基于案例推理的煤與瓦斯突出預警模型研究

李全貴,李建波,胡千庭,吳江杰,鄭夢浩,李 賞,周俊江

(1.重慶大學 煤礦災害動力學與控制國家重點實驗室,重慶 400044; 2.重慶大學 資源與安全學院,重慶 400044)

煤與瓦斯突出(簡稱“突出”)事故是煤礦安全高效生產的主要威脅之一。隨著淺表煤炭資源的日益匱乏,煤炭開采深度逐漸增加,突出的危害也不斷加大[1]。針對突出防治及預警技術,國內外學者從理論分析、物理模擬和數值模擬等角度開展了研究[2-3]。此外,也有采用行為學、統計學、管理學和大數據等手段,分析我國煤礦瓦斯事故特征,構建精準有效的風險測度模型[4-8],為防治突出提供指導的研究方式。自《生產安全事故報告和調查處理條例》[9]發布實施以來,事故調查報告逐漸進入公眾視野,報告數量的積少成多,為通過統計歷史事故案例的特征并挖掘其中信息形成專家經驗來預警和指導突出防治工作提供了可行性。

案例推理(case-based reasoning, CBR)從歷史案例中汲取事故經驗,并應用到具有類似特征的新問題中[10]。案例推理包括案例表示、案例檢索、案例重用、案例修改及案例保存5個部分[11]。其中,案例表示和案例檢索是研究的重點。作為事故預警的研究手段之一[12],案例推理已被用于醫療、交通、建筑等多個領域[13-17]。該方法智能化程度、求解效率高且能持續不斷地學習。

鑒于此,考慮影響突出的多種因素,基于CBR突出預警模型,采用結構化存儲技術,運用K最近鄰算法和GWO算法,構建突出預警與管控方案推薦系統案例庫,完成煤與瓦斯突出預警系統的結構設計與系統開發,以實現突出預警與決策的一體化,為突出風險管理提供方法參考和技術支持。

1 CBR突出預警模型

CBR突出預警模型通過計算待測案例與存儲在案例庫中的案例之間的相似程度,從案例庫中檢索出具有相似特征的歷史案例,將該案例的解決方法應用到當前問題中[18-19]。其工作流程如圖1所示。

圖1 CBR預警模型流程圖

CBR工作流程:①選用合適的案例表示法將待測案例表示為易處理的結構化數據(案例表示);②運用合適的案例檢索方法將待測案例與事故案例庫中的突出案例進行相似匹配(案例檢索);③如果存在相似度較高的歷史案例,則結合歷史案例來識別待測案例的突出隱患并提出整改措施(案例重用),反之根據后續調查與研究,將該案例修改保存至案例庫中,豐富突出案例數據庫(案例修改和案例保存)。其中,案例表示和案例檢索是CBR模型的兩個主要流程。

1.1 案例表示

由于災害事故案例具有結構化的特點,隨著事故的不斷發生和推進,需對相應的數據進行更改和添加,框架表示法具有類似功能屬性且易于理解[20-21]。因此,本系統選用框架法對突出事故進行案例表示。模型總框架如式(1)所示:

C=

(1)

式中:C為突出事故案例;T為主題信息子框架,對突出事故概況加以描述;I為事故描述子框架,是案例檢索的數據基礎和來源;F為預警方案子框架。

框架由若干個具有槽名和槽值的槽組成。用框架法對突出進行案例表示,具體見表1。

表1 煤與瓦斯突出事故案例總框架

各子框架詳細信息見表2～4。

表2 主題信息子框架

表3 事故描述子框架

表4 預警方案子框架

1.2 案例檢索

鑒于K最近鄰算法在考慮多因素指標方面的優勢[22],選擇該算法完成案例檢索。該方法主要涉及局部相似度計算和全局相似度計算2個方面。

1.2.1 局部相似度計算

按照突出指標的數據類型將指標分為2類:數值類型和枚舉類型。

數值類型一般可分為確定數和區間數,可通過計算數據之間的空間距離來評估該類型屬性之間的相似度[23-24]。開采深度、瓦斯壓力、煤層平均厚度等為確定數類型指標,其屬性相似度計算方法如式(2)所示:

(2)

