人工智能在長(zhǎng)壁煤礦井下瓦斯實(shí)時(shí)預(yù)測(cè)中的應(yīng)用

徐振煒

（華北科技學(xué)院， 河南 鄭州 450000）

0 引言

盡管有替代能源，但全球煤炭產(chǎn)量仍在逐年增加，長(zhǎng)壁開(kāi)采是最常用的煤炭開(kāi)采方法，因?yàn)樗哂懈呱a(chǎn)率和更安全的操作條件。然而，在通常的采礦作業(yè)和條件下，煤炭開(kāi)采仍然面臨嚴(yán)峻的挑戰(zhàn)。盡管技術(shù)和安全管理取得了進(jìn)步，但已知累積的甲烷氣體引起的長(zhǎng)壁開(kāi)采面爆炸是甲烷爆炸的最常見(jiàn)原因?，F(xiàn)有的行業(yè)實(shí)踐依賴于關(guān)鍵區(qū)域的點(diǎn)型甲烷傳感器，以防止爆炸性氣體積聚，然而，點(diǎn)傳感器在發(fā)現(xiàn)和警告爆炸危險(xiǎn)方面并不可靠，尤其是在關(guān)鍵區(qū)域，例如長(zhǎng)壁開(kāi)采面地切削轉(zhuǎn)子、尾門和頭擋板區(qū)域附近。計(jì)算流體動(dòng)力學(xué)（CFD）用于模擬長(zhǎng)壁工作面的通風(fēng)條件，以重現(xiàn)氣流空氣動(dòng)力學(xué)和危險(xiǎn)氣體混合物的形成，這些氣體混合物是使用常規(guī)監(jiān)測(cè)和通風(fēng)檢查實(shí)踐無(wú)法檢測(cè)到的。盡管CFD 建?？梢詼?zhǔn)確預(yù)測(cè)爆炸性氣體區(qū)域，但高計(jì)算能力和時(shí)間要求使其無(wú)法用于實(shí)時(shí)通風(fēng)監(jiān)測(cè)目的。

Karacan[1]提出了主成分分析和基于人工神經(jīng)網(wǎng)絡(luò)的方法來(lái)預(yù)測(cè)63 個(gè)長(zhǎng)壁開(kāi)采的甲烷排放率，研究表明，可以準(zhǔn)確預(yù)測(cè)每個(gè)礦山的每日甲烷排放量；Dougherty[2]和Karacan 利用預(yù)測(cè)模型并開(kāi)發(fā)了可以預(yù)測(cè)具有彈性特性的通風(fēng)排放的軟件；Duda[3]和Krzemie'n 提出了一個(gè)預(yù)測(cè)從煤層到采空區(qū)的甲烷排放的框架，他們預(yù)測(cè)了礦山壽命每年每分鐘甲烷的平均體積；Sidorenko[4]等人提供了預(yù)測(cè)從煤層到采空區(qū)的甲烷排放的必要參數(shù)。盡管這些研究討論了預(yù)測(cè)，但這些預(yù)測(cè)既不是實(shí)時(shí)輸出也不是空間輸出。

實(shí)時(shí)預(yù)測(cè)長(zhǎng)壁開(kāi)采面中的甲烷需要及時(shí)預(yù)測(cè)爆炸性氣體區(qū)的形成及其在3D 中的位置（x、y 和z坐標(biāo)），時(shí)間預(yù)測(cè)主要使用時(shí)間序列分類/分析進(jìn)行，時(shí)空AI模型和時(shí)間序列分類在該領(lǐng)域相對(duì)較新[5]。此外，絕大多數(shù)成功的模型只考慮一個(gè)或兩個(gè)空間維度，例如x 坐標(biāo)和/或y 坐標(biāo)，以及感興趣的數(shù)據(jù)，例如，跟蹤碳排放的氣候變化研究使用緯度、經(jīng)度和碳含量，而水質(zhì)研究使用交叉點(diǎn)和含水量的一維距離[6]。本研究提出一種用于采煤工作面甲烷實(shí)時(shí)預(yù)測(cè)的三維時(shí)空預(yù)測(cè)模型[7]。

