基于案例推理的煤与瓦斯突出预警模型研究.pdf

扫码阅读下载李全贵,李建波,胡千庭,等.基于案例推理的煤与瓦斯突出预警模型研究J.矿业安全与环保,2023,50(5):24-29.LI Quangui,LI Jianbo,HU Qianting,et al.Research on early warning model of coal and gas outburst based on case-based reasoningJ.Mining Safety&Environmental Protection,2023,50(5):24-29.DOI:10.19835/j.issn.1008-4495.2023.05.004基于案例推理的煤与瓦斯突出预警模型研究李全贵1,2,李建波1,2,胡千庭1,2,吴江杰1,2,郑梦浩1,2,李 赏1,2,周俊江1,2(1.重庆大学 煤矿灾害动力学与控制国家重点实验室,重庆 400044;2.重庆大学 资源与安全学院,重庆 400044)摘要:为充分汲取煤与瓦斯突出历史事故经验,发挥事故调查报告中专家意见的价值,构建了一种基于案例推理的 CBR 突出预警模型,并依据历史案例数据库搭建了突出预警系统。以突出的多类别指标数据作为输入,运用 K 最近邻算法计算当前案例与历史案例的局部相似度。同时,为进一步提高案例检索准确度,采用灰狼优化(GWO)算法优化各指标的特征权重,计算得到全局相似度。通过当前案例与历史案例的相似匹配,对突出危险进行预警,并提出突出防治决策方案。利用河南鹤煤六矿突出事故进行验证,结果表明所搭建的预警系统可实现突出危险的有效预警与决策。关键词:煤与瓦斯突出;预警;案例推理;K 最近邻算法;灰狼优化算法中图分类号:TD713 文献标志码:A 文章编号:1008-4495(2023)05-0024-06收稿日期:2023-07-20;2023-08-20 修订基金项目:国家重点研发计划项目(2022YFC3004704)作者简介:李全贵(1986),男,河南民权人,博士,副教授,主要从事煤矿瓦斯灾害防治与煤层气开发研究工作。E-mail:liqg 。Research on early warning model of coal and gas outburst based on case-based reasoningLI Quangui1,2,LI Jianbo1,2,HU Qianting1,2,WU Jiangjie1,2,ZHENG Menghao1,2,LI Shang1,2,ZHOU Junjiang1,2(1.State Key Laboratory of Coal Mine Disaster Dynamics and Control,Chongqing University,Chongqing 400044,China;2.School of Resources and Safety Engineering,Chongqing University,Chongqing 400044,China)Abstract:In order to fully learn the experience of coal and gas outburst historical accidents and give full play to the value of expert opinions in accident investigation reports,an CBR outburst early warning model based on case-based reasoning was proposed,and an outburst early warning system was built based on historical case database.With the multi-category index data of outburst as input,the K-nearest neighbor algorithm was used to calculate the local similarity between