枚舉數據類型主要包含有序枚舉和無序枚舉2類。針對煤體破壞類型等指標,使用有序枚舉類型的特征相似度計算方法,如式(3)所示:

(3)

式中g為屬性i取值的等級數量。

針對地質構造等指標,采用無序枚舉類型的特征相似度計算方法,如式(4)所示:

(4)

1.2.2 全局相似度計算

在計算每個屬性的局部相似度后,待測案例與歷史案例的全局相似度可按式(5)計算:

(5)

式中:sim(X,Y) 為案例X和Y的全局相似度;ωi為案例X和Y在第i個屬性上的權重值,且所有權重相加總和為1;sim(Xi,Yi)為案例X和Y在第i個屬性的局部相似度。

1.3 權重的GWO分配算法

式(5)中的ωi代表指標參數的重要性,數值越大則表明該指標越重要。指標權重的設置會對最終結果產生影響,合理設置指標權重可以提升CBR預警模型的求解性能。

GWO算法通過模擬灰狼族群的狩獵行為,并依據其種群內部互相協作的機制達到優化的目的。GWO算法具有收斂性能強和容易實現等優點,且能夠自動調節收斂因子和數據反饋機制,從而實現局部與全局搜索的均衡,在問題的求解精度等方面均表現出良好的效果[25]。

1.3.1 灰狼種群等級劃分

灰狼種群具有嚴格的等級制度,如圖2所示。其中,α狼是狼群的領袖,代表模型的當前最優解;β狼輔助α狼進行決策,代表當前次優解;δ狼服從α狼和β狼指令進行狩獵,代表當前一般解;ω狼服從于其他高等級狼,負責維持種群內部關系平衡,代表當前候選解。

圖2 灰狼種群等級劃分

1.3.2 包圍獵物

將灰狼包圍獵物的行為定義為:

D=|C·Xp(t)-X(t)|

(6)

X(t+1)=Xp(t)-A·D

(7)

式中D表示灰狼與獵物間的距離,式(7)表示灰狼位置的更新。其中,t為當前迭代次數;XP和X分別為獵物和灰狼個體的位置向量;A和C均為系數向量,其計算方式如下:

A=2a·r1-a

(8)

C=2·r2

(9)

式中:a為收斂因子,隨著迭代次數的增加從2線性減小到0;r1、r2為[0,1]之間的隨機數。

當|A|<1時,灰狼向獵物逼近,進行局部搜索;當|A|>1時,灰狼遠離獵物,進行全局搜索。C的作用是在尋優過程中避免陷入局部最優解。

1.3.3 捕食獵物

灰狼種群的位置在不斷變化,直到捕獵成功為止。捕獵過程的數學模型描述如下:

(10)

(11)

(12)

式中:Dα、Dβ、Dδ分別為α、β、δ狼與獵物間的距離;Xα、Xβ、Xδ為α、β、δ狼的當前位置;X為當前灰狼個體的位置;X1、X2、X3為ω向α、β、δ狼進化的方向和步長;X(t+1)為ω的最終位置。

1.3.4 設計目標函數

在對指標權重進行優化的過程中,通過判斷目標函數值,可以確定權重的最優解,故目標函數的設置至關重要。合適的目標函數應同時考慮系統的響應速度和抗干擾能力。采用的目標函數F計算公式如下:

(13)

式中:qk為第k個測試案例在當前屬性權重下與其他案例的總相似度;N為測試案例總數。

灰狼優化算法最終流程如圖3所示。

圖3 GWO算法流程圖

2 系統開發

2.1 系統架構

基于案例推理的突出預警系統使用Java編程語言和MySQL數據庫,以IntelliJ IDEA為開發平臺,采用瀏覽器/服務器(B/S)結構模式。瀏覽器由互聯網訪問Web后端服務器,再經由服務器向數據庫提交請求,經過后端運算,將返回的結果發送到瀏覽器頁面上。該系統可在Windows環境下使用,無需固定的客戶端,即可快速便捷地獲取信息。系統主頁面如圖4所示。

