謝凱熙,王聲遠(yuǎn),齊黎明
(華北科技學(xué)院安全工程學(xué)院,北京 東燕郊 101601)
煤層瓦斯壓力是礦井瓦斯災(zāi)害防治的關(guān)鍵參數(shù),在煤層瓦斯地質(zhì)圖編制、瓦斯風(fēng)化帶下界深度確定、煤與瓦斯突出危險性鑒定和煤與瓦斯突出危險性區(qū)域預(yù)測等礦井瓦斯治理工程實踐中均有應(yīng)用[1]。煤層瓦斯壓力還是決定煤層瓦斯含量、瓦斯流動力、瓦斯動力現(xiàn)象潛能的重要參數(shù)[2-4]。
基于煤層瓦斯壓力參數(shù)的重要性,國家出臺了AQ/T 1047-2007《煤礦井下煤層瓦斯壓力的直接測定方法》,眾多的專家和學(xué)者為提升測壓的準(zhǔn)確性也對直接測定煤層瓦斯壓力技術(shù)進行了研究和創(chuàng)新,其中主要包括封孔技術(shù)[5-8]和測壓方法[9-11]的研究。
隨著礦井開采深度的增加和煤礦安全生產(chǎn)標(biāo)準(zhǔn)的提升,僅僅依靠機械壓力表讀取鉆孔瓦斯壓力數(shù)據(jù),已經(jīng)不能滿足測壓標(biāo)準(zhǔn)的需求,單純利用機械壓力表讀取鉆孔瓦斯壓力不但會因為人為的失誤造成讀數(shù)誤差,還會因讀取過程繁瑣,浪費大量的時間。為解決上述問題,需要一套能遠(yuǎn)程、精準(zhǔn)、實時獲取鉆孔瓦斯壓力的裝置。
根據(jù)國家出臺的AQ/T 1047-2007《煤礦井下煤層瓦斯壓力的直接測定方法》規(guī)定,采用主動測壓法,當(dāng)煤層瓦斯壓力小于4 MPa 時,其觀測時間需要5 ~10 d,當(dāng)煤層瓦斯壓力大于4 MPa 時,則需要10 ~20 d;采用被動測壓法時,則視煤層瓦斯壓力及透氣性大小的不同,其觀測時間一般需要20 ~30 d 以上,因此無論是主動式測壓法還是被動式測壓法都需要花費大量的時間。在公開文獻資料中,對于單因素影響的瓦斯壓力大多數(shù)學(xué)者選用一元線性回歸方法進行預(yù)測,本文利用Python 多項式方法對壓力數(shù)據(jù)進行預(yù)測,研究結(jié)果表明此方法擬合度更高,預(yù)測的瓦斯壓力數(shù)據(jù)更加精準(zhǔn),有效縮短了主動式測壓時間。
測壓裝置主要由壓力傳感器、機械壓力表、網(wǎng)絡(luò)交換器、數(shù)據(jù)檢測系統(tǒng)、四通和球閥組成,具體設(shè)計方案如圖1 所示。當(dāng)完成封孔注漿時,連接遠(yuǎn)程測壓裝置,然后打開球閥1 閥和球閥2,關(guān)閉球閥3(需要補氣時打開,補氣完成后關(guān)閉),這時壓力傳感器測量到的鉆孔瓦斯壓力就能遠(yuǎn)程、實時、精準(zhǔn)的傳輸?shù)降孛娴臋z測系統(tǒng)上。相比于傳統(tǒng)的利用機械壓力表讀取鉆孔瓦斯壓力,此裝置提升了鉆孔瓦斯測壓的準(zhǔn)確性和效率。

圖1 遠(yuǎn)程測壓裝置設(shè)計Fig.1 Design of remote pressure measuring device
為了減少測壓時間,采用Python 預(yù)測模型對壓力數(shù)據(jù)進行數(shù)據(jù)處理并加以預(yù)測,因為采集的數(shù)據(jù)只受時間單因素的影響,所以選擇線性回歸模型,取用遠(yuǎn)程量測裝置測量的前14 d 的數(shù)據(jù),每3 min 獲取1 個壓力數(shù)據(jù),共6 720 個數(shù)據(jù),具體數(shù)據(jù)見表1。

表1 鉆孔瓦斯壓力數(shù)據(jù)Table 1 Borehole gas pressure data
由表1 可知,鉆孔瓦斯壓力大體上呈上升趨勢,但因為數(shù)據(jù)量龐大,數(shù)據(jù)之間有波動,并不是總體呈直線式上身趨勢,而是波動性上升,具體的鉆孔瓦斯壓力數(shù)據(jù)走勢如圖2 所示。采用Python回歸模型對前14 d 測量到的數(shù)據(jù)進行處理擬合,前70%的數(shù)據(jù)作為訓(xùn)練集,后30%的數(shù)據(jù)作為測試集。

