一种顶板巷瓦斯抽采智能调控方法

技术领域

本发明涉及煤矿瓦斯抽采技术领域，具体涉及一种顶板巷瓦斯抽采智能调控方法。

背景技术

在低渗煤层群开采中，利用首采层采动对邻近层瓦斯的卸压增透作用，构建顶板巷强化抽采卸压瓦斯，以实现煤与瓦斯共采，是提高低渗煤层瓦斯抽采率的有效途径。然而当覆岩存在典型关键层的情况，随煤层开采关键层未能及时破断，常导致顶板巷瓦斯抽采效果不佳，工作面瓦斯超限。覆岩关键层的移动与破断决定了岩层采动裂隙的演化规律，是影响邻近层瓦斯卸压与运移的关键因素，也是影响采空区瓦斯流场分布特征及顶板巷瓦斯抽采效果的关键因素。因此，在顶板巷抽采过程中，对顶板巷下伏关键层进行主动破断，诱导关键层破断和控制其破断形态，以改变邻近层卸压瓦斯的动态涌出过程，实现对采空区瓦斯流场的调控，是从瓦斯卸压运移源头提高顶板巷瓦斯抽采效果的可行办法。然而，在工作面开采过程中，关键层破断特征参数需要通过人工决策调控，存在人工调控多凭经验、精度受限、响应速度慢无法及时处理突发情况、无法实现自动化的问题，难以适应井下瓦斯抽采系统的自动化发展趋势，也无法满足现代化生产需要。因此需要提出一种基于调控关键层破断的顶板巷瓦斯智能调控方法。

发明内容

发明目的：针对现有技术的不足，本发明提出了一种顶板巷瓦斯抽采智能调控方法。

技术方案：为实现上述目的，该方法以安全采煤与瓦斯抽采效率指标为约束条件，将顶板巷最大瓦斯抽采纯量与上隅角最低瓦斯浓度作为目标函数，建立基于关键层主动破断的瓦斯流场调控神经网络模型。具体的，本发明的顶板巷瓦斯抽采智能调控方法包括以下步骤：

S1.收集顶板巷瓦斯抽采数据，建立顶板巷瓦斯抽采数据库，所述顶板巷瓦斯抽采数据库包含多条顶板巷瓦斯抽采数据，每条顶板巷瓦斯抽采数据包括相对固定的地质数据、可调的开采数据和瓦斯抽采效果数据；所述可调的开采数据包括关键层破断距，该关键层位于顶板巷与回采煤层之间；

S2.顶板巷瓦斯抽采数据处理，将顶板巷瓦斯抽采数据库中的多条顶板巷瓦斯抽采数据进行划分，划分为训练集、验证集和测试集；

S3.建立基于关键层主动破断的瓦斯流场调控神经网络模型，包括构建神经网络模型的输入层、隐藏层和输出层；输入层的输入特征量为相对固定的地质数据和可调的开采数据；输出层的输出特征量为瓦斯抽采效果数据；确定激活函数；定义损失函数J(w)用于计算神经网络模型预测值与实际值之间的误差；采用Adam优化算法通过有限次迭代优化神经网络模型的权重；

利用训练集训练神经网络模型，在神经网络模型迭代过程中通过Adam优化算法不断降低训练集的损失函数计算的损失值J(w)

S4.基于关键层主动破断的瓦斯流场调控神经网络模型的顶板巷瓦斯抽采智能调控，包括设定顶板巷瓦斯抽采安全约束条件和效率约束条件；建立目标函数；将瓦斯抽采效果数据作为被控量，关键层破断距作为控制量，动态调节控制量使用基于关键层主动破断的瓦斯流场调控神经网络模型预测被控量的输出值，找到使被控量最接近目标函数的控制量数值，输出关键层破断距的最优结果。

优选的，步骤S1中，所述相对固定的地质数据包括煤层采高，煤层瓦斯含量，工作面瓦斯涌出量，关键层厚度，关键层与煤层顶板的距离，工作面开采长度，顶板巷距煤层顶板高度。

