基于多因素的LSTM瓦斯浓度预测模型*

为解决煤矿瓦斯浓度预测问题,提出基于多因素的LSTM瓦斯浓度预测模型。模型首先对煤矿多源监测数据进行数据融合、缺失值处理;其次通过特征衍生、有监督化、无量纲化,融合各环境因素特征和时序数据的时间性特征,且衍生出更多交叉项特征和高次项特征;然后利用经验法和逐步试错法确定隐藏层维度;最后进行模型训练和测试。研究结果表明:基于多因素的LSTM瓦斯浓度预测模型的RMSE仅为0.021,MAE为0.01,比单因素LSTM模型、RNN模型预测效果好。因此,基于多因素的LSTM瓦斯浓度预测模型可更精准地进行瓦斯浓度多步预测,促进煤矿安全生产。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

基于CNN-GRU的瓦斯浓度预测模型及应用*

为解决传统瓦斯浓度预测方法预测精度低和适用性不强等问题,提出运用卷积神经网络（CNN）提取瓦斯浓度时间序列的变化趋势及局部关联特征,应用门自适应矩估计（Adam）优化的控循环单元神经网络（GRU）,在关联特征基础上进行时序性预测的组合方法,并以铜川玉华煤矿监测数据为样本,对比CNN-GRU组合模型、传统机器学习模型LSTM和GRU模型的预测效果。研究结果表明:CNN-GRU模型的预测精度和收敛速度均优于LSTM和GRU模型;CNN-GRU平均绝对误差和均方根误差分别可降低至0.042,0.006,运行效率分别提高59.15%,35.04%,研究结果可为矿井瓦斯灾害防治提供依据。     

基于GF-LSTM和GAN网络的小样本集人工水体溶解氧浓度预测

采用推流方式改善人工水体溶解氧分布不均衡以防止富营养化时,需要对其分布进行预测来提高推流效率,为此构建了基于生成式对抗网络(GAN,Generative Adversarial Networks)和长短期记忆神经网络(LSTM,Long-Short Term Memory Network)的溶解氧浓度预测模型。以广西大学镜湖35 m2的一片水体区域为研究对象,采用不同电压直流水泵推流,用无人船搭载在线检测仪在一段时间内定时定点采集水体溶解氧浓度数据作为原始数据样本,并采用GAN扩充数据样本。利用遗传算法和改进的一阶滤波算法进行溶解氧的噪声数据处理,结合LSTM网络构建溶解氧浓度预测模型GF-LSTM(Genetic And Filtering Algorithm-Long Short Term Memory Network)。结果表明:相比常用的BP网络,GF-LSTM网络预测的平均误差降低了62%,均方误差降低了75%;相比传统的LSTM网络,GF-LSTM网络预测的平均误差降低了22%,均方误差降低了50%。     

基于长短时记忆网络的水质预测模型研究

在当前水质数据急剧增加的背景下,为了挖掘水质时间序列中的更多信息,提升水质预测的精度,构建了基于缺失值填补算法和长短时记忆网络(LSTM)相结合的水质预测模型。通过缺失值填补算法进行水质数据的缺失值处理,利用LSTM网络分别构建不同水质参数的预测模型,以太湖水质监测数据为样本,对模型进行检验。结果表明,基于缺失值填补算法-LSTM的水质预测模型适应性强,相较传统SVM、BP神经网络、RNN、LSTM模型预测精度更高,对水环境保护具有重要意义。     

基于集成学习的改进灰色瓦斯浓度序列预测*

为有效提高煤矿瓦斯浓度动态预测精度,基于微分方程理论和最小二乘法,从灰色预测模型静态灰色作用量出发,优化灰色作用量,推导幂指数型灰色作用量的改进灰色瓦斯浓度预测算法,推导基于集成学习不同灰色作用量幂指数型灰色瓦斯预测模型,进而研究吉林八连城长期和短期瓦斯浓度监控数据预测精度。结果表明:瓦斯浓度时间序列近似线性时,基于集成学习的改进灰色瓦斯浓度预测算法优于传统灰色瓦斯浓度预测算法,使瓦斯浓度预测值和实际值的均方根误差降低,均方根差最大降低2.25%。研究结果可有效提瓦斯浓度预测精度。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

穿层水力冲孔措施在低透煤层中有效影响半径效果考察

为研究水力冲孔措施下煤层瓦斯高效抽采钻孔合理布置参数,提高煤层瓦斯抽采效率,以平煤十三矿己15-17-13051工作面为例,对水力冲孔有效影响半径进行效果考察。通过布置多组试验钻孔,分别对水力冲孔措施前后钻孔瓦斯浓度、瓦斯流量数据进行综合考察,结果表明:水力冲孔措施增大了煤层透气性系数,高效提升了煤层瓦斯抽采率,执行冲孔措施后瓦斯浓度最低可提高至2.05倍、瓦斯纯流量增至2.56倍以上,采用瓦斯流量法确定了己15-17煤层水力冲孔措施实际有效影响半径为4.8~5.9 m,对于指导煤层瓦斯抽采钻孔合理布置具有指导性意义。     