the current instance and the past instance.At the same time,in order to further improve the accuracy of case retrieval,the grey wolf optimization(GWO)algorithm was used to optimize the feature weight of each index,and the global similarity was calculated.By conducting similarity matching between the current instance and the past instance,the outburst risk was early warned,and the prevention and control decision scheme of outburst was put forward.Using the outburst accident in Hemei No.6 Mine in Henan Province to verify,the results show that the established early warning system can realize effective early warning and decision-making of outburst danger.Keywords:coal and gas outburst;early warning;case-based reasoning;K nearest neighbor algorithm;grey wolf optimization algorithm 煤与瓦斯突出(简称“突出”)事故是煤矿安全高效生产的主要威胁之一。随着浅表煤炭资源的日益匮乏,煤炭开采深度逐渐增加,突出的危害也不断加大1。针对突出防治及预警技术,国内外学者从理论分析、物理模拟和数值模拟等角度开展了研究2-3。此外,也有采用行为学、统计学、管理学和大数据等手段,分析我国煤矿瓦斯事故特征,构建精准有效的风险测度模型4-8,为防治突出提供指导的研究方式。自 生产安全事故报告和调查处理条例9发布实施以来,事故调查报告逐渐进入公众视野,报告数量的积少成多,为通过统计历史事故案例的特征并挖掘其中信息形成专家经验来预警和指导突出防治工作提供了可行性。案例推理(case-based reasoning,CBR)从历史案例中汲取事故经验,并应用到具有类似特征的新问题中10。案例推理包括案例表示、案例检索、案42Vol.50 No.5Oct.2023 矿业安全与环保Mining Safety&Environmental Protection 第 50 卷 第 5 期2023 年 10 月例重用、案例修改及案例保存 5 个部分11。其中,案例表示和案例检索是研究的重点。作为事故预警的研究手段之一12,案例推理已被用于医疗、交通、建筑等多个领域13-17。该方法智能化程度、求解效率高且能持续不断地学习。鉴于此,考虑影响突出的多种因素,基于 CBR突出预警模型,采用结构化存储技术,运用 K 最近邻算法和 GWO 算法,构建突出预警与管控方案推荐系统案例库,完成煤与瓦斯突出预警系统的结构设计与系统开发,以实现突出预警与决策的一体化,为突出风险管理提供方法参考和技术支持。1 CBR 突出预警模型CBR 突出预警模型通过计算待测案例与存储在案例库中的案例之间的相似程度,从案例库中检索出具有相似特征的历史案例,将该案例的解决方法应用到当前问题中18-19。其工作流程如图 1 所示。图 1 CBR 预警模型流程图CBR 工作流程:选用合适的案例表示法将待测案例表示为易处理的结构化数据(案例表示);运用合适的案例检索方法将待测案例与事故案例库中的突出案例进行相似匹配(案例检索);如果存在相似度较高的历史案例,则结合历史案例来识别待测案例的突出隐患并提出整改措施(案例重用),反之根据后续调查与研究,将该案例修改保存至案例库中,丰富突出案例数据库(案例修改和案例保存)。