优选的，步骤S1中，所述可调的开采数据还包括工作面风量。

优选的，步骤S1中，所述瓦斯抽采效果数据包括顶板巷瓦斯抽采纯量，回风巷瓦斯浓度，上隅角瓦斯浓度，抽采系统效能比。

优选的，步骤S2还包括，对含异常值和/或缺失值的顶板巷瓦斯抽采数据进行剔除处理。

优选的，步骤S2还包括，采用Z-score算法对顶板巷瓦斯抽采数据进行归一化处理。

优选的，步骤S3中，隐藏层的层数为2～4层；隐藏层神经元数目为b，

优选的，步骤S3中，激活函数为ReLU，a＝max(0,z)；其中z为上一层神经网络的输出向量。

优选的，步骤S3中，采用均方误差损失函数

优选的，步骤S4中，所述安全约束条件为上隅角瓦斯浓度和回风巷瓦斯浓度应小于矿井要求下限；所述效率约束条件为抽采系统效能比应大于矿井最低要求值。

优选的，步骤S4中，目标函数为顶板巷瓦斯抽采纯量Q

本发明的发明点与有益效果：本发明提出了一种顶板巷瓦斯抽采智能调控方法，该调控方法将关键层破断距作为控制量，采用关键层人工主动破断方法，通过改变关键层破断距来调控瓦斯流场，从源头上提高了顶板巷瓦斯抽采效率；而且给出了一种智能解算方法，可根据不同的工况，快速、精准的给出最优的关键层破断距，为顶板巷瓦斯抽采智能调控提供依据，为矿井安全生产提供保障。

附图说明

图1为本发明顶板巷瓦斯抽采智能调控方法中关键层主动破断倾向示意图；

图2为本发明顶板巷瓦斯抽采智能调控方法中关键层主动破断走向示意图；

图中，1-上覆岩层；2-关键层；3-直接顶；4-回采煤层；5-关键层主动破断预裂线；6-顶抽巷；7-回风巷；8-进风巷。

具体实施方式

在具体实施方式部分，将基于附图1-2对本发明的技术方案进行细致的阐述，图中4为回采煤层，其所在的回采工作面倾向两侧分别为回风巷7、进风巷8；关键层2位于回采煤层4与顶抽巷6之间，顶抽巷6位于关键层上部的上覆岩层1内，关键层2与回采煤层之间为直接顶3。

具体的，本发明的一种顶板巷瓦斯抽采智能调控方法，包括如下步骤：

S1.基于现场工程实践收集顶板巷瓦斯抽采数据，建立顶板巷瓦斯抽采数据库，所述顶板巷瓦斯抽采数据库包含多条顶板巷瓦斯抽采数据，每条顶板巷瓦斯抽采数据包括相对固定的地质数据、可调的开采数据和瓦斯抽采效果数据，所述相对固定的地质数据包括煤层采高m，煤层瓦斯含量S，工作面瓦斯涌出量W

S2.顶板巷瓦斯抽采数据处理

S21.收集的顶板巷瓦斯抽采数据由于人为等因素的影响可能会产生数据异常和数据缺失情况，这会干扰后续神经网络模型的学习和训练，因此需要对含异常值和/或缺失值的顶板巷瓦斯抽采数据进行剔除处理；

S22.顶板巷瓦斯抽采数据归一化处理

采用Z-score算法对顶板巷瓦斯抽采数据进行归一化处理，防止量纲对后续神经网络模型的学习和训练造成影响；Z-score算法公式为：

S23.顶板巷瓦斯抽采数据划分

对顶板巷瓦斯抽采数据库中的多条顶板巷瓦斯抽采数据进行划分，划分为训练集、验证集和测试集，划分比例可根据需要确定，在本实施例中训练集、验证集和测试集中顶板巷瓦斯抽采数据条数的比例为7：1.5：1.5。训练集主要用于运行学习算法，训练神经网络模型；验证集主要用于查看神经网络模型训练效果，防止神经网络模型过拟合，其中过拟合指神经网络模型利用训练集训练得到的训练后的神经网络模型与训练集吻合程度过高，但采用训练集以外的数据集(如验证集、测试集)进行预测时得到的结果不准确，偏差过大；测试集只用于评估训练后的神经网络模型性能，不会调整优化训练后的神经网络模型；