基于MCMC填补的SSA-SVM煤与瓦斯突出预测模型

为提升煤与瓦斯突出预测准确度,减小数据缺失对煤与瓦斯突出预测的不利影响,提出1种基于链式多重填补马尔科夫链蒙特卡罗(MCMC)的麻雀搜索算法(SSA)优化支持向量机(SVM)预测模型。根据突出影响因素选取模型参数,运用MCMC对突出事故缺失值进行数据填补,采用SSA优化SVM,建立MCMC-SSA-SVM模型对填补后数据集进行预测,验证MCMC填补有效性和SSA优化性能;分别构建SVM、SSA-SVM、PSO-SVM、GAM-SVM、CMC-SVM、MCMC-PSO-SVM和MCMC-GA-SVM这7种模型进行突出预测,对比预测准确度,分析MCMC-SSA-SVM、MCMC-PSO-SVM和MCMC-GA-SVM的适应度。研究结果表明：MCMC填补后准确度均提升7.89个百分点以上,SSA的优化性能强于PSO和GA,MCMC-SSA-SVM预测准确度最高,为97.37%,泛化能力优于对比模型。研究结果可为煤与瓦斯突出预测研究提供借鉴和参考。     

联合Transformer注意力机制的PM2.5浓度预测网络研究

应用深度学习技术进行PM_2.5浓度预测方法的研究，提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块，高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM_2.5浓度数据开展预报试验，结果表明，相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM_2.5浓度的时空相关性，具有更优预测性能。     

基于COMSOL的采空区埋管抽采参数优化数值研究

针对回采工作面上隅角瓦斯浓度超限问题,提出了回采工作面采空区埋管抽采的方法。以保德煤矿81307工作面为研究对象,运用数值模拟软件COMSOL模拟采空区无抽采和不同抽采参数条件下工作面内瓦斯分布规律,研究埋管抽采参数对上隅角瓦斯浓度的影响规律,确定最佳的采空区埋管抽采参数。同时进行现场抽采参数优化试验,对瓦斯浓度进行监测,研究结果表明:合适的布置间距、抽采负压和抽采流量能够有效解决上隅角瓦斯超限问题,试验期间内,上隅角瓦斯体积分数最大为0.74%,进风流中瓦斯体积分数最大为0.2%,工作面风流中瓦斯体积分数最大为0.45%,回风流中瓦斯体积分数最大为0.5%,均没有超过安全标准。     

近距离薄煤层群上保护层开采邻近层卸压瓦斯抽采模式探究*

为研究近距离薄煤层群上保护层开采期间邻近层卸压瓦斯对回采工作面瓦斯涌出的影响,进而有效杜绝保护层开采过程中工作面瓦斯积聚或超限等事故,结合煤岩体破碎前“应力-裂隙-渗透率”间关系,建立卸压瓦斯三维渗流模型。采用Flac3D软件,以新维煤矿煤层条件为工程背景,研究保护层开采过程采场渗透率沿纵向分布规律,确立下保护层C3煤层处于三维增渗区、C7与C8号煤层处于水平增渗区。基于此,提出“近场定向钻孔全覆盖抽采与远场穿层钻孔层间卸压抽采结合”的瓦斯治理技术模式,并开展现场试验,结果表明:试验工作面回风瓦斯浓度降低44.4%,绝对瓦斯涌出量降低52.3%,该模式可显著提高卸压瓦斯的治理效果,为类似工况下的保护层开采提出1种新的瓦斯抽采模式,具有一定的指导及借鉴意义。     

基于采动覆岩三维裂隙场演化规律的地面L型钻井瓦斯抽采技术*

为了解决目前采用的直立型地面钻井抽采范围小、工作面所需钻井数量多及瓦斯流量和浓度偏低的问题,基于屯兰矿12507工作面Ⅱ段工程地质情况,提出地面“L”型钻井提高瓦斯抽采效率的理论和实践研究。通过PFC3D颗粒流离散元数值模拟软件对工作面覆岩采动影响进行模拟,得到采动影响下的覆岩结构、裂隙和孔隙率变化。研究结果表明:屯兰矿12507工作面Ⅱ段的垮落带高度为15.87 m,裂隙带高度为49.46 m,采空区上方15~50 m、沿倾向方向距离采空区边界20~100 m的范围内裂隙较发育,孔隙率高且稳定。在屯兰矿12507工作面Ⅱ段进行工程实践,得到地面“L”型钻井在抽采效率、工作面上隅角瓦斯治理及采空区瓦斯有效利用方面优于普通地面钻井抽采,抽采系统工作149 d瓦斯抽采浓度平均为52.52%,抽采纯量平均为9.48 m3/min,上隅角瓦斯浓度平均为0.21%,降低了矿井瓦斯灾害出现的风险并提高了煤层气的利用。     

