基于門循環(huán)單元神經(jīng)網(wǎng)絡(luò)模型的煤層底板突水動(dòng)態(tài)預(yù)測

鄧 強(qiáng)，張召千，王 震

(1.太原理工大學(xué) 礦業(yè)工程學(xué)院，太原 030024；2.秦皇島工程設(shè)計(jì)研究院有限公司，河北 秦皇島 066000)

煤炭是我國的戰(zhàn)略性能源，在貧油、少氣、富煤的能源結(jié)構(gòu)下，煤炭依然會(huì)被長期依賴[1]。而在煤礦開采過程中，經(jīng)常會(huì)存在大量的安全隱患[2]。其中煤層底板突水問題一直是受到專家學(xué)者關(guān)注的安全問題[3-6]。目前，煤炭開采環(huán)境復(fù)雜，煤層底板突水頻發(fā)，但突水預(yù)測能力依舊不足，對(duì)煤礦的安全生產(chǎn)造成了重大威脅。

國內(nèi)外專家學(xué)者研究煤層底板突水問題時(shí)，會(huì)將其與煤層底板突水機(jī)理有效地結(jié)合，科學(xué)提出煤層底板突水影響因素指標(biāo)體系，再通過一系列靜態(tài)預(yù)測模型，如回歸分析[7]、數(shù)據(jù)挖掘[8-9]、支持向量機(jī)[10-12]、神經(jīng)網(wǎng)絡(luò)[13-15]及極限學(xué)習(xí)機(jī)[16-17]等方法對(duì)煤層底板突水進(jìn)行預(yù)測。這些煤層底板突水預(yù)測模型在煤礦生產(chǎn)中的應(yīng)用，提高了煤礦突水的預(yù)測能力，防范于未然。

但在煤礦的實(shí)際開采過程中，某一回采點(diǎn)對(duì)煤層底板突水影響是由多種因素組成的，如地質(zhì)構(gòu)造、煤層厚度、煤層傾角等，并且這些因素會(huì)隨著采動(dòng)的進(jìn)行影響權(quán)重，所以煤層底板突水預(yù)測不能簡單地當(dāng)成一個(gè)靜態(tài)問題處理，需要考慮采動(dòng)影響下的動(dòng)態(tài)變化[18]。針對(duì)該問題，本文提出了動(dòng)態(tài)預(yù)測模型：門循環(huán)單元(gated recurrent unit，簡稱GRU)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，該模型能夠充分利用采動(dòng)過程中收集的時(shí)間序列數(shù)據(jù)，過濾監(jiān)測過程中的缺失數(shù)據(jù)及干擾數(shù)據(jù)，通過對(duì)一系列樣本數(shù)據(jù)變化規(guī)律的學(xué)習(xí)，實(shí)時(shí)更新影響因素的變化，精確地對(duì)煤層底板突水進(jìn)行預(yù)測，提高煤礦生產(chǎn)安全。

1 煤層底板突水指標(biāo)體系

煤層底板突水是復(fù)雜的非線性問題，它受到多種因素的影響，并且隨著開采的進(jìn)行其影響因素也會(huì)產(chǎn)生動(dòng)態(tài)變化。早在20世紀(jì)60年代就有學(xué)者提出突水系數(shù)法用于煤層底板突水預(yù)測[19]。后來的許多學(xué)者不斷對(duì)突水系數(shù)法進(jìn)行完善，同時(shí)，“下三帶”理論、薄板理論、“強(qiáng)滲通道”說及關(guān)鍵層理論等基于經(jīng)驗(yàn)公式和力學(xué)模型的突水理論也相繼發(fā)展起來[18]。

通過總結(jié)以往煤層底板突水理論，本文選擇煤礦突水實(shí)例的工作面煤層底板突水?dāng)?shù)據(jù)以及正?；夭蓪?shí)測數(shù)據(jù)進(jìn)行分析，如表1所示。