其中,案例表示和案例检索是 CBR 模型的两个主要流程。1.1 案例表示由于灾害事故案例具有结构化的特点,随着事故的不断发生和推进,需对相应的数据进行更改和添加,框架表示法具有类似功能属性且易于理解20-21。因此,本系统选用框架法对突出事故进行案例表示。模型总框架如式(1)所示:C=(1)式中:C 为突出事故案例;T 为主题信息子框架,对突出事故概况加以描述;I 为事故描述子框架,是案例检索的数据基础和来源;F 为预警方案子框架。框架由若干个具有槽名和槽值的槽组成。用框架法对突出进行案例表示,具体见表 1。表 1 煤与瓦斯突出事故案例总框架槽 名槽 值槽 T:主题信息主题信息子框架槽 I:事故描述事故描述子框架槽 F:预警方案预警方案子框架各子框架详细信息见表 24。表 2 主题信息子框架槽 名槽 值槽 T1:矿井名称槽 T2:案例地点省、市槽 T3:所有制国有煤矿、私营煤矿、乡镇煤矿槽 T4:瓦斯等级煤与瓦斯突出矿井、高瓦斯矿井、低瓦斯矿井槽 T5:生产能力万 t/a槽 T6:开拓系统立井开拓、斜井开拓、平硐开拓、混合开拓槽 T7:通风系统中央并列式、中央分列式、边界抽出式槽 T8:采煤方法槽 T9:事故等级一般事故、较大事故、重大事故、特别重大事故槽 T10:事故类型突出、压出、倾出槽 T11:突出强度小型、中型、大型、特大型槽 T12:死亡人数人槽 T13:经济损失万元表 3 事故描述子框架槽 名槽 值槽 I1:开采深度m槽 I2:瓦斯压力MPa槽 I3:煤层平均厚度m槽 I4:地质构造类型断层、褶曲、火成岩侵入、煤层厚度/倾角变化、软煤分层、其他槽 I5:煤体破坏类型类(非破坏煤)、类(破坏煤)、类(强烈破坏煤)、类(粉碎煤)、类(全粉煤)槽 I6:瓦斯含量m3/t表 4 预警方案子框架槽 名槽 值槽 F1:突出时间月、日、时、分槽 F2:突出地点掘进工作面、回采工作面、上山、下山、石门、岩巷、平巷、其他槽 F3:突出预兆卡钻、埋钻、顶钻、夹钻、喷孔、煤炮声、片帮、露顶、瓦斯异常槽 F4:诱导因素放炮作业、采煤机作业、钻孔作业、石门揭煤、事故引发、其他52第 50 卷 第 5 期2023 年 10 月 矿业安全与环保Mining Safety&Environmental Protection Vol.50 No.5Oct.2023表4(续)槽 名槽 值槽 F5:直接原因槽 F6:间接原因槽 F7:整改措施1.2 案例检索鉴于 K 最近邻算法在考虑多因素指标方面的优势22,选择该算法完成案例检索。该方法主要涉及局部相似度计算和全局相似度计算 2 个方面。1.2.1 局部相似度计算按照突出指标的数据类型将指标分为 2 类:数值类型和枚举类型。数值类型一般可分为确定数和区间数,可通过计算数据之间的空间距离来评估该类型属性之间的相似度23-24。开采深度、瓦斯压力、煤层平均厚度等为确定数类型指标,其属性相似度计算方法如式(2)所示:sim(Xi0,Yij)=1-d(Xi0,Yij)=1-Xi0-Yijmax(i)-min(i)(2)式中:sim(Xi0,Yij)为二者的属性相似度;Xi0、Yij分别为当前案例与历史案例的第 i 个属性值;d(Xi0,Yij)为二者的 Hamming 距离;max(i)、min(i)分别为历史案例库中第 i 个属性的最大值和最小值。枚举数据类型主要包含有序枚举和无序枚举2 类。针对煤体破坏类型等指标,使用有序枚举类型的特征相似度计算方法,如式(3)所示:sim(Xi0,Yij)=1-d(Xi0,Yij)=1-Xi0-Yijg(3)式中 g 为属性 i 取值的等级数量。针对地质构造等指标,采用无序枚举类型的特征相似度计算方法,如式(4)所示:sim(Xi0,Yij)=num(Xi0Yij)num(Xi0Yij)(4)式中 num(Xi0Yij)和 num(Xi0Yij)分别为 Xi0、Yij交集和并集中元素的个数。1.2.2 全局相似度计算在计算每个属性的局部相似度后,待测案例与历史案例的全局相似度可按式(5)计算:sim(X,Y)=mi=1isim(Xi,Yi)(5)式中:sim(X,Y)为案例 X 和 Y 的全局相似度;i为案例 X 和 Y 在第 i 个属性上的权重值,且所有权重相加总和为 1;sim(Xi,Yi)为案例 X 和 Y 在第 i 个属性的局部相似度。