基于人工神经网络的气体泄爆最大超压预测研究

为解决传统经验公式在预测气体泄爆中最大超压出现时的较大偏差或过于保守的问题，提出使用人工神经网络预测气体泄爆最大超压。基于124组实验数据，采用BP与RBF神经网络，通过优化算法计算与迭代循环对泄爆样本中的影响因素进行降维与选择，并确定2类神经网络本身在学习与计算气体泄爆样本时的相关参数。结果表明:PCA（主成分分析法）在当前样本条件下的降维效果较差，而通过迭代对比确认气体泄爆样本中的5类特征全部保留时神经网络的训练模拟效果最好；通过对124组实验数据进行随机挑选训练集与测试集的训练模拟结果发现，神经网络对气体泄爆中最大超压的预测效果较好；通过对比Molkov提出的和经Fakandu等改进的NFPA 68经验公式以及2类神经网络的预测结果表明，神经网络相比于传统气体泄爆经验公式具有明显优势。     

“U+I”型采煤工作面瓦斯抽采与浮煤自燃耦合研究

为了研究“U+I”型工作面进风量和顶板巷抽采负压对工作面瓦斯浓度与采空区氧化带宽度的影响,协调瓦斯抽采和浮煤自燃之间的关系。以2306综放面为工程背景,基于“U”型冒落岩层孔隙率分布公式和流体通用控制方程建立采空区数值模拟解算模型。采用CFD软件对不同进风量、不同抽采负压下的工作面瓦斯浓度和采空区氧化带宽度进行模拟,结果表明:随着工作面风量的增加,工作面和顶板巷瓦斯浓度减小,但工作面处浓度减幅逐渐变小而顶板巷浓度减幅几乎不变;提高顶板巷抽采负压,对减少工作面瓦斯浓度效果明显,顶板巷自身瓦斯浓度先增加再减小,采空区进风侧氧化带宽度变窄,回风侧和采空区中部氧化带宽度增加,总体上增加了采空区浮煤自燃的危险性但影响程度有限。     

基于随机搜索优化XGBoost的瓦斯涌出量预测模型*

为防治瓦斯灾害,解决井下瓦斯涌出量在预测过程中因影响因素繁多带来的精度较低问题,提出1种基于套索(Lasso)回归与随机搜索优化极限梯度提升(XGBoost)的模型进行瓦斯涌出量预测。以沈阳某煤矿综采面瓦斯涌出量历史数据为例,综合考虑影响瓦斯涌出量的影响因素。首先利用Lasso回归提取对瓦斯涌出量有重要影响的特征数据,作为预测输入;采用随机搜索算法对XGBoost模型4种主要参数进行寻优,选取最优参建立预测模型获得预测指标并分析比较其他模型。研究结果表明:Lasso回归筛选出的影响因素结合随机搜索获得的最优参数组合优化XGBoost比其他模型预测精度更高,平均相对误差为1.53%,均方根误差为0.140 3 m3/min,希尔不等系数为0.013 2,研究结果可为现场瓦斯管理提供参考依据。     

基于EEMD-LSTM模型的尾矿库风险预测模型研究*

为了提高尾矿库风险预警能力,针对尾矿库稳定性受多种风险因素影响,以及风险变化的非线性,提出1种融合集合经验模态分解（EEMD）和长短期记忆（LSTM）的尾矿库风险预测模型。首先,采用皮尔逊相关系数分析尾矿库风险因素之间的相关性;然后,使用EEMD方法分解非线性的位移序列;最后,构建LSTM网络模型预测位移变化。以某尾矿库为例,将EEMD-LSTM模型与EEMD-BP模型、LSTM模型对比分析,评估模型的有效性。研究结果表明:EEMD-LSTM模型对尾矿库风险的预测精度明显提高,对防范化解尾矿库安全风险具有重要意义。     

布尔台矿回采工作面瓦斯涌出主控因素及治理措施

为了探究布尔台煤矿回采工作面瓦斯涌出主控因素及其治理措施，以42201回采工作面为例，采用单元法现场实测了工作面瓦斯涌出情况，并分析了其受开采强度、风量、煤层瓦斯含量、工作面来压变化、气候条件等相关参数的影响规律。研究结果表明:布尔台煤矿42201回采工作面的主要瓦斯涌出来源为煤壁和落煤瓦斯涌出；矿山压力显现和来压时，工作面绝对瓦斯涌出量有较为明显的异常变化；开采强度的变化趋势和上隅角瓦斯浓度异常变化的趋势是一致的；对比发现，地面大气压力对工作面瓦斯涌出的影响程度远小于开采强度。针对布尔台煤矿的特点，提出了“顶板定向长钻孔分段水力压裂强制放顶和联巷插管或煤柱大直径钻孔桥接采空区的瓦斯抽采相结合”的瓦斯治理措施。现场应用发现:42201工作面最高来压强度由59.1 MPa降低至48.0 MPa，上隅角瓦斯抽采量为2.70~3.79 m3/min，平均为3.25 m3/min，占总的瓦斯涌出量的比例为62.65%~69.16%。