基于RNN算法的煤矿井下瓦斯浓度预测研究.pdf

第 卷第 期能源与环保 年月 收稿日期：；责任编辑：陈鑫源 ：作者简介：吕建立（），男，河南宜阳人，工程师，年毕业于华北科技学院，现从事矿井“一通三防”、瓦斯治理工作。引用格式：吕建立 基于 算法的煤矿井下瓦斯浓度预测研究 能源与环保，（）：，（）：基于 算法的煤矿井下瓦斯浓度预测研究吕建立（三门峡龙王庄煤业有限公司，河南 渑池 ）摘要：煤矿瓦斯事故往往是由瓦斯浓度过高引起的，为使瓦斯浓度保持在安全范围内，利用 回归算法实现瓦斯浓度时间序列的特征选择，并以瓦斯浓度特征集合为对象，建立了基于递归神经网络（）的瓦斯浓度预测模型。以平均绝对百分比误差（）为性能指标，对 算法与 和 神经网络算法模型进行对比分析，结果表明：算法不仅提高了预测精度，而且将相对误差限制在最小范围内，具有更高的稳定性，可降低到 ，预测某矿 工作面 月 日：瓦斯浓度为 ，建议工作人员实时关注该区域瓦斯浓度变化情况并采用必要的防治措施，能够为矿井瓦斯浓度预测提供理论指导。关键词：算法；瓦斯浓度；特征选择；煤矿安全中图分类号：文献标志码：文章编号：（）（，）：，（）（），：；长期以来，煤矿在世界各地的能源资源中发挥着至关重要的作用。我国是全球最大的煤炭消费国，约占全球煤炭消费量的 。由于煤炭需求的增加，煤炭开采深度和生产水平显著提高，这也加大了煤矿井下瓦斯排放和爆炸的风险，有必要对煤矿井下瓦斯浓度数据进行分析，并提前预测其变化趋势 。国内外学者针对煤矿井下瓦斯浓度预测进行了大量研究，刘奕君等 分析了不同地理空间环境下的瓦斯数据，使用 模型对煤矿井下瓦斯浓度进行了预测，表明算法能够有效提高预测的时效性；王凯君等 构建了 瓦斯浓度预测模型，并将预测值与实际值进行了比较；姚青华等 采用一种改进的径向基函数（）神经网络模型对山西省井下瓦斯排放进行预测，并分析了影响瓦斯浓度的主要因素。以上算法并未考虑流量、负压、风速、温度等因素对瓦斯浓度的影响，且训练模型的时间跨度短、数据样本小，具有一定的局限性。基于此，本文建立了一种基于递归神经网络 年第 期吕建立：基于 算法的煤矿井下瓦斯浓度预测研究第 卷（）算法的瓦斯浓度预测模型，并以某矿 工作面瓦斯浓度数据为基础，对模型的优越性与可行性进行了验证，以期为瓦斯灾害的预警提供参考。瓦斯浓度预测模型建立 模型原理循环神经网络（）不仅能实现层与层间全连接，而且神经元间也相互连接。此外，具有记忆能力，其运行公式为：（）（）式中，为激活函数；为自定义函数。自适应矩估计（）是一种一阶优化算法，该算法基于样本数据通过迭代实现神经网络的阈值更新，以损失函数最小为原则，能够解决噪声和疏落梯度问题。采用 算法对求解进行优化，其算法如下：（）（）（）一阶与二阶矩估计偏差修正：（）（）（）参数更新：（槡 ）（）式中，为更新的参数；、分别为一阶矩估计和二阶矩估计的指数衰减率；为防止计算中除以零的极小数。数据处理为保证预测结果的真实性和可靠性，以实际瓦斯浓度数据为样本，分别采用指数平滑法和临近均值法替代样本的缺失项和异常值，并用 法对数据归一化处理，通过 回归算法对数据进行特征选择。最后，将数据分为测试集、训练集、验证集和回溯集。测试集和训练集用于验证预测模型的测试和训练效果，验证集用于验证模型预测结果，回溯集用于前一时间序列的预测。分析与建模 算法具体流程如图 所示。算法瓦斯浓度预测分为：数据处理过程、网络训练过程和网络预测过程。利用激活函数 来减小梯度下降，提高运行深度，并利用高斯随机分布的初始化权重，通过矢量公式对输出层进行编码；根据宽泛策略确定隐藏层数量和神经元数量；在学习效率达到适当阈值时，随机给出超参数值，得到 预测模型。图 算法过程 基于 瓦斯浓度预测模型的试验验证 预测模型的调优以宽泛策略为原则，分析了步长对运行时间和训练误差的影响，如图 所示。可以看出，模型预测误差的变化趋势基本相同，且迭代次数为 次时收敛效果更佳。与步长为 相比，步长为 时的误差最小，但运行时间稍长。表明一定范围内增大步长能够提高预测精准度和内存利用率；继续增大步长，预测精度和误差无明显提高。主要是由于步长过小时损失曲线震荡严重；步长较小时引入的随机性更大，收敛速度较慢；步长较大时易陷入局部最优。