1 材料與方法

開(kāi)發(fā)的研究方法利用了CFD 建模和點(diǎn)傳感器的優(yōu)勢(shì)。第一步介紹空間和時(shí)間CFD 建模以及長(zhǎng)壁開(kāi)采面仿真；第二步呈現(xiàn)提取的數(shù)據(jù)以及如何處理和呈現(xiàn)這些數(shù)據(jù)；第三步討論了一種人工智能算法，稱為長(zhǎng)短期記憶（LSTM）模型，以及如何對(duì)其進(jìn)行修改以滿足本研究的要求，對(duì)算法進(jìn)行了訓(xùn)練和測(cè)試，并對(duì)參數(shù)進(jìn)行了優(yōu)化；在最后一步中，討論了對(duì)空間和時(shí)間結(jié)果的預(yù)測(cè)。

1.1 時(shí)空CFD 建模

Ansys Fluent 軟件版本18.2 用于對(duì)長(zhǎng)壁開(kāi)采面進(jìn)行建模和仿真，建模的長(zhǎng)壁開(kāi)采工作面長(zhǎng)300 米，開(kāi)采高度為3 m，深度為6 m，還對(duì)兩個(gè)主要設(shè)備進(jìn)行了建模：支撐設(shè)備（盾構(gòu)）和切割設(shè)備（采煤機(jī)）。有150個(gè)盾牌，每個(gè)盾牌長(zhǎng)2 m，固定在模型中。一臺(tái)10 m長(zhǎng)的采煤機(jī)沿長(zhǎng)壁開(kāi)采面放置在6 個(gè)位置。最后，建模區(qū)域覆蓋了大約3 100 萬(wàn)個(gè)六邊形和八角形網(wǎng)格。網(wǎng)格尺寸從3 cm到30 cm不等，這提高了預(yù)測(cè)分辨率。

該仿真舉例說(shuō)明了基于帶有尾門（TG）回流裝置的放氣通風(fēng)系統(tǒng)的煤工作面甲烷（CH4）氣體排放的瞬態(tài)CFD 模型。每個(gè)瞬態(tài)模型模擬180 s，并以1 s 的間隔記錄。

1.2 數(shù)據(jù)管理

在對(duì)長(zhǎng)壁開(kāi)采進(jìn)行建模并模擬甲烷排放后收集數(shù)據(jù)，應(yīng)該注意的是，雖然每個(gè)礦井通風(fēng)條件都是獨(dú)一無(wú)二的，但先前進(jìn)行的研究證實(shí)，模擬數(shù)據(jù)與實(shí)際情況一致，包括但不限于：新鮮空氣從工作面持續(xù)泄漏到采下，以及當(dāng)供應(yīng)的空氣從工作面的頭門流向尾門側(cè)時(shí)甲烷的積累增加；由于采空器邊緣的高孔隙率和滲透性，工作面的頭門和尾門角周圍的泄漏率較高；甲烷積累似乎遵循基于在幾個(gè)長(zhǎng)壁作業(yè)中進(jìn)行的通風(fēng)調(diào)查的線性回歸。

圖1 表示位置3 的第120 秒快照作為示例，其他位置和時(shí)間戳的行為類似，為避免冗余，僅提供一個(gè)示例。來(lái)自Fluent 軟件的原始數(shù)據(jù)進(jìn)行了預(yù)處理，其中包括將數(shù)據(jù)轉(zhuǎn)換為CSV 文件，刪除空白字段，添加切割方向以及固定所有字段的兩個(gè)有效數(shù)字。

