人工智能在長壁煤礦井下瓦斯實時預測中的應用

徐振煒

（華北科技學院， 河南 鄭州 450000）

0 引言

盡管有替代能源，但全球煤炭產量仍在逐年增加，長壁開采是最常用的煤炭開采方法，因為它具有高生產率和更安全的操作條件。然而，在通常的采礦作業和條件下，煤炭開采仍然面臨嚴峻的挑戰。盡管技術和安全管理取得了進步，但已知累積的甲烷氣體引起的長壁開采面爆炸是甲烷爆炸的最常見原因。現有的行業實踐依賴于關鍵區域的點型甲烷傳感器，以防止爆炸性氣體積聚，然而，點傳感器在發現和警告爆炸危險方面并不可靠，尤其是在關鍵區域，例如長壁開采面地切削轉子、尾門和頭擋板區域附近。計算流體動力學（CFD）用于模擬長壁工作面的通風條件，以重現氣流空氣動力學和危險氣體混合物的形成，這些氣體混合物是使用常規監測和通風檢查實踐無法檢測到的。盡管CFD 建模可以準確預測爆炸性氣體區域，但高計算能力和時間要求使其無法用于實時通風監測目的。

Karacan[1]提出了主成分分析和基于人工神經網絡的方法來預測63 個長壁開采的甲烷排放率，研究表明，可以準確預測每個礦山的每日甲烷排放量；Dougherty[2]和Karacan 利用預測模型并開發了可以預測具有彈性特性的通風排放的軟件；Duda[3]和Krzemie'n 提出了一個預測從煤層到采空區的甲烷排放的框架，他們預測了礦山壽命每年每分鐘甲烷的平均體積；Sidorenko[4]等人提供了預測從煤層到采空區的甲烷排放的必要參數。盡管這些研究討論了預測，但這些預測既不是實時輸出也不是空間輸出。

實時預測長壁開采面中的甲烷需要及時預測爆炸性氣體區的形成及其在3D 中的位置（x、y 和z坐標），時間預測主要使用時間序列分類/分析進行，時空AI模型和時間序列分類在該領域相對較新[5]。此外，絕大多數成功的模型只考慮一個或兩個空間維度，例如x 坐標和/或y 坐標，以及感興趣的數據，例如，跟蹤碳排放的氣候變化研究使用緯度、經度和碳含量，而水質研究使用交叉點和含水量的一維距離[6]。本研究提出一種用于采煤工作面甲烷實時預測的三維時空預測模型[7]。

1 材料與方法

開發的研究方法利用了CFD 建模和點傳感器的優勢。第一步介紹空間和時間CFD 建模以及長壁開采面仿真；第二步呈現提取的數據以及如何處理和呈現這些數據；第三步討論了一種人工智能算法，稱為長短期記憶（LSTM）模型，以及如何對其進行修改以滿足本研究的要求，對算法進行了訓練和測試，并對參數進行了優化；在最后一步中，討論了對空間和時間結果的預測。

1.1 時空CFD 建模

Ansys Fluent 軟件版本18.2 用于對長壁開采面進行建模和仿真，建模的長壁開采工作面長300 米，開采高度為3 m，深度為6 m，還對兩個主要設備進行了建模：支撐設備（盾構）和切割設備（采煤機）。有150個盾牌，每個盾牌長2 m，固定在模型中。一臺10 m長的采煤機沿長壁開采面放置在6 個位置。最后，建模區域覆蓋了大約3 100 萬個六邊形和八角形網格。網格尺寸從3 cm到30 cm不等，這提高了預測分辨率。

該仿真舉例說明了基于帶有尾門（TG）回流裝置的放氣通風系統的煤工作面甲烷（CH4）氣體排放的瞬態CFD 模型。每個瞬態模型模擬180 s，并以1 s 的間隔記錄。