S3.建立基于关键层主动破断的瓦斯流场调控神经网络模型

S31.首先构建神经网络模型的输入层、隐藏层和输出层；在本实施例中，输入层神经元数量设为9个，将煤层采高m，煤层瓦斯含量S，工作面瓦斯涌出量W

输出层神经元数量为4个，输出的特征信息为顶板巷瓦斯抽采纯量Q

隐藏层的层数和神经元数目是神经网络模型的两个重要参数，它们会影响神经网络模型的表达能力和泛化能力，选择不合适容易造成神经网络模型的过拟合或欠拟合；在本实例构建的神经网络模型的隐藏层的层数为2～4层；根据经验公式确定隐藏层神经元数目b，

S32.确定激活函数，激活函数的作用是实现特征空间的非线性转换，即实现输入层到隐藏层，隐藏层到输出层的非线性转换；在本实施例中，输入层到隐藏层和隐藏层到输出层的激活函数为ReLU，a＝max(0,z)；其中z为上一层神经网络的输出向量，例如在神经网络模型中存在两个隐藏层，从输入层到输出层依次经过输入层、第一隐藏层、第二隐藏层、输出层，则输入层到第一隐藏层的输入向量z为输入层的输入向量，从第一隐藏层到第二隐藏层的输入向量z为第一隐藏层的计算结果，依次类推直至输出层；

S33.定义损失函数J(w)用于计算神经网络模型预测值与实际值之间的误差；在本实施例中，采用均方误差损失函数，通过极小化降低均方误差损失函数的损失值，使得神经网络模型预测值与实际值数值差异尽量小；本实施例选择的损失函数

S34.选择优化算法，由于神经网络模型的损失函数较复杂，很难直接求解损失函数最小值，所以在本实施例中采用Adam优化算法通过有限次迭代优化神经网络模型的权重，偏差等相关参数，以尽可能降低损失函数的损失值；Adam算法可通过自适应地估计每个神经网络模型的权重，偏差等参数的一阶矩(均值)和二阶矩(方差)来动态调整学习率，这有助于在训练过程中更快地收敛，并且可以处理稀疏梯度和非平稳目标函数；

S35.向神经网络模型传入训练集、验证集，首先利用训练集训练神经网络模型，在神经网络模型迭代过程中通过步骤S34中的优化算法不断降低训练集的损失函数计算的损失值J(w)

S36.将测试集传入步骤S35所得的神经网络模型，评估神经网络模型的准确性，将测试集的输入量输入神经网络模型得到预测值，若预测值与实际值相近(两者差值在5％以内)，则认为神经网络模型预测正确；神经网络模型预测的准确率等于正确预测的样本数量与测试集总样本数量之比，若准确率低于90％，则需要对神经网络模型进行优化，优化方法包括人工调整隐藏层神经元数量、层数以及迭代次数，随后重复步骤S35、S36直至神经网络准确率不低于90％；最终得到基于关键层主动破断的瓦斯流场调控神经网络模型；

S4.基于关键层主动破断的瓦斯流场调控神经网络模型的顶板巷瓦斯抽采智能调控

S41.设定顶板巷瓦斯抽采安全约束条件和效率约束条件，所述安全约束条件为上隅角瓦斯浓度

S42.建立目标函数，调控关键层破断距的目的是为了是顶板巷瓦斯抽采效果最好，能够最大程度的降低工作面瓦斯，更好的保障工作面的安全生产；因此在本实施例中建立的目标函数是：顶板巷瓦斯抽采纯量Q

S43.将顶板巷瓦斯抽采量Q

在本实施例中，关键层自然破断距为16m，在基于关键层主动破断的瓦斯流场调控神经网络模型中通过动态调节控制量使被控量在任意时刻无限趋近目标函数的控制量数值，在本实施例中，关键层破断距以5％递减进入基于关键层主动破断的瓦斯流场调控神经网络模型中迭代循环，即关键层破断距应经历16m、15.2m、14.4m、13.6m、12.8m等，基于关键层主动破断的瓦斯流场调控神经网络模型预测输出每个关键层破断距所对应的被控量数值，筛选出同时满足安全约束条件和效率约束条件的关键层破断距，比较被控量顶板巷瓦斯抽采纯量Q

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。