图 步长误差对比 不同网络层数下的运行效果如图 所示。可以看出，网络层数为 时收敛迅速，易出现损失爆炸；网络层数为 和 时，收敛程度和收敛速度大致相同。网络层数为 时训练误差是最小，训练次数为 时，层 结构的损失曲线不收敛。年第 期能源与环保第 卷主要是增加网络层数有利于增强模型的学习能力，但复杂性也明显增强，导致模型运行成本增大。图 不同网络层数下的运行效果 瓦斯浓度预测拟合效果对比分析为验证 算法的普适性，将某矿 工作面生产监测数据作为研究样本，以 为评价指标，对比分析了 种算法在井下瓦斯浓度的预测性能，评价结果如图 所示。由图 可以看出，种算法均能大致预测煤矿井下瓦斯浓度的变化趋势，算法对于浓度变化拐点处的预测效果显著优于其他 种算法。对比可以看出，种算法在阶段拟合出瓦斯浓度的变化趋势基本相同，但是 算法拐点、处的基本接近于真实值；此外，算法在 个单位长度时能达到较为精确的预测效果，总体来说，算法能够达到最优的瓦斯浓度预测效果。图 不同方法预测结果对比 不同模型预测误差对比如图 所示。可以看出，神经网络和 算法均存在多个误差点，且误差较大。和 神经网络算法的平均 值分别为 和 ，中位数分别为 和 ；而 算法的 值主要集中在 ，中位数为 ，平均 值为 ；进一步表明 算法在预测稳定性上有着更好的适用性和鲁棒性，能够达到更高预测精度。这主要是因为 算法具有较强的单元记忆功能，更适合处理时间序列问题，特别是瓦斯浓度变化拐点处更能体现 算法的优越性。图 不同模型预测误差对比 煤矿工作面瓦斯浓度预测实验分析对 年 月份某煤矿 工作面的抽采浓度（）、累计日抽采量（）、温度（）、纯流量（）、上隅角瓦斯浓度（）、工作面风量（）、混合流量（）、回风流瓦斯浓度（）、抽采负压（）、工作面瓦斯浓度（）进行了统计，月 日 ：原始瓦斯浓度时间序列预测样本见表 。利用 回归算法对瓦斯浓度时间序列特征选择，并进行归一化处理，瓦斯浓度时间序列为：温度、回风流瓦斯浓度和上隅角瓦斯浓度，归一化后详细数据见表 。将表 中的数据作为预测样本，超参数设置为：隐藏层神经元为 个，随机种子数为 ，学习率为 ，网络深度为 ，丢弃比例 ，批量大小 ；算法得到的瓦斯浓度预测结果，见表 。可以看出，月 日 ：时的瓦斯浓度超过了安全警戒线（），工作人员应实时关注该区域的瓦斯浓度变化情况并采用必要的防治措施，而其余时刻的预测值均处于正常范围。结论（）利用 回归算法将弱相关性变量系数 年第 期吕建立：基于 算法的煤矿井下瓦斯浓度预测研究第 卷表 原始瓦斯浓度时间序列预测样本 序号时间抽采浓度 累计日抽采量 温度 纯流量（）上隅角瓦斯浓度 工作面风量（）混合流量（）回风流瓦斯浓度 抽采负压 瓦斯浓度 ：待预测：待预测：待预测：待预测：待预测：待预测：待预测：待预测：待预测表 归一化后瓦斯浓度数据 序号时间温度 上隅角瓦斯浓度 回风流瓦斯浓度 工作面瓦斯浓度 ：待预测：待预测：待预测：待预测：待预测：待预测：待预测：待预测：待预测表 工作面瓦斯浓度预测结果 序号时间温度 上隅角瓦斯浓度 回风流瓦斯浓度 工作面瓦斯浓度 ：压缩为 ，去除了时间序列中的冗余特征，保留了关键特征变量，为 算法提供了良好的数据样本。（）算法具有记忆单元结构和合理分配权重的优势，对于浓度变化拐点处的预测效果显著优于 和 神经网络算法，具有更高的精确确性和稳定性，能够达到最优的瓦斯浓度预测效果。（）预测模型预测某矿 工作面 月 日 ：的预测值超过了安全警戒线，而其余时刻预测值均处于正常范围，验证了该算法优越性与可行性，能够为煤矿的安全生产提供理论指导。参考文献（）：余利兵 基于模糊自适应 控制算法的低浓度瓦斯安全输送 煤炭工程，（）：，（）：，王江荣，文晖，罗资琴 基于卡尔曼滤波算法的瓦斯浓度时间序列预测分析 工业仪表与自动化装置，（）：，（）：，刘奕君，赵强，郝文利 基于遗传算法优化 神经网络的瓦斯浓度预测研究 矿业安全与环保，（）：，（）：王凯君，王居尧 基于 算法寻优 的瓦斯浓度预测 煤，（）：，（）：姚青华，邱本花 基于改进 神经网络的矿井瓦斯浓度预测算法 煤炭技术，（）：，（）：