表1 礦區(qū)部分現(xiàn)場實(shí)測數(shù)據(jù)Table 1 Partial field measured data in mining area

影響突水的因素是多方面的，突水機(jī)理是非常復(fù)雜的，一般影響突水的因素包括地質(zhì)構(gòu)造、底板隔水層、底板承壓水、礦山壓力和開采活動(dòng)等幾個(gè)方面。這些因素對(duì)煤礦突水影響程度各不相同，具體到某突水事故可能是單個(gè)因素的作用結(jié)果，也可能是幾個(gè)因素組合反映的作用。我們需要具體研究分析每一種因素對(duì)礦井突水的影響方式和作用，就可以有針對(duì)性地進(jìn)行預(yù)測和采取有效的預(yù)防措施。

抗突水的唯一重要因素阻抗突水能力的大小取決于巖石的力學(xué)性質(zhì)隔水層的厚度及其組合關(guān)系。底板承壓水對(duì)突水的影響受到水壓大小和所含水量等因素的影響，水壓是造成底板突水的前提條件和動(dòng)力源泉，其作用主要是對(duì)底板巖層中的裂隙和節(jié)理進(jìn)行沖刷，使得承壓水滲透量上升，當(dāng)遇到不同路徑的通道接近煤層時(shí)，承壓水可能趁勢流入導(dǎo)致突水。除了導(dǎo)水?dāng)鄬釉斐晒ぷ髅嫱凰虿删蚬ぷ鹘衣冻渌?，礦山壓力對(duì)采煤工作面底板突水有著非常大的影響。因此，開采活動(dòng)對(duì)底板突水的影響是通過對(duì)以上幾個(gè)方面的部分或綜合影響表現(xiàn)出來。但是隨著回采工作的進(jìn)行，煤層自身及上覆和下覆巖層的原始應(yīng)力狀態(tài)發(fā)生了變化，承壓含水層和底板各巖層之間所處的相對(duì)平衡狀態(tài)發(fā)生改變，其開采活動(dòng)的影響正是表現(xiàn)在使原始的應(yīng)力狀態(tài)重新分布，頂?shù)装鍘r層受到破壞的過程。

本文提出了煤層底板突水影響因素指標(biāo)體系，如表2所示。煤層底板突水影響因素指標(biāo)體系被劃分成5個(gè)一級(jí)指標(biāo)和15個(gè)二級(jí)指標(biāo)。

表2 煤層底板突水影響因素指標(biāo)體系Table 2 Index system of influencing factors of water inrush from coal floor

2 GRU神經(jīng)網(wǎng)絡(luò)

數(shù)據(jù)在傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中傳遞是先從輸入層到隱含層，再從隱藏層進(jìn)入輸出層，層間傳播呈現(xiàn)全連接形式，而層內(nèi)的節(jié)點(diǎn)之間不存在聯(lián)系，模型無法很好地處理數(shù)據(jù)的時(shí)間序列問題。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN))的提出很好地解決了數(shù)據(jù)的時(shí)間序列問題，但RNN在計(jì)算時(shí)存在梯度消失問題，GRU的出現(xiàn)徹底解決了這個(gè)問題[20]。圖1為GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。GRU是RNN的改進(jìn)版本，它在RNN的基礎(chǔ)上通過增加狀態(tài)c來確保在長期狀態(tài)下能夠長久保存，解決了之前僅僅一個(gè)隱層狀態(tài)h的局面。

圖1 GRU神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 GRU neural network structure

圖2為GRU神經(jīng)網(wǎng)絡(luò)模型單位結(jié)構(gòu)圖。GRU單元中含更新門zt、重置門rt、輸入xt、輸出ht，t-1表示上一時(shí)刻，t表示當(dāng)前時(shí)刻。重置門決定上一時(shí)刻的單元信息是否被記住或者遺忘，更新門決定單元信息是否被刪除或新信息是否被添加。隱藏層通過使用One-Hot編碼進(jìn)行二維向量輸出，在隱藏層傳遞最后一個(gè)時(shí)間單元的輸出值給輸出層后，SoftMax分類器會(huì)對(duì)其進(jìn)行解碼，將其轉(zhuǎn)化為代表預(yù)測結(jié)果的0和1，其中1代表突水，0代表不突水。