圖1 采煤機(jī)位置3 的第120 秒的快照

1.3 修改后的LSTM

在長(zhǎng)壁開(kāi)采等動(dòng)態(tài)環(huán)境中，連續(xù)監(jiān)測(cè)是防止爆炸危險(xiǎn)的關(guān)鍵，因此，提前一步的預(yù)測(cè)不足以實(shí)現(xiàn)本研究的目的。此外，考慮到所需的計(jì)算能力和數(shù)據(jù)大小，實(shí)施這些實(shí)時(shí)預(yù)測(cè)方法是不可行的。長(zhǎng)壁開(kāi)采的幾何形狀是3D 的，這些統(tǒng)計(jì)方法在3D 環(huán)境中的預(yù)測(cè)效果不佳。此外，與人工智能模型不同，統(tǒng)計(jì)方法使用插值，無(wú)法學(xué)習(xí)數(shù)據(jù)的極端波動(dòng)。

根據(jù)文獻(xiàn)和以前的測(cè)試，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）被確定為長(zhǎng)壁煤礦實(shí)時(shí)甲烷預(yù)測(cè)的最佳候選者。RNN包含來(lái)自先前時(shí)間步長(zhǎng)的周期作為網(wǎng)絡(luò)輸入，以影響當(dāng)前時(shí)間步的預(yù)測(cè)，這些時(shí)間戳存儲(chǔ)在RNN 的內(nèi)部狀態(tài)中，允許它利用輸入序列歷史記錄中動(dòng)態(tài)變化的上下文窗口。然而，標(biāo)準(zhǔn)RNN 可以訪問(wèn)的上下文信息范圍在實(shí)踐中非常有限。問(wèn)題在于，給定輸入對(duì)隱藏層的影響，因此對(duì)網(wǎng)絡(luò)輸出的影響，在圍繞網(wǎng)絡(luò)的循環(huán)連接循環(huán)時(shí)衰減或呈指數(shù)級(jí)增長(zhǎng)，這個(gè)缺點(diǎn)在文獻(xiàn)中被稱為梯度消失問(wèn)題。長(zhǎng)短期記憶（LSTM）是一種RNN 架構(gòu)，專門設(shè)計(jì)用于解決梯度消失問(wèn)題，LSTM于1997 年左右推出;它們的主要優(yōu)點(diǎn)包括：（i）可以在指定時(shí)間段內(nèi)存儲(chǔ)信息的算法；（ii）抗噪聲；（iii）可訓(xùn)練參數(shù)。根據(jù)我們之前的研究，任何使用人工智能的未來(lái)預(yù)測(cè)都可以分為七種問(wèn)題類型（圖像、傳感器、運(yùn)動(dòng)、光譜儀、電子設(shè)備、心電圖和模擬）。

由于甲烷預(yù)測(cè)類似于傳感器類型問(wèn)題，這是性能最好的算法之一，因此本研究采用了LSTM 網(wǎng)絡(luò)（一種特殊類型的RNN）。由于LSTM被視為前饋神經(jīng)網(wǎng)絡(luò)，其中每個(gè)單元共享相同的模型參數(shù)，因此它們被視為深度架構(gòu)或深度神經(jīng)網(wǎng)絡(luò)。在這項(xiàng)研究中，LSTM網(wǎng)絡(luò)使用CFD 輸出進(jìn)行了修改、訓(xùn)練和測(cè)試。傳統(tǒng)的LSTM網(wǎng)絡(luò)接受2D 數(shù)據(jù)。本研究中實(shí)施的 LSTM模型修改包括：更改3D 空間的輸入形狀；添加3D 操作和矢量計(jì)算。修改后的LSTM模型的輸入是x、y 和z坐標(biāo)、到采煤機(jī)的最小距離、氣流速度、甲烷濃度，以1 秒的間隔記錄。

2 結(jié)果

如果沒(méi)有高質(zhì)量的數(shù)據(jù)，即使是性能最好的算法也可能無(wú)法預(yù)測(cè)結(jié)果。因此，算法的訓(xùn)練、驗(yàn)證和測(cè)試對(duì)于可靠的預(yù)測(cè)至關(guān)重要，如果未正確執(zhí)行這些步驟，則結(jié)果可能會(huì)有偏差。