1.3 权重的 GWO 分配算法式(5)中的 i代表指标参数的重要性,数值越大则表明该指标越重要。指标权重的设置会对最终结果产生影响,合理设置指标权重可以提升 CBR 预警模型的求解性能。GWO 算法通过模拟灰狼族群的狩猎行为,并依据其种群内部互相协作的机制达到优化的目的。GWO 算法具有收敛性能强和容易实现等优点,且能够自动调节收敛因子和数据反馈机制,从而实现局部与全局搜索的均衡,在问题的求解精度等方面均表现出良好的效果25。1.3.1 灰狼种群等级划分灰狼种群具有严格的等级制度,如图 2 所示。其中,狼是狼群的领袖,代表模型的当前最优解;狼辅助 狼进行决策,代表当前次优解;狼服从 狼和 狼指令进行狩猎,代表当前一般解;狼服从于其他高等级狼,负责维持种群内部关系平衡,代表当前候选解。图 2 灰狼种群等级划分1.3.2 包围猎物将灰狼包围猎物的行为定义为:D=C Xp(t)-X(t)(6)X(t+1)=Xp(t)-A D(7)式中 D 表示灰狼与猎物间的距离,式(7)表示灰狼位置的更新。其中,t 为当前迭代次数;XP和 X分别为猎物和灰狼个体的位置向量;A 和 C 均为系数向量,其计算方式如下:A=2a r1-a(8)C=2 r2(9)式中:a 为收敛因子,随着迭代次数的增加从 2 线性减小到 0;r1、r2为0,1之间的随机数。当 A 1 时,灰狼远离猎物,进行全局搜索。C 的作用是在寻优过程中避免陷入局部最优解。1.3.3 捕食猎物灰狼种群的位置在不断变化,直到捕猎成功为止。捕猎过程的数学模型描述如下:62Vol.50 No.5Oct.2023 矿业安全与环保Mining Safety&Environmental Protection 第 50 卷 第 5 期2023 年 10 月D=C1 X(t)-X(t)D=C2 X(t)-X(t)D=C3 X(t)-X(t)(10)X1=X-A1 DX2=X-A2 DX3=X-A3 D(11)X(t+1)=X1+X2+X33(12)式中:D、D、D分别为、狼与猎物间的距离;X、X、X为、狼的当前位置;X 为当前灰狼个体的位置;X1、X2、X3为 向、狼进化的方向和步长;X(t+1)为 的最终位置。1.3.4 设计目标函数在对指标权重进行优化的过程中,通过判断目标函数值,可以确定权重的最优解,故目标函数的设置至关重要。合适的目标函数应同时考虑系统的响应速度和抗干扰能力。采用的目标函数 F 计算公式如下:F=Nk=1qk/N(13)式中:qk为第 k 个测试案例在当前属性权重下与其他案例的总相似度;N 为测试案例总数。灰狼优化算法最终流程如图 3 所示。图 3 GWO 算法流程图2 系统开发2.1 系统架构基于案例推理的突出预警系统使用 Java 编程语言和 MySQL 数据库,以 IntelliJ IDEA 为开发平台,采用浏览器/服务器(B/S)结构模式。浏览器由互联网访问 Web 后端服务器,再经由服务器向数据库提交请求,经过后端运算,将返回的结果发送到浏览器页面上。该系统可在 Windows 环境下使用,无需固定的客户端,即可快速便捷地获取信息。系统主页面如图 4 所示。图 4 CBR 突出预警系统主页面2.2 数据库与指标体系对近 10 年的煤矿瓦斯事故案例进行统计和数据处理,筛选出 34 起信息较为齐全的煤与瓦斯突出事故案例,构成基于案例推理的煤与瓦斯突出事故案例数据库,相关信息见表 5。表 5 煤与瓦斯突出事故案例数据库编号事故名称S1石港煤业“3 25”较大煤与瓦斯突出事故S2乔子梁煤矿“11 4”较大煤与瓦斯突出事故S3燎原煤矿“6 10”较大煤与瓦斯突出事故S4广隆煤矿“12 16”重大煤与瓦斯突出事故S5三甲煤矿“11 25”较大煤与瓦斯突出事故S6龙窝煤矿“7 29”较大煤与瓦斯突出事故S7兴隆煤矿“5 28”较大煤与瓦斯突出事故S8李子垭煤矿南二井“4 10”较大煤与瓦斯突出事故S9天安煤业十三矿“8 16”一般煤与瓦斯突出事故S10梓木嘎煤矿“8 6”重大煤与瓦斯突出事故S11新义矿业“5 