圖2 GRU神經(jīng)網(wǎng)絡(luò)模型單元結(jié)構(gòu)圖Fig.2 GRU neural network model unit structure

式(1)表示此模型的損失函數(shù)：

J(θ)=-∑(x(i),y(i))∈Dlog(p(y=y(i)|x(i),θ)) .

(1)

式中：θ為模型參數(shù)；D表示樣本數(shù)據(jù)構(gòu)成的訓(xùn)練集；(x(i)，y(i))表示訓(xùn)練集中第i個(gè)樣本數(shù)據(jù)，x(i)是10維的向量，y(i)的取值僅有0和1，分別表示不突水和突水；p(y=y(i)|x(i))，θ)表示樣本(x(i) ，y(i))突水(不突水)的概率。

3 煤礦實(shí)測數(shù)據(jù)采集及處理

3.1 數(shù)據(jù)來源

本文研究的某煤礦含煤層為侏羅系中統(tǒng)延安組，根據(jù)巖性、巖相、沉積旋回及煤巖組合特征分為三段:第一段含4、4-1、4-2煤，第二段含4上-2、4上-1煤，第三段含3煤。礦井目前開采4煤層，4煤層屬于穩(wěn)定可采煤層，底板為泥巖。礦區(qū)主要屬中生代承壓水盆地范疇，勘探階段未揭露大型斷層，僅在采掘過程中揭露部分小型斷層，因此該礦的充水通道主要受采動(dòng)影響。

回采工作面位于礦區(qū)二采區(qū)中部。煤層頂板為深灰色炭質(zhì)泥巖和灰白色中砂巖，工作面地質(zhì)構(gòu)造相對(duì)簡單。工作面三岔口以北263 m存在一正斷層，斷層面膠結(jié)性良好，透水性較差。三岔口以北516 m處存在一逆斷層，斷層發(fā)育高度較小，掘進(jìn)過程中頂板存在淋水現(xiàn)象，水量較小且持續(xù)時(shí)間較短。NY103工作面中部有一走向EW的向斜構(gòu)造，北翼傾向SW，傾角3°～8°，南翼傾向NW，傾角3°～11°.回采過程中頂板淋水、NY105工作面采空區(qū)積水等將全部流向向斜軸部，有可能造成工作面突水。

本文選取該煤礦突水實(shí)例的工作面煤層底板突水?dāng)?shù)據(jù)以及正?；夭蓪?shí)測數(shù)據(jù)進(jìn)行分析(如表1所示)。

3.2 數(shù)據(jù)歸一化處理

由于原始數(shù)據(jù)中各項(xiàng)數(shù)據(jù)相互間有較大的差別，例如其數(shù)據(jù)類型有差別、數(shù)據(jù)采用的量綱也不同、絕對(duì)值存在較大的差值，因此需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，否則會(huì)對(duì)模型的運(yùn)行產(chǎn)生較大影響。輸入樣本中包含邏輯型數(shù)據(jù)和數(shù)值型數(shù)據(jù)，前者使用0和1表示，后者運(yùn)用線性轉(zhuǎn)換方式把輸入數(shù)據(jù)的范圍投射到[0，1]區(qū)間，其轉(zhuǎn)換方式如式(2)所示：

(2)

式中：x(p，i)為樣本p中第i個(gè)數(shù)據(jù)進(jìn)行歸一化處理后的數(shù)值；x0(p，i)為樣本p中第i個(gè)數(shù)據(jù)進(jìn)行歸一化處理前的數(shù)值；xmin(i)為全部樣本中第i個(gè)數(shù)據(jù)的最小值；xmax(i)為全部樣本中第i個(gè)數(shù)據(jù)的最大值。

