基于瓦斯風險預警的最佳逃生路線計算系統

摘 要：【目的】瓦斯爆炸事故是煤礦面臨的重大安全隱患之一，考慮到煤礦井下環境的復雜性以及瓦斯災害發生時環境的突變性，優化逃生路徑變得至關重要。【方法】通過LSTM模型實現對井下各節點瓦斯濃度的預測，并結合邏輯回歸模型判別該節點是否存在風險，根據判別結果實時更新巷道拓撲結構，實現基于預測結果的最優避災路線規劃。【結果】該系統重新生成的最佳逃生路線更加科學、有效，可為井下人員提供更加安全、可靠的逃生路線。【結論】在模型的綜合作用下，路線規劃更加合理，增加了人員逃生成功的概率。

關鍵詞：瓦斯濃度；LSTM模型；邏輯回歸模型；避災路線；動態調整

中圖分類號：TD712 文獻標志碼：A 文章編號：1003-5168（2024）16-0017-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.004

The Best Escape Route Calculation System Based on Gas Risk Warning

DING Weiyou LIU Xiaoli

（North China University of Science and Technology， Tangshan 063000，China）

Abstract： [Purposes] Since gas explosion accident is one of the major safety hazards faced by coal mines， optimizing escape routes has become crucial due to the complexity of the underground environment in coal mines and the sudden changes in the environment during gas disasters.[Methods] The best escape route regenerated by this system is more scientific and effective， providing reliable escape routes for underground personnel， which will effectively increase the probability of escape for underground personnel.[Findings] The best escape route regenerated by the system is more scientific and effective， which can provide safer and more reliable escape routes for underground personnel.[Conclusions] Under the comprehensive effect of the model， route planning is more reasonable， and finally increases the probability of success of personnel escape.

Keywords： gas concentration; LSTM model; logistic regression model; disaster avoidance route; dynamic adjustment

0 引言

我國作為世界能源大國，能源結構在相當長的時間內以煤炭為主，煤炭的消耗量占一次性能源構成的70%以上［1］。煤礦瓦斯是煤層開采過程中產生的高危氣體，主要由甲烷、二氧化碳、氮氣等組成，瓦斯爆炸事故是煤礦面臨的重大安全隱患之一。

生產礦井通常根據已有經驗、實際情況和災害種類提前制定應急預案，規劃避災路線。對于井下工作人員，在事故發生后選擇正確、合理的避災路線可以大大提高生還概率。然而，由于礦井下巷道環境的復雜性以及災害發生時環境的突變性，既定避災路線很可能已經不是當前的最優路徑，按照既定路線逃生很有可能會有新的危險。因此，許多專家、學者在避災路線規劃方面展開了諸多研究。徐志奇［2］根據井下有害氣體蔓延趨勢，并結合實時監測得到的有害氣體濃度、風向等數據，生成動態的避災路線；楊林等［3］探討了井下瓦斯突出前后最佳避災路線的異同，利用Dijkstra算法求解最佳路徑，指導人員逃生；黃運爽等［4］通過綜合考慮影響工作人員正常通行的因素（包括巷道因素和災害因素），以求得最短逃生時間為目標，構建避災模型，規劃避災路線；郭昕曜［5］探討了瓦斯爆炸直接傷害、次生傷害與避難硐室的位置關系，基于Flody算法分析了最優疏散路徑。盡管以上研究考慮了有害氣體蔓延趨勢、爆炸次生災害等因素對最優逃生路徑的影響，但仍然是建立在固有模型的基礎上，無法根據實際情況和潛在危險進行實時調整［6］。

本研究針對既定逃生路線無法根據井下實際情況和潛在危險進行自動調整的局限，提出融合LSTM瓦斯濃度預測、邏輯回歸風險判別、Dijkstra路徑規劃等方法，實現井下最佳逃生路線的規劃。具體而言，首先，基于LSTM模型實現井下瓦斯濃度變化趨勢的預測；其次，基于邏輯回歸風險判別模型對預測數據進行分析，判斷是否存在潛在風險；最后，基于Dijkstra算法更新最優逃生路線，指導井下人員快速地逃生。

1 基于LSTM模型構建瓦斯濃度預測模型

1.1 LSTM模型

長短期記憶（Long short-term memory， LSTM）模型是RNN模型的變體，與經典RNN相比能夠有效捕捉長序列之間的語義關聯， 緩解梯度消失或爆炸現象。LSTM的關鍵在于神經單元的信息狀態，神經單元的信息流傳通過遺忘門、輸入門、輸出門控制，其中遺忘門的任務是篩選細胞狀態中的信息，并將信息有選擇性地遺忘 ［7-8］，其公式見式（1）、式（2）。