22”一般煤与瓦斯突出事故S12中马村矿“5 14”较大煤与瓦斯突出事故S13滴道盛和煤矿“4 4”较大煤与瓦斯突出事故S14薛湖煤矿“5 15”较大煤与瓦斯突出事故S15文家坝二矿“3 7”较大煤与瓦斯突出事故S16兴峪煤业“1 4”重大煤与瓦斯突出事故S17松树镇煤矿“3 6”重大煤与瓦斯突出事故S18盛鑫煤矿“1 15”较大煤与瓦斯突出事故S19新兴煤矿“11 21”特大煤与瓦斯突出事故S20后溪煤矿“8 4”较大煤与瓦斯突出事故S21铁厂坡煤业“6 28”较大煤与瓦斯突出事故S22涌山煤矿“7 16”一般煤与瓦斯突出事故S23红票湾煤矿“1 3”较大煤与瓦斯突出事故S24曲江公司“9 30”重大煤与瓦斯突出事故S25新家煤矿二号井“7 2”较大煤与瓦斯突出事故S26赶家桥煤矿“5 4”较大煤与瓦斯突出事故72第 50 卷 第 5 期2023 年 10 月 矿业安全与环保Mining Safety&Environmental Protection Vol.50 No.5Oct.2023表5(续)编号事故名称S27青华龙叫煤业“4 16”较大煤与瓦斯突出事故S28私庄煤矿“11 10”特大煤与瓦斯突出事故S29小溪煤矿“2 27”较大煤与瓦斯突出事故S30寺河矿“5 20”重大煤与瓦斯突出事故S31汪家寨煤矿“3 27”重大煤与瓦斯突出事故S32五轮山煤矿“3 26”重大煤与瓦斯突出事故S33塞海二矿“5 4”重大煤与瓦斯突出事故S34资江煤矿“6 8”重大煤与瓦斯突出事故基于煤与瓦斯突出综合作用假说,本着易获取且指标间相互独立的原则,确定开采深度、瓦斯压力、煤层平均厚度、煤体破坏类型、地质构造类型、瓦斯含量等 6 个指标。结合煤与瓦斯突出事故其他信息,根据各数据的不同属性构建煤与瓦斯突出预警指标体系,如图 5 所示。图 5 煤与瓦斯突出预警指标体系3 实例验证3.1 案例表示2021 年 6 月 4 日,河南鹤煤六矿发生一起煤与瓦斯突出事故。以此为例,对构建的突出预警系统进行验证。根据矿井基本情况,筛选出用于表征该突出事故的主题信息和案例描述子框架,分别见表 67。表 6 主题信息子框架槽 名槽 值槽 T1:矿井名称鹤煤六矿槽 T2:案例地点河南省、鹤壁市槽 T3:所有制国有煤矿槽 T4:矿井属性煤与瓦斯突出矿井槽 T5:生产能力130 万 t/a槽 T6:开拓系统立井多水平上下山开拓槽 T7:通风系统两翼对角抽出式槽 T8:采煤方法表 7 案例描述子框架槽 名槽 值槽 I1:开采深度645 m槽 I2:瓦斯压力1.32 MPa槽 I3:煤层平均厚度8.7 m槽 I4:地质构造类型不存在明显地质构造槽 I5:煤体破坏类型类(强烈破坏)槽 I6:瓦斯含量3.2 案例检索结果及分析利用 GWO 算法对鹤煤六矿的属性权重进行优化,设置灰狼种群数量为 30,最大迭代次数为 100。对权重优化结果及全局相似度分析如下:1)按照 GWO 算法对鹤煤六矿煤与瓦斯突出各属性进行权重调优后发现:开采深度、瓦斯压力、煤层平均厚度、地质构造、煤体破坏类型等 5 个属性的归一化 权 重 分 别 为 0.223、0.222、0.353、0.097、0.095。据此按各特征属性对煤与瓦斯突出影响作用的大小进行排序:煤层平均厚度开采深度瓦斯压力煤体破坏类型地质构造类型。2)结合全局相似度最高的 3 个事故案例进行分析,其相似度计算结果见表8。鹤煤六矿不存在明显的地质构造,而鹤煤六矿与该 3 个案例在地质构造类型上的相似度均为 1,说明 3 个案例矿井均不存在明显的地质构造类型。所以即使局部相似度为1,但其所占权重最低。同理,煤体破坏类型的局部相似度所占权重也较低。煤层平均厚度、开采深度、瓦斯压力对应的局部相似度较高,所占权重也较高,说明这 3 个属性对突出的影响较大。表 8 相似度对比分析案例编号局部相似度开采深度瓦斯压力煤层平均厚度地质构造类型煤体破坏类型全局相似度S110.9200.7170.9951.0000.6000.949S290.9560.6330.8981.0000.8000.920S160.9060.6330.9361.0001.0000.9033)根据案例检索结果,可得到当前案例与被检索出的案例的全局相似度,如图 6 所示。