1.2 數據管理

在對長壁開采進行建模并模擬甲烷排放后收集數據，應該注意的是，雖然每個礦井通風條件都是獨一無二的，但先前進行的研究證實，模擬數據與實際情況一致，包括但不限于：新鮮空氣從工作面持續泄漏到采下，以及當供應的空氣從工作面的頭門流向尾門側時甲烷的積累增加；由于采空器邊緣的高孔隙率和滲透性，工作面的頭門和尾門角周圍的泄漏率較高；甲烷積累似乎遵循基于在幾個長壁作業中進行的通風調查的線性回歸。

圖1 表示位置3 的第120 秒快照作為示例，其他位置和時間戳的行為類似，為避免冗余，僅提供一個示例。來自Fluent 軟件的原始數據進行了預處理，其中包括將數據轉換為CSV 文件，刪除空白字段，添加切割方向以及固定所有字段的兩個有效數字。

圖1 采煤機位置3 的第120 秒的快照

1.3 修改后的LSTM

在長壁開采等動態環境中，連續監測是防止爆炸危險的關鍵，因此，提前一步的預測不足以實現本研究的目的。此外，考慮到所需的計算能力和數據大小，實施這些實時預測方法是不可行的。長壁開采的幾何形狀是3D 的，這些統計方法在3D 環境中的預測效果不佳。此外，與人工智能模型不同，統計方法使用插值，無法學習數據的極端波動。

根據文獻和以前的測試，遞歸神經網絡（RNN）被確定為長壁煤礦實時甲烷預測的最佳候選者。RNN包含來自先前時間步長的周期作為網絡輸入，以影響當前時間步的預測，這些時間戳存儲在RNN 的內部狀態中，允許它利用輸入序列歷史記錄中動態變化的上下文窗口。然而，標準RNN 可以訪問的上下文信息范圍在實踐中非常有限。問題在于，給定輸入對隱藏層的影響，因此對網絡輸出的影響，在圍繞網絡的循環連接循環時衰減或呈指數級增長，這個缺點在文獻中被稱為梯度消失問題。長短期記憶（LSTM）是一種RNN 架構，專門設計用于解決梯度消失問題，LSTM于1997 年左右推出;它們的主要優點包括：（i）可以在指定時間段內存儲信息的算法；（ii）抗噪聲；（iii）可訓練參數。根據我們之前的研究，任何使用人工智能的未來預測都可以分為七種問題類型（圖像、傳感器、運動、光譜儀、電子設備、心電圖和模擬）。

由于甲烷預測類似于傳感器類型問題，這是性能最好的算法之一，因此本研究采用了LSTM 網絡（一種特殊類型的RNN）。由于LSTM被視為前饋神經網絡，其中每個單元共享相同的模型參數，因此它們被視為深度架構或深度神經網絡。在這項研究中，LSTM網絡使用CFD 輸出進行了修改、訓練和測試。傳統的LSTM網絡接受2D 數據。本研究中實施的 LSTM模型修改包括：更改3D 空間的輸入形狀；添加3D 操作和矢量計算。修改后的LSTM模型的輸入是x、y 和z坐標、到采煤機的最小距離、氣流速度、甲烷濃度，以1 秒的間隔記錄。

2 結果

如果沒有高質量的數據，即使是性能最好的算法也可能無法預測結果。因此，算法的訓練、驗證和測試對于可靠的預測至關重要，如果未正確執行這些步驟，則結果可能會有偏差。

2.1 訓練

訓練數據用于向AI 模型教授模式和特征，重復向模型提供相同的訓練數據，直到達到閾值水平。重復輸送相同的數據稱為紀元，紀元的簡單解釋是數據集通過設計網絡的完整傳遞，該算法在學習輸入數據集時隨每個紀元更新其參數。使用分層K 折疊交叉驗證方法將每個實例的訓練數據分為80%和20%，這產生了一個平衡的數據劃分，保留了每個樣本的百分比甲烷含量，劃分的80%的數據用于訓練模型。