2.1 訓(xùn)練

訓(xùn)練數(shù)據(jù)用于向AI 模型教授模式和特征，重復(fù)向模型提供相同的訓(xùn)練數(shù)據(jù)，直到達(dá)到閾值水平。重復(fù)輸送相同的數(shù)據(jù)稱為紀(jì)元，紀(jì)元的簡(jiǎn)單解釋是數(shù)據(jù)集通過(guò)設(shè)計(jì)網(wǎng)絡(luò)的完整傳遞，該算法在學(xué)習(xí)輸入數(shù)據(jù)集時(shí)隨每個(gè)紀(jì)元更新其參數(shù)。使用分層K 折疊交叉驗(yàn)證方法將每個(gè)實(shí)例的訓(xùn)練數(shù)據(jù)分為80%和20%，這產(chǎn)生了一個(gè)平衡的數(shù)據(jù)劃分，保留了每個(gè)樣本的百分比甲烷含量，劃分的80%的數(shù)據(jù)用于訓(xùn)練模型。

2.2 驗(yàn)證

驗(yàn)證數(shù)據(jù)與訓(xùn)練數(shù)據(jù)分開(kāi)，驗(yàn)證了AI 的性能，訓(xùn)練和驗(yàn)證準(zhǔn)確性可幫助用戶評(píng)估其模式。圖2 展示了一個(gè)常用的指標(biāo)，用于評(píng)估算法性能、驗(yàn)證和訓(xùn)練準(zhǔn)確性與紀(jì)元的關(guān)系。

圖2 驗(yàn)證和訓(xùn)練準(zhǔn)確性

在訓(xùn)練和驗(yàn)證精度圖中，曲線的斜率在第12 個(gè)紀(jì)元之后接近水平，這表明數(shù)據(jù)沒(méi)有對(duì)算法進(jìn)行顯著的學(xué)習(xí)過(guò)程。大約在第20 個(gè)紀(jì)元，學(xué)習(xí)曲線幾乎變得水平，這表明在20 世紀(jì)之后不需要進(jìn)一步的培訓(xùn)，因?yàn)闇?zhǔn)確率沒(méi)有太大變化，范圍從89.1%到93.8%。最后，訓(xùn)練曲線下方的驗(yàn)證曲線表明該模型提供了良好的數(shù)據(jù)表示，已準(zhǔn)備好進(jìn)行測(cè)試，并且能夠提供可靠的預(yù)測(cè)。

2.3 測(cè)試

經(jīng)過(guò)訓(xùn)練和驗(yàn)證后，測(cè)試數(shù)據(jù)用于評(píng)估AI 模型預(yù)測(cè)甲烷的性能。使用每個(gè)訓(xùn)練和測(cè)試耦合集的測(cè)試數(shù)據(jù)的實(shí)際和預(yù)測(cè)甲烷含量分析模型的性能，如表1所示。結(jié)果表明，改進(jìn)后的LSTM算法預(yù)測(cè)甲烷體積分?jǐn)?shù)的準(zhǔn)確率范圍為87.9%～92.4%。