3.3 基于Wrapper評(píng)價(jià)的特征選擇

特征選擇是將冗余特征去掉，將輸入向量空間維數(shù)減小，同時(shí)將學(xué)習(xí)樣本進(jìn)行優(yōu)化，是對(duì)輸入數(shù)據(jù)使用降維操作的一個(gè)步驟，可以明顯提升訓(xùn)練效率。針對(duì)煤層底板突水預(yù)測問題，各個(gè)地區(qū)的煤礦處于不同的地理位置，并且各個(gè)地區(qū)煤礦的主控因素千差萬別，因此存在各種各樣導(dǎo)致突水的原因。在現(xiàn)場收集的數(shù)據(jù)不僅數(shù)據(jù)量非常大，同時(shí)存在許多無關(guān)緊要的冗余數(shù)據(jù)，而這些數(shù)據(jù)會(huì)對(duì)模型的訓(xùn)練效率產(chǎn)生影響，所以需要預(yù)先去掉這些冗余數(shù)據(jù)。

在突水預(yù)測問題方面，可以采用Wrapper評(píng)價(jià)策略，因?yàn)樵紭颖镜臄?shù)據(jù)量比較小，其數(shù)據(jù)特征只有15維，在保證準(zhǔn)確率的情況下，運(yùn)算速度也不至于太慢。因此本文選用基于Wrapper評(píng)價(jià)策略的特征選擇方法[21]。

以下為該特征選擇方法的詳細(xì)過程和計(jì)算結(jié)果：

將原始特征集合內(nèi)的所有特征進(jìn)行編號(hào)，開始第一輪的特征選擇，號(hào)碼“1，2，…，15”分別代表“煤層傾角、煤層厚度、構(gòu)造有無、斷層落差、裂隙帶有無、采動(dòng)破壞深度、采高、開采面積、走向長度、含水層厚度、水壓、距工作面距離、灰?guī)r段厚度、砂巖段厚度、泥巖段厚度”。在15維的原始特征集合內(nèi)每次刪掉號(hào)碼i的特征(i=1，2，…，15)，把剩下的14維特征用特征子集Mi(i=1，2，…，15)表示，從而獲得M1，M2，…，M15共15個(gè)特征子集；并且，用子集M0表示原始特征集合。把子集M0，M1，M2，…，M15按順序輸入模型，對(duì)GRU神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將預(yù)測準(zhǔn)確率的大小用作評(píng)判結(jié)果好壞的標(biāo)準(zhǔn)，選用“十折交叉驗(yàn)證法”對(duì)錯(cuò)誤率進(jìn)行運(yùn)算。Mi(i=0，1，…，15)的錯(cuò)誤率分別由xi(i=0，1，…，15)表示。把xi(i=1，2，…，15)分別與x0做對(duì)比，如果相互間的差值很小，就假設(shè)僅去掉號(hào)碼i的特征之后，對(duì)整體的誤差率不會(huì)產(chǎn)生太大影響，將其認(rèn)定為待定冗余特征。

圖3為各個(gè)子集第一輪特征選擇時(shí)的誤差率計(jì)算結(jié)果，由圖可知，“x0，x3，x9，x12，x15”這5個(gè)點(diǎn)的誤差率較低，將不去除子集中任意特征的誤差率設(shè)為x0，“x3，x10，x13，x15”代表在原始的特征子集中僅單獨(dú)去掉“構(gòu)造有無、含水層厚度、灰?guī)r段厚度、泥巖段厚度”這四個(gè)特征后的誤差率。故而，“構(gòu)造有無、含水層厚度、灰?guī)r段厚度、泥巖段厚度”被判定為待定冗余特征。同時(shí)，因?yàn)閤3和x0最為相近，因此認(rèn)定與其對(duì)應(yīng)的“構(gòu)造有無”為冗余特征，再把該特征從原始集合中剔除，集合變成14維，然后進(jìn)行第二輪特征選擇。和第一輪相同，第二輪特征選擇對(duì)每個(gè)特征重新編號(hào)，重復(fù)一遍第一輪的過程。

