gè)數(shù)為39，其他超參數(shù)和表2一致。

GRU在時(shí)間序列的預(yù)測(cè)中，時(shí)間步長的設(shè)置會(huì)影響預(yù)測(cè)的精度，根據(jù)物理模型試驗(yàn)中相鄰兩次周期來壓的間隔，GRU的時(shí)間步長p分別選取了1、2、3進(jìn)行仿真實(shí)驗(yàn)，在測(cè)試集上的實(shí)驗(yàn)結(jié)果如圖7所示?？梢钥闯觯Ｐ驮跍y(cè)試集上隨著時(shí)間步長的增加預(yù)測(cè)精度逐漸下降，且時(shí)間步長為1的預(yù)測(cè)精度最高，擬合效果最好。

圖7 不同時(shí)間步長下GA-GRU-BP模型預(yù)測(cè)結(jié)果Fig.7 Prediction results of different time step by GA-GRU-BP prediction models on the test set

4種預(yù)測(cè)模型在測(cè)試集上的預(yù)測(cè)結(jié)果如圖8所示，GA-GRU-BP組合模型預(yù)測(cè)值整體上和真實(shí)值吻合度高，只是在工作面推進(jìn)184 cm處誤差較大，其他來壓位置的預(yù)測(cè)值與真實(shí)值偏差小，預(yù)測(cè)準(zhǔn)確度高。RF預(yù)測(cè)方法在開采184～228 cm范圍內(nèi)，預(yù)測(cè)值均高于真實(shí)值，在開采228～236 cm預(yù)測(cè)值低于真實(shí)值，且存在較大的誤差。GA-SVR預(yù)測(cè)模型整體上預(yù)測(cè)值低于真實(shí)值，且存在著嚴(yán)重的滯后現(xiàn)象，在4種預(yù)測(cè)方法中誤差最大。GA-GRU模型雖整體預(yù)測(cè)趨勢(shì)較好，在開采184～212 cm范圍內(nèi)預(yù)測(cè)值與真實(shí)值誤差較小，但開采220～236 cm范圍預(yù)測(cè)誤差較大，且預(yù)測(cè)值均高于真實(shí)值。

圖8 不同預(yù)測(cè)模型在測(cè)試集上的預(yù)測(cè)結(jié)果Fig.8 Prediction results of different prediction models on the test set

為了進(jìn)一步分析各預(yù)測(cè)模型的性能，表3給出了4種預(yù)測(cè)模型在測(cè)試集上的性能評(píng)估指標(biāo)值。R2越接近1說明模型的擬合度越好，預(yù)測(cè)性能更優(yōu)，RMSE、MAE越小表示預(yù)測(cè)值和真實(shí)值的誤差越小。由表3可知，時(shí)間步長為1的GA-GRU-BP預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)均優(yōu)于其他模型，R2達(dá)到了98.7%，RMSE為1.769和MAE為1.224，預(yù)測(cè)誤差最小，預(yù)測(cè)模型的精度優(yōu)于其他模型。

表3 不同預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)Table 3 Evaluation indicators of different prediction models

4 結(jié)論

通過煤礦工作面來壓位置預(yù)測(cè)可以及時(shí)掌握煤層開采過程中工作面礦壓的動(dòng)態(tài)變化，為煤層頂板安全管理提供科學(xué)有效的方法。分布式光纖可以實(shí)時(shí)感知在煤層開采過程中上覆巖層的變形狀態(tài)。以分布式光纖監(jiān)測(cè)頻移值為數(shù)據(jù)驅(qū)動(dòng)，引入深度神經(jīng)網(wǎng)絡(luò)結(jié)合BP神經(jīng)網(wǎng)絡(luò)，建立了GA-GRU-BP的工作面來壓位置的預(yù)測(cè)模型，采用GA進(jìn)行神經(jīng)網(wǎng)絡(luò)的自適應(yīng)超參數(shù)尋優(yōu)。并將預(yù)測(cè)模型與隨機(jī)森林RF、支持向量回歸SVR、GRU深度神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行對(duì)比分析。GA-GRU-BP的預(yù)測(cè)精度達(dá)到了98.7%，誤差在有效范圍內(nèi)，表明該預(yù)測(cè)模型是可行且有效和準(zhǔn)確的工作面來壓位置預(yù)測(cè)方法。