2.2 驗證

驗證數據與訓練數據分開，驗證了AI 的性能，訓練和驗證準確性可幫助用戶評估其模式。圖2 展示了一個常用的指標，用于評估算法性能、驗證和訓練準確性與紀元的關系。

圖2 驗證和訓練準確性

在訓練和驗證精度圖中，曲線的斜率在第12 個紀元之后接近水平，這表明數據沒有對算法進行顯著的學習過程。大約在第20 個紀元，學習曲線幾乎變得水平，這表明在20 世紀之后不需要進一步的培訓，因為準確率沒有太大變化，范圍從89.1%到93.8%。最后，訓練曲線下方的驗證曲線表明該模型提供了良好的數據表示，已準備好進行測試，并且能夠提供可靠的預測。

2.3 測試

經過訓練和驗證后，測試數據用于評估AI 模型預測甲烷的性能。使用每個訓練和測試耦合集的測試數據的實際和預測甲烷含量分析模型的性能，如表1所示。結果表明，改進后的LSTM算法預測甲烷體積分數的準確率范圍為87.9%～92.4%。

表1 測試的總體準確性

3 討論

分析表明，改進后的LSTM算法可以有效地結合CFD 建模和點傳感器測量，AI 算法可以實現CFD 建模和實時點傳感器數據測量的3D 覆蓋，不同地點的整體準確率介乎87.9%至92.4%。盡管精度相對較高，但某些位置（例如位置3 和4）的結果準確性低于其他位置，可能是因為采煤機離頭門和尾門（位置1和6）越近，甲烷排放量波動就越大。該算法在發現波動時更加敏捷，因此，相對恒定的甲烷排放可能是位置3 和4 測試精度較低的原因。盡管準確性顯示出有希望的結果，但隨著數據集的增加，它們可能會增加。即使單個位置有大約3 200 萬個點，整個測量也只包含180 s 的數據。如果可以增加這些測量值，則準確性也可能會增加。鑒于當前超級計算機的數據存儲和計算能力的進步，訓練所需的時間為45 d。此外，數據量的增加將增加所需的計算能力和訓練所需的時間，但是，時間要求的變化將呈指數而非線性變化。訓練時間不會影響預測時間，一旦算法經過訓練，所需的預測時間就不會發生劇烈變化。

雖然爆炸性氣體區監測依賴于點傳感器，但無法實時跟蹤長壁開采面的關鍵區域，雖然CFD 建模可以克服傳感器的覆蓋范圍，但所需的預測時間可能需要幾天到幾周，具體取決于仿真的分辨率。本研究的方法消除了這些不足，本文提出的系統產生高度準確的實時預測，并詳細覆蓋長壁開采面。因此，基于LSTM的改進甲烷預測可能有助于礦工和工程師的早期預警系統降低安全風險并防止一些事故。最后，該系統可以通過減少采煤機不必要的停機來提高產量，但是，AI 的預測能力取決于模擬的CFD 模型結果。因此，預測只能與類似的長壁開采面模型一樣準確。使用不同的長壁開采面模型訓練AI 模型可以增加AI模型的容量，如果人工智能模型可以用更多數據進行訓練，它可能被用于世界上所有的長壁開采。

4 結論

當前的爆炸性氣體區域管理實踐是通過點傳感器或CFD 建模進行的，利用人工智能的力量對于監測爆炸性甲烷濃度可能至關重要。本研究的主要目的是結合當前甲烷監測實踐的優點并消除其缺點，為此，利用改進的LSTM架構進行實時甲烷預測。這項研究是獨一無二的，因為它提供了3D 空間中的實時甲烷預測。我們的研究成功地利用了大量的CFD 數據來預測可能的爆炸性甲烷積累的位置和時間，使用所提出的方法可以減少不必要的停機、高風扇速度和其他高運營成本，這將有助于通過監測工作面的甲烷氣體來提高所有長壁煤礦的安全性和生產率。

盡管所提出的方法成功地預測了整個長壁開采面的甲烷濃度，但結果僅包含代表位置、時間和甲烷含量的數字。結果由一行行數字組成，工程師或礦工無法解釋或使用這些數字來確定爆炸性氣體積聚是否危險。我們將結果轉換為更強大、更易于理解的可視化，類似于CFD 輸出，提供熟悉的輸出將通過減少工程師和工人的認知負荷來幫助他們。這些可視化將幫助我們進行用戶研究，旨在發現一種更好的方法來可視化人工智能結果。