圖4 CBR突出預警系統主頁面

2.2 數據庫與指標體系

對近10年的煤礦瓦斯事故案例進行統計和數據處理,篩選出34起信息較為齊全的煤與瓦斯突出事故案例,構成基于案例推理的煤與瓦斯突出事故案例數據庫,相關信息見表5。

表5 煤與瓦斯突出事故案例數據庫

基于煤與瓦斯突出綜合作用假說,本著易獲取且指標間相互獨立的原則,確定開采深度、瓦斯壓力、煤層平均厚度、煤體破壞類型、地質構造類型、瓦斯含量等6個指標。結合煤與瓦斯突出事故其他信息,根據各數據的不同屬性構建煤與瓦斯突出預警指標體系,如圖5所示。

圖5 煤與瓦斯突出預警指標體系

3 實例驗證

3.1 案例表示

2021年6月4日,河南鶴煤六礦發生一起煤與瓦斯突出事故。以此為例,對構建的突出預警系統進行驗證。根據礦井基本情況,篩選出用于表征該突出事故的主題信息和案例描述子框架,分別見表6～7。

表6 主題信息子框架

表7 案例描述子框架

3.2 案例檢索結果及分析

利用GWO算法對鶴煤六礦的屬性權重進行優化,設置灰狼種群數量為30,最大迭代次數為100。對權重優化結果及全局相似度分析如下:

1)按照GWO算法對鶴煤六礦煤與瓦斯突出各屬性進行權重調優后發現:開采深度、瓦斯壓力、煤層平均厚度、地質構造、煤體破壞類型等5個屬性的歸一化權重分別為0.223、0.222、0.353、0.097、0.095。據此按各特征屬性對煤與瓦斯突出影響作用的大小進行排序:煤層平均厚度>開采深度>瓦斯壓力>煤體破壞類型>地質構造類型。

2)結合全局相似度最高的3個事故案例進行分析,其相似度計算結果見表8。鶴煤六礦不存在明顯的地質構造,而鶴煤六礦與該3個案例在地質構造類型上的相似度均為1,說明3個案例礦井均不存在明顯的地質構造類型。所以即使局部相似度為1,但其所占權重最低。同理,煤體破壞類型的局部相似度所占權重也較低。煤層平均厚度、開采深度、瓦斯壓力對應的局部相似度較高,所占權重也較高,說明這3個屬性對突出的影響較大。

表8 相似度對比分析

3)根據案例檢索結果,可得到當前案例與被檢索出的案例的全局相似度,如圖6所示。全局相似度高于0.8的共有6個事故案例;且S11案例的全局相似度最高,為0.949,參考價值最大。所以,可對S11案例進行案例重用,用于當前案例即鶴煤六礦的突出隱患排查與決策。

圖6 鶴煤六礦煤與瓦斯突出事故案例檢索結果

3.3 案例重用

1)鶴煤六礦各特征屬性對煤與瓦斯突出影響作用大小排序為:煤層平均厚度>開采深度>瓦斯壓力>煤體破壞類型>地質構造類型。可據此重點防治煤層厚度變化所引發的煤與瓦斯突出隱患。

2)S11案例與鶴煤六礦相似度最高,其全局相似度達0.949,其事故發生信息具有重要預警作用。故將其作為相似案例進行學習,見表9。

表9 S11案例事故預警信息

將以上案例重用結論與鶴煤六礦實際突出原因對比分析發現,確實存在防突效果檢驗失真,鉆孔施工未有效落實等情況,且指標權重最大的煤層平均厚度在鶴煤六礦實際突出原因中也有所體現。由此得出,所搭建的基于案例推理的煤與瓦斯突出預警系統可有效預警突出危險并給出決策。

4 結論

1)提出一種基于CBR的突出預警模型。首先,采用K最近鄰算法評估當前案例與各歷史案例的指標相似度;然后,采用GWO算法進行權重優化并計算全局相似度;最后,檢索出相似度最高的歷史案例,并進行案例學習和案例保存。

2)通過對數據庫內容和實現方法的研究,構建了基于CBR的煤與瓦斯突出歷史案例檢索頁面,完成了突出預警系統的架構設計和Web開發。

3)以河南鶴煤六礦突出事故為例,對突出預警系統進行驗證,結果表明:鶴煤六礦突出事故與S11歷史案例(新義礦業“5·22”一般煤與瓦斯突出事故)匹配相似度達0.949。分析其事故發生原因,與該礦實際情況相一致。證明了本系統在預警與決策上的有效性。