全局相似度高于 0.8 的共有 6 个事故案例;且 S11 案例的全局相似度最高,为 0.949,参考价值最大。所以,可对S11 案例进行案例重用,用于当前案例即鹤煤六矿的突出隐患排查与决策。案例编号S 1 S 3 S 5 S 7 S 9S 1 1S 1 3S 1 5S 1 7S 1 9S 2 1S 2 3S 2 5S 2 7S 2 9S 3 1S 3 31.00.80.60.40.20全局相似度0.9 4 9图 6 鹤煤六矿煤与瓦斯突出事故案例检索结果82Vol.50 No.5Oct.2023 矿业安全与环保Mining Safety&Environmental Protection 第 50 卷 第 5 期2023 年 10 月3.3 案例重用1)鹤煤六矿各特征属性对煤与瓦斯突出影响作用大小排序为:煤层平均厚度开采深度瓦斯压力煤体破坏类型地质构造类型。可据此重点防治煤层厚度变化所引发的煤与瓦斯突出隐患。2)S11 案例与鹤煤六矿相似度最高,其全局相似度达 0.949,其事故发生信息具有重要预警作用。故将其作为相似案例进行学习,见表 9。表 9 S11 案例事故预警信息槽 名槽 值槽 F1:突出时间5 月 22 日,9 时 29 分槽 F2:突出地点掘进工作面槽 F3:突出预兆煤炮声槽 F4:诱导因素爆破作业槽 F5:直接原因新义矿业所采二1煤层为煤与瓦斯突出煤层;11090胶带巷掘进工作面位于突出危险区域,区域防突措施钻孔未施工到位,没有消除突出危险性;违章爆破诱发了煤与瓦斯突出,造成人员伤亡槽 F6:间接原因部分钻孔未严格按设计角度施工,且由于煤厚急剧增大,部分钻孔未能穿透煤层进入顶板,未对钻孔施工终孔位置进行考察验收,在煤层上部形成较大范围的抽采空白区域;效果检验原始瓦斯含量引用不当,残存瓦斯含量计算出现错误,造成效果检验报告结论不能真实反映工作面突出危险性;瓦斯异常,未按突出预兆进行分析,未重新采取区域防突措施,采用局部措施进行消突槽 F7:整改措施将以上案例重用结论与鹤煤六矿实际突出原因对比分析发现,确实存在防突效果检验失真,钻孔施工未有效落实等情况,且指标权重最大的煤层平均厚度在鹤煤六矿实际突出原因中也有所体现。由此得出,所搭建的基于案例推理的煤与瓦斯突出预警系统可有效预警突出危险并给出决策。4 结论1)提出一种基于 CBR 的突出预警模型。首先,采用 K 最近邻算法评估当前案例与各历史案例的指标相似度;然后,采用 GWO 算法进行权重优化并计算全局相似度;最后,检索出相似度最高的历史案例,并进行案例学习和案例保存。2)通过对数据库内容和实现方法的研究,构建了基于 CBR 的煤与瓦斯突出历史案例检索页面,完成了突出预警系统的架构设计和 Web 开发。3)以河南鹤煤六矿突出事故为例,对突出预警系统进行验证,结果表明:鹤煤六矿突出事故与 S11历史案例(新义矿业“522”一般煤与瓦斯突出事故)匹配相似度达 0.949。分析其事故发生原因,与该矿实际情况相一致。证明了本系统在预警与决策上的有效性。参考文献(References):1 王恩元,张国锐,张超林,等.我国煤与瓦斯突出防治理论技术研究进展与展望J.煤炭学报,2022,47(1):297-322.2 袁亮.煤矿典型动力灾害风险判识及监控预警技术研究进展J.煤炭学报,2020,45(5):1557-1566.3 梁运培,郑梦浩,李全贵,等.我国煤与瓦斯突出预测与预警研究综述J.煤炭学报,2023,48(8):2976-2994.4 詹锐.基于随机森林的超高层建筑安全事故案例推理研究D.扬州:扬州大学,2021.5 赵旭生,马国龙,乔伟,等.基于事故树分析的煤与瓦斯突出预警指标体系J.矿业安全与环保,2019,46(3):37-43.6 司鹄,赵剑楠,胡千庭.大数据理论下的煤与瓦斯突出事故致因分析J.西安科技大学学报,2018,38(4):515-522.7 FU G,XIE X C,JIA Q S,et al.Accidents analysis and prevention of coal and gas outburst:Understanding human errors in accidentsJ.Process Safety and Environmental Protection,2020,134(C):1-23.8 张培森,张晓乐,董宇航,等.20082021 年我国煤矿事故规律分析及预测研究J.