[ft=sigmoidWf??t?1， xt+bf] （1）

[Ct=tanhWc??t?1， xt+bc] （2）

式中：[ft]為遺忘門；[xt]為時刻[t?1]神經元的輸入；[?t?1]為時刻[t?1]神經元的輸出；[Wf]代表遺忘門權重矩陣； [bf]代表遺忘門閾值向量；sigmoid為神經元激活函數； [Ct]為t時刻的新信息；[Wc]代表單元信息更新權重矩陣； [bc]代表單元信息更新閾值向量；tanh為雙曲正切函數。LSTM原理示意如圖1所示。

輸入門的功能是有選擇地記錄新的信息到細胞狀態，并決定儲存哪種新信息到細胞狀態（單元模塊）中。輸入門包括sigmoid層和tanh層，sigmoid層確定何值的更新，tanh層生成新的候選記憶，添加補充丟棄的屬性信息。其公式見式（3）、式（4）。

[it=sigmoidWi??t?1， xt+bi] （3）

[Ct=ft?Ct?1+it?Ct] （4）

式中：[it]為輸入門；[Ct]為更新后的單元信息狀態；[Wi]代表輸入門權重矩陣；[bi]代表輸入門閾值向量；[it]決定[Ct]是否加入t時刻狀態。

將二者進行乘積，從而獲得最終輸出信息。其公式見式（5）、式（6）。

[ot=sigmoidWo??t?1，xt+bo] （5）

[?t=ot?tanh（Ct）] （6）

式中：[ot]為輸出門；[Wo]代表輸出門權重矩陣； [bo]代表輸出門閾值向量；[?t]為輸出門最后的輸出。

1.2 瓦斯濃度預測

選取貴州某煤礦20916掘進工作面2012年12月15日0時至2012年12月18日13時這一時間段內，采集的800條以5 min/次為間隔的瓦斯濃度原始監測數據作為試驗數據［9］。將數據庫中70 %的數據作為訓練集，30 %作為測試集。對于LSTM模型，本研究設置隱藏層數目為4，隱藏層節點單元數目為75，激活函數選擇線性函數。權值初始化采用Xavier方法，利用Adam算法優化梯度下降的過程。采用均方誤差（MSE）作為評價指標，定義為[MSE=1ni=1n（yi?yi）2]，其中[yi]為實際值，[yi]為預測值。如圖2所示，經過訓練，預測模型的MSE從最初的0.055降低到了0.0003。

圖3是訓練初期（epoch=10，MSE=0.021）的結果，黑色為真實值，灰色為預測值。可以看到，此時訓練集有了初步擬合，但是對于測試集，預測值和真實值仍有很大差距。圖4是訓練中期（epoch=40，MSE=0.020）的結果，可以看到此時訓練集和測試集的效果都有了進一步提高。圖5是訓練最終結果（epoch=72，MSE=0.0003），可以看到此時測試集準確率趨于穩定不再上升。結果表明，經過訓練的LSTM模型可以有效預測該地點下一時刻氣體中瓦斯濃度的值。

2 基于邏輯回歸模型實現風險判別

邏輯回歸（ Logistic Regression） 是一種廣義的線性回歸分析模型，假設[yx]服從伯努利分布，且自變量x與因變量y存在線性關系。邏輯回歸通過sigmoid函數引入了非線性因素，是一種用于解決二分類（0/1分類）問題的機器學習方法［10］。

本研究將上述數據中80%的數據作為訓練集，20%的數據作為測試集。當工作面的瓦斯濃度數據異常但未達到報警濃度為1%的閾值，通過邏輯回歸模型對數據進行分析。異常數據為正向類，正常數據為負向類。在求解模型的過程中，定義了sigmoid作為激活函數，定義交叉熵作為損失函數，選用梯度下降法求解模型參數（alpha=0.001，迭代次數=15 000）。圖6展示了經過訓練的模型在測試集上的表現，預測準確率為100%。

3 基于Dijkstra算法更新最優逃生路線

3.1 構建井下巷道帶權重拓撲圖

本研究使用煤礦巷道的拓撲圖為逃生路線規劃示意圖，巷道拓撲如圖7所示。圖中點12、15、16為避難硐室。

拓撲圖中線段長度代表巷道長度，但逃生路線規劃并不能僅依賴于巷道長度，而是一種融合巷道逃生困難程度的當量長度。各路段當量長度見表1。

3.2 基于Dijkstra算法規劃避災路線

Dijkstra算法是一種典型的基于貪心策略的最短路徑規劃算法，用于計算一個節點到其他所有節點的最短路徑，常用于解決非負權重圖的單元最短路徑問題。該算法的核心思想是將圖所有點的集合S分為2部分，V和U。V集合是已經得到最短路徑的點的集合，在初始情況下V中只有源點s；U集合是還未得到最短路徑點的集合，在初始情況下是除s的所有點。因為每次迭代需要指明當前正在迭代的V集合中的某點，所以將該點設為中間點。因此應先將s設為中間點k，再開始迭代。在每一次迭代過程中，取得U中距離k最短的點k，將k加到V集合中，將k從U集合刪除，并設為中間點v。重復此過程直到U集合為空［11］。