圖2 鉆孔瓦斯壓力數(shù)據(jù)Fig.2 Borehole gas pressure data diagram
首先利用python 中傳統(tǒng)的一元線性回歸模型對數(shù)據(jù)進行處理擬合,研究結(jié)果顯示擬合度R2=0.838 4,說明擬合程度較好,基本符合預(yù)測要求,具體擬合效果如圖3 所示,核心代碼如下。

圖3 一元線性回歸擬合圖Fig.3 Unary linear regression fitting diagram
from sklearn.linear_model import LinearRegression
LinReg=LinearRegression()
LinReg.fit(x_train,y_train)
from sklearn.metrics import r2_score
score1=r2_score(y_test,LinReg.predict(x_test))
從圖3 可知,Python 一元線性回歸模型對數(shù)據(jù)擬合度較良好,利用該方法預(yù)測鉆孔瓦斯壓力15 ~20 d 內(nèi)的瓦斯壓力數(shù)據(jù)情況,預(yù)測數(shù)據(jù)見表2。

表2 一元線性回歸數(shù)據(jù)預(yù)測Table 2 Single linear regression data prediction table
由表2 可知,預(yù)測瓦斯壓力數(shù)據(jù)跟實際測得的瓦斯壓力數(shù)據(jù)大致發(fā)展趨勢一致,但具體與測量到的數(shù)據(jù)還是有一定差異,情況如圖4 所示。

圖4 測量數(shù)據(jù)與預(yù)測數(shù)據(jù)對比Fig.4 Comparison of measured data and predicted data
由圖4 可知,測量的數(shù)據(jù)與預(yù)測的數(shù)據(jù)之間差異較大,不能滿足預(yù)測標(biāo)準(zhǔn),因此Python 一元線性回歸方法不能作為縮短直接測壓法的有效方法。
為了提高預(yù)測精度,再次用Python 中多項式回歸模型對數(shù)據(jù)進行處理擬合,研究結(jié)果顯示擬合度R2=0.977 0,擬合程度極好,具體擬合效果如圖5 所示,核心代碼如下。

圖5 多項式回歸擬合圖Fig.5 Polynomial regression fitting graph
因python 多項式回歸對數(shù)據(jù)擬合程度極好,故采用多項式回歸模型對鉆孔瓦斯壓力數(shù)據(jù)進行預(yù)測。此模型同樣是用了前14 d 的數(shù)據(jù)進行數(shù)據(jù)的訓(xùn)練和擬合,現(xiàn)用訓(xùn)練好的模型預(yù)測15 ~20 d 內(nèi)的壓力數(shù)據(jù)并與遠(yuǎn)程測壓裝置測量到的實際數(shù)據(jù)作比較,具體數(shù)據(jù)情況見表3。

表3 多項式回歸數(shù)據(jù)預(yù)測Table 3 Polynomial regression data prediction table
由表3 可知,相比于線性回歸預(yù)測,Python 多項式回歸預(yù)測結(jié)果更加準(zhǔn)確,預(yù)測的壓力數(shù)據(jù)基本與測量到的真實數(shù)據(jù)一致,具體的對比情況如圖6所示。

圖6 測量數(shù)據(jù)與預(yù)測數(shù)據(jù)對比Fig.6 Comparison of measured data and predicted data
由圖6 可得,利用Python 多項式回歸方法能準(zhǔn)確預(yù)測鉆孔瓦斯壓力數(shù)據(jù)的發(fā)展趨勢,相比于一元線性回歸方法預(yù)測的壓力曲線,Python 多項式回歸預(yù)測的瓦斯壓力曲線與實際測量到的數(shù)據(jù)曲線重合度極高。結(jié)果表明python 多項式回歸模型能有效的預(yù)測鉆孔瓦斯壓力未來的發(fā)展趨勢,用此方法能有效縮短測壓時間。
(1) 利用壓力傳感器、網(wǎng)絡(luò)交換機、數(shù)據(jù)監(jiān)測系統(tǒng)、四通和球閥組裝了一套遠(yuǎn)程測壓系統(tǒng),實現(xiàn)了遠(yuǎn)程、實時、在線監(jiān)測鉆孔瓦斯壓力,提升了測壓效率。
(2) 相比于傳統(tǒng)的一元線性回歸預(yù)測,本文利用Python 多項式回歸對數(shù)據(jù)進行處理,擬合度更高,準(zhǔn)確預(yù)測了鉆孔瓦斯壓力未來的發(fā)展趨勢。
(3) 利用Python 多項式回歸模型對直接測壓法前14 d 的瓦斯壓力數(shù)據(jù)進行訓(xùn)練擬合,準(zhǔn)確預(yù)測出了15 ~20 d 鉆孔瓦斯壓力數(shù)據(jù),有效縮短直接測壓法的測壓時間。