矿业安全与环保,2023,50(2):136-140.9 郭玉梅,王高锋.生产安全事故调查处理中若干问题探讨 兼论生产安全事故报告和调查处理条例有关规定J.华北科技学院学报,2015,12(6):66-72.10 XU W T,HUANG Y J,SONG S H,et al.A new online optimization method for boiler combustion system based on the data-driven technique and the case-based reasoning principleJ.Energy,2023,263(PE):125508.11 LU Y,YIN L,DENG Y X,et al.Using cased based reasoning for automated safety risk management in construction industry J.Safety Science,2023,163:106113.12 陈若兰.基于案例推理的煤矿灾害事故预警研究与应用D.北京:北京化工大学,2020.13 姚鑫,郭海湘,顾明赟,等.基于案例推理的滑坡灾害应急相似案例智能生成研究J.系统工程理论与实践,2021,41(6):1570-1584.14 ZHAO Z,CHEN J H,YAO J M,et al.An improved spatial case-based reasoning considering multiple spatial drivers of geographic events and its application in landslide susceptibility mappingJ.Catena,2023,223:106940.15 许慧,张久鹏.城市轨道交通运营安全事故多圈层匹配创新研究J.中国安全生产科学技术,2023,19(1):183-189.(下转第 36 页)92第 50 卷 第 5 期2023 年 10 月 矿业安全与环保Mining Safety&Environmental Protection Vol.50 No.5Oct.202312.1%内,能够实现温度的快速预测。参考文献(References):1 张培森,张晓乐,董宇航.20082021 年我国煤矿事故规律分析及预测研究J.矿业安全与环保,2023,50(2):136-140.2 王德明,邵振鲁,朱云飞.煤矿热动力重大灾害中的几个科学问题J.煤炭学报,2021,46(1):57-64.3 孔彪,钟建辉,陆伟,等.煤升温过程中声发射信号变化及产生机制研究J/OL.煤炭科学技术:1-8(2023-01-18)2023-10-03.https:/doi.org/10.13199/ki.cst.2022-1851.4 任万兴,郭庆,石晶泰,等.基于标志气体统计学特征的煤自燃预警指标构建J.煤炭学报,2021,46(6):1747-1758.5 邢震.基于多参数监测系统的采空区遗煤自燃监测方案J.能源技术与管理,2019,44(5):7-9.6 郭军,金彦,王帆,等.基于 Logistic 回归分析的煤自燃多级预警方法研究J.中国安全生产科学技术,2022,18(2):88-93.7 CHEN L,QI X,TANG J,et al.Reaction pathways and cyclic chain model of free radicals during coal spontaneous combustionJ.Fuel,2021,293:1-10.8 张天宇,鲁义,施式亮,等.基于支持向量机分类算法的多煤种煤自燃危险性预测J.湖南科技大学学报(自然科学版),2019,34(2):11-17.9 汪伟,梁然,祁云,等.基于 PSO-BPNN 的煤自燃危险性预测模型J.