圖3 各個(gè)子集在第一輪特征選擇時(shí)的誤差率Fig.3 Error rate of each subset in the first round of feature selection

圖4為各個(gè)子集在第五輪特征選擇時(shí)的誤差率。如圖所示，從集合中單獨(dú)去除某一特征后，都顯著影響了最后的誤差率，可以表明“煤層傾角、煤層厚度、斷層落差、裂隙帶有無、采動(dòng)破壞深度、采高、開采面積、走向長度、水壓、距工作面距離、砂巖段厚度”這11項(xiàng)特征和煤層底板突水是密切相關(guān)的。同時(shí)前四輪已去除的4項(xiàng)特征被認(rèn)定為冗余特征，分別為“構(gòu)造有無、含水層厚度、灰?guī)r段厚度、泥巖段厚度”。

圖4 各個(gè)子集在第五輪特征選擇時(shí)的誤差率Fig.4 Error rate of each subset in the fifth round of feature selection

4 煤層突水GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型的建立

4.1 GRU預(yù)測模型的訓(xùn)練

GRU神經(jīng)網(wǎng)絡(luò)模型可以學(xué)習(xí)時(shí)間序列數(shù)據(jù)。由上文可知，數(shù)據(jù)維數(shù)已由15維降到11維，在進(jìn)行分類和劃分?jǐn)?shù)據(jù)集后，就可輸入到模型中。通過回采點(diǎn)與時(shí)間段的差異，對(duì)數(shù)據(jù)進(jìn)行排序分組，然后把分組好的數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測試集；每個(gè)部分所占的比例不同，其中訓(xùn)練集是分組好的數(shù)據(jù)中隨機(jī)抽取60%所構(gòu)成，驗(yàn)證集為20%，測試集為20%.

在訓(xùn)練過程中，每次訓(xùn)練輸入一組數(shù)據(jù)，把模型預(yù)測結(jié)果和實(shí)際結(jié)果對(duì)比，從而得到誤差率，之后采用優(yōu)化算法對(duì)權(quán)重矩陣進(jìn)行更新，提高預(yù)測準(zhǔn)確率。在全部數(shù)據(jù)都輸入模型得到預(yù)測結(jié)果，并進(jìn)行權(quán)重調(diào)整后，對(duì)模型的一輪訓(xùn)練才算結(jié)束。同時(shí)，根據(jù)實(shí)際情況確定訓(xùn)練的輪數(shù)。

4.2 訓(xùn)練結(jié)果分析

圖5為GRU神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率及損失情況。圖5(a)代表訓(xùn)練集上預(yù)測的準(zhǔn)確率變化動(dòng)態(tài)，圖5(b)表示訓(xùn)練集上損失值變化動(dòng)態(tài)，圖5(c)表示驗(yàn)證集上預(yù)測的準(zhǔn)確率變化動(dòng)態(tài)，圖5(d)表示驗(yàn)證集上損失值變化動(dòng)態(tài)。因Dropout的啟用，一部分節(jié)點(diǎn)被隱藏，模型的準(zhǔn)確率以及損失會(huì)隨迭代次數(shù)的加大而發(fā)生抖動(dòng)，而訓(xùn)練集準(zhǔn)確率低于驗(yàn)證集，同時(shí)明顯的過擬合顯現(xiàn)沒有發(fā)生。由圖5可以得到，GRU預(yù)測模型在訓(xùn)練集上的準(zhǔn)確率可以達(dá)90.42%，在驗(yàn)證集上的準(zhǔn)確率可以達(dá)96.29%.