本研究中，為了實現根據井下實際情況及潛在危險情況進行避災路線的自動調整，將先根據上述LSTM模型預測的各個節點的瓦斯氣體濃度和風險識別結果對拓撲圖進行更新，再基于Dijkstra算法更新最佳逃生路線。具體而言，正常情況下，巷道權重為距離長度，一旦出現風險識別結果為高風險的情況，則該節點巷道權重記為無窮大，判定相應路段可能無法安全通行，隨后進行路徑重新計算與修正提示。

如圖8所示，井下危險發生后，系統提示井下人員最佳逃生路線為1—2—3—19—14—13—12；然而在下一時段，系統經過動態刷新，判斷路線3—4及路線19—14有危險預警，此時系統更新最佳逃生路線為1—2—3—19—4—5—6—7—12，逃生路線如圖9所示；如果點12不能再作為安全避難點，系統自動規劃其臨近的點15為最終目標，此時更新逃生路線為1—2—3—4—5—6—15，逃生路線如圖10所示；同理，若下一時段系統檢測到路線3—4及路線19—14有危險預警，將重新規劃路線為1—2—3—19—4—5—6—15，逃生路線如圖11所示。如果點12、點15都不能再作為安全避難點，系統將選定距離較遠的點16作為最終目標，并以類似上述方式進行路線規劃。經過重復試驗表明，融合了預測模型輸出和風險判別模型輸出的系統，重新生成的最佳逃生路線科學、有效，能夠為井下人員提供可靠的逃生路線，將有效提高井下人員脫險的概率。

4 結論

針對煤礦井下瓦斯濃度危險性對工作人員帶來的潛在危險，本研究通過LSTM模型實現對井下各節點瓦斯濃度的預測，并結合邏輯回歸模型判別該節點是否存在風險，進而根據判別結果實時更新巷道拓撲結構，從而實現基于預測結果的最優避災路線規劃。模擬結果表明：①在瓦斯濃度預測模型和風險判別模型的綜合作用下，可以使得路線規劃更加合理，增加人員逃生成功概率；②該系統可以最大限度地減少因逃生過程中危險規避不及時造成的人員傷亡和財產損失。

參考文獻：

［1］劉業嬌，袁亮，薛俊華，等. 2007—2016年全國煤礦瓦斯災害事故發生規律分析［J］. 礦業安全與環保，2018，45（3）：124-128.

［2］徐志奇. 井下瓦斯蔓延趨勢分析與避災路線動態規劃方法［J］. 內蒙古煤炭經濟，2017（13）：128-129.

［3］ 楊林，劉勇，江成玉. 煤與瓦斯突出后最佳避災路線的研究［J］. 煤炭技術，2014，33（12）：213-215.

［4］ 黃運爽，劉陽，張良良，等. 煤礦采場災害人員疏散模型及避災硐室布置［J］. 煤礦安全，2017，48（6）：112-115.

［5］ 郭昕曜. 高突礦井瓦斯風險評估方法與管控技術研究［D］.武漢：武漢理工大學，2019.

［6］趙慧敏，李超，曾慶田.煤礦井下應急逃生最優路徑規劃算法研究綜述［J］.軟件導刊，2018，17（5）：1-5.

［7］ 荀曉玉，蘇璨，李威，等. 基于CNN-LSTM的煤礦瓦斯濃度預測［J］.現代信息科技，2020，4（20）：149-152.

［8］ 劉瑩，楊超宇. 基于多因素的LSTM瓦斯濃度預測模型［J］. 中國安全生產科學技術，2022，18（1）：108-113.

［9］ 張震，朱權潔，李青松，等. 基于Keras長短時記憶網絡的礦井瓦斯濃度預測研究［J］.安全與環境工程，2021，28（1）：61-67，78.

［10］ 廖英雷. 基于邏輯回歸模型的瓦斯濃度異常值檢測與預警［J］. 陜西煤炭，2020，39（4）：13-18，44.

［11］ 康寧. 基于改進Dijkstra算法的煤礦井下應急路徑規劃研究［D］.西安：西安科技大學，2020.