中国安全科学学报,2023,33(7):127-132.10 张志旭,杨胜强,蔡佳文,等.基于加权马氏距离-灰靶决策模型的煤自燃程度判定方法J.中国科技论文,2022,17(5):508-515.11 肖粲俊,刘红梅,石发强,等.基于数字孪生的煤矿智能管控平台架构研究与实现J/OL.矿业安全与环保:1-9(2023-03-17)2023-03-19.http:/ 仲晓星,王建涛,周昆.矿井煤自燃监测预警技术研究现状及智能化发展趋势J.工矿自动化,2021,47(9):7-17.13 王民华,牛显.基于数据重构增强的采空区遗煤自燃预测模型J.煤矿安全,2022,53(9):86-93.14 周旭,朱毅,张九零,等.基于 PSO-XGBoost 的煤自燃程度预测研究J.矿业安全与环保,2022,49(6):79-84.15 李光宇,李守军,缪燕子.基于机器视觉和灰色模型的矿井外因火灾辨识与定位方法J.矿业安全与环保,2023,50(2):82-87.16 邓军,雷昌奎,曹凯,等.采空区煤自燃预测的随机森林方法J.煤炭学报,2018,43(10):2800-2808.17 LEI C,DENG J,CAO K.A comparison of random forest and support vector machine approaches to predict coal spontaneous combustion in gobJ.Fuel,2019,239(3):297-311.18 MIRJALILI S,LEWIS A.The whale optimization algorithmJ.Advances in Engineering Software,2016,95:51-67.19 JIANG R,YANG M,et al.An improved whale optimization algorithm with armed force program and strategic adjustmentJ.Applied Mathematical Modelling,2020,81:603-623.20 秋兴国,王瑞知,张卫国,等.基于混合策略改进的鲸鱼优化算法J.计算机工程与应用,2022,58(1):70-78.(责任编辑:熊云威)(上接第 29 页)16 谷茂强,徐安军,刘旋,等.基于数据驱动的转炉二吹阶段钢水温度动态预测模型J.工程科学学报,2022,44(9):1595-1606.17 严爱军,丁凯.基于 SHO-SA 算法的案例推理预测模型特征权重优化J.北京工业大学学报,2022,48(4):355-366.18 蒋天伦,王艳.融合案例推理与混合群智能的离散制造系统能效优化方法J.信息与控制,2020,49(3):323-342.19 ZHANG Y,XU T H,CHEN C,et al.A hierarchical method based on improved deep forest and case-based reasoning for railway turnout fault diagnosis J.Engineering Failure Analysis,2021,127:105446.20 周先虎.基于 CBR 的铁路突发事件应急决策研究D.成都:西南交通大学,2018.21 杨梦,陈宁,范誉航.煤矿事故案例存储与检索研究J.煤炭科学技术,2021,49(9):103-109.22 赵嘉,陈磊,吴润秀,等.K 近邻和加权相似性的密度峰值聚类算法J.控制理论与应用,2022,39(12):2349-2357.23 许瑞丽,徐泽水.区间数相似度研究J.数学的实践与认识,2007,37(24):1-8.24 仰彦妍.基于本体的煤矿灾害事故案例推理研究D.徐州:中国矿业大学,2019.25 邓飞,魏祎璇,刘奕巧,等.灰狼优化算法的改进及其应用J.统计与决策,2023,39(11):18-24.(责任编辑:陈玉涛)63Vol.50 No.5Oct.2023 矿业安全与环保Mining Safety&Environmental Protection 第 50 卷 第 5 期2023 年 10 月