圖5 GRU神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率及損失情況Fig.5 Accuracy and loss of GRU neural network model

5 煤層底板突水動(dòng)靜態(tài)模型預(yù)測對(duì)比

結(jié)合前文礦區(qū)的現(xiàn)場實(shí)測數(shù)據(jù)，本文使用支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)這三個(gè)靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型與動(dòng)態(tài)的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對(duì)比。每個(gè)模型均按前文所述方法，將數(shù)據(jù)劃分成訓(xùn)練集、驗(yàn)證集及測試集，應(yīng)用各模型將訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，以測試集準(zhǔn)確率為準(zhǔn)進(jìn)行模型預(yù)測精度評(píng)估。

不同預(yù)測模型的準(zhǔn)確度結(jié)果如圖6所示，動(dòng)態(tài)的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型在訓(xùn)練、驗(yàn)證和測試三個(gè)階段的準(zhǔn)確率均要高于靜態(tài)的支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和極限向量機(jī)。尤其是在最終的測試階段，動(dòng)態(tài)的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型的準(zhǔn)確率要達(dá)到95.23%，而其他的靜態(tài)預(yù)測模型的準(zhǔn)確率均低于90%.

圖6 不同預(yù)測模型在訓(xùn)練、驗(yàn)證及測試階段的準(zhǔn)確率Fig.6 Accuracy of different prediction models in the training, verification, and testing phases

GRU神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)等向前反饋的靜態(tài)預(yù)測模型相比，GRU神經(jīng)網(wǎng)絡(luò)模型依靠對(duì)大量的數(shù)據(jù)樣本進(jìn)行學(xué)習(xí)，并自身總結(jié)出煤層底板突水的變化規(guī)律及該動(dòng)態(tài)變化對(duì)突水的影響，從而對(duì)突水變化因素進(jìn)行高精度的篩選，較其余三種靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型在煤層底板突水預(yù)測能力上具有更高的準(zhǔn)確率，運(yùn)用到煤礦開采中可以極大地提高生產(chǎn)安全。

工程現(xiàn)場表明，大部分礦井突水都與斷層、陷落柱等構(gòu)造密切相關(guān)。該礦統(tǒng)計(jì)的大部分?jǐn)?shù)據(jù)中都是有構(gòu)造的，但通過Wrapper評(píng)價(jià)的特征選擇，最終確定“構(gòu)造有無”為冗余特征；相反，“煤層厚度、開采面積”卻被特征選擇為與煤層底板突水密切相關(guān)。后續(xù)研究需要進(jìn)一步改進(jìn)相關(guān)的特征選擇方法。

6 結(jié)論

1) 以煤礦突水理論及現(xiàn)場實(shí)測數(shù)據(jù)為依據(jù)，建立了煤礦突水影響因素指標(biāo)體系，并基于Wrapper評(píng)價(jià)策略的特征選擇，確定“煤層傾角、煤層厚度、斷層落差、裂隙帶有無、采動(dòng)破壞深度、采高、開采面積、走向長度、水壓、距工作面距離、砂巖段厚度”這11項(xiàng)特征和煤層底板突水密切相關(guān)。

2) 煤層突水GRU神經(jīng)網(wǎng)絡(luò)模型通過對(duì)現(xiàn)場實(shí)測數(shù)據(jù)的學(xué)習(xí)，確定其在訓(xùn)練集上的預(yù)測準(zhǔn)確率達(dá)90.42%，在驗(yàn)證集上的準(zhǔn)確率達(dá)到96.29%，可以很好地進(jìn)行煤層突水預(yù)測測試。

3) 將動(dòng)態(tài)的GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型與支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)及機(jī)器學(xué)習(xí)機(jī)這三個(gè)靜態(tài)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)動(dòng)態(tài)的GRU預(yù)測模型預(yù)測的準(zhǔn)確率在訓(xùn)練、驗(yàn)證及測試階段都要高于其他的靜態(tài)模型。因此，GRU模型比其他靜態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測模型要更適合應(yīng)用到煤層底板突水預(yù)測。