表1 測(cè)試的總體準(zhǔn)確性

3 討論

分析表明，改進(jìn)后的LSTM算法可以有效地結(jié)合CFD 建模和點(diǎn)傳感器測(cè)量，AI 算法可以實(shí)現(xiàn)CFD 建模和實(shí)時(shí)點(diǎn)傳感器數(shù)據(jù)測(cè)量的3D 覆蓋，不同地點(diǎn)的整體準(zhǔn)確率介乎87.9%至92.4%。盡管精度相對(duì)較高，但某些位置（例如位置3 和4）的結(jié)果準(zhǔn)確性低于其他位置，可能是因?yàn)椴擅簷C(jī)離頭門和尾門（位置1和6）越近，甲烷排放量波動(dòng)就越大。該算法在發(fā)現(xiàn)波動(dòng)時(shí)更加敏捷，因此，相對(duì)恒定的甲烷排放可能是位置3 和4 測(cè)試精度較低的原因。盡管準(zhǔn)確性顯示出有希望的結(jié)果，但隨著數(shù)據(jù)集的增加，它們可能會(huì)增加。即使單個(gè)位置有大約3 200 萬(wàn)個(gè)點(diǎn)，整個(gè)測(cè)量也只包含180 s 的數(shù)據(jù)。如果可以增加這些測(cè)量值，則準(zhǔn)確性也可能會(huì)增加。鑒于當(dāng)前超級(jí)計(jì)算機(jī)的數(shù)據(jù)存儲(chǔ)和計(jì)算能力的進(jìn)步，訓(xùn)練所需的時(shí)間為45 d。此外，數(shù)據(jù)量的增加將增加所需的計(jì)算能力和訓(xùn)練所需的時(shí)間，但是，時(shí)間要求的變化將呈指數(shù)而非線性變化。訓(xùn)練時(shí)間不會(huì)影響預(yù)測(cè)時(shí)間，一旦算法經(jīng)過(guò)訓(xùn)練，所需的預(yù)測(cè)時(shí)間就不會(huì)發(fā)生劇烈變化。

雖然爆炸性氣體區(qū)監(jiān)測(cè)依賴于點(diǎn)傳感器，但無(wú)法實(shí)時(shí)跟蹤長(zhǎng)壁開(kāi)采面的關(guān)鍵區(qū)域，雖然CFD 建?？梢钥朔鞲衅鞯母采w范圍，但所需的預(yù)測(cè)時(shí)間可能需要幾天到幾周，具體取決于仿真的分辨率。本研究的方法消除了這些不足，本文提出的系統(tǒng)產(chǎn)生高度準(zhǔn)確的實(shí)時(shí)預(yù)測(cè)，并詳細(xì)覆蓋長(zhǎng)壁開(kāi)采面。因此，基于LSTM的改進(jìn)甲烷預(yù)測(cè)可能有助于礦工和工程師的早期預(yù)警系統(tǒng)降低安全風(fēng)險(xiǎn)并防止一些事故。最后，該系統(tǒng)可以通過(guò)減少采煤機(jī)不必要的停機(jī)來(lái)提高產(chǎn)量，但是，AI 的預(yù)測(cè)能力取決于模擬的CFD 模型結(jié)果。因此，預(yù)測(cè)只能與類似的長(zhǎng)壁開(kāi)采面模型一樣準(zhǔn)確。使用不同的長(zhǎng)壁開(kāi)采面模型訓(xùn)練AI 模型可以增加AI模型的容量，如果人工智能模型可以用更多數(shù)據(jù)進(jìn)行訓(xùn)練，它可能被用于世界上所有的長(zhǎng)壁開(kāi)采。

4 結(jié)論

當(dāng)前的爆炸性氣體區(qū)域管理實(shí)踐是通過(guò)點(diǎn)傳感器或CFD 建模進(jìn)行的，利用人工智能的力量對(duì)于監(jiān)測(cè)爆炸性甲烷濃度可能至關(guān)重要。本研究的主要目的是結(jié)合當(dāng)前甲烷監(jiān)測(cè)實(shí)踐的優(yōu)點(diǎn)并消除其缺點(diǎn)，為此，利用改進(jìn)的LSTM架構(gòu)進(jìn)行實(shí)時(shí)甲烷預(yù)測(cè)。這項(xiàng)研究是獨(dú)一無(wú)二的，因?yàn)樗峁┝?D 空間中的實(shí)時(shí)甲烷預(yù)測(cè)。我們的研究成功地利用了大量的CFD 數(shù)據(jù)來(lái)預(yù)測(cè)可能的爆炸性甲烷積累的位置和時(shí)間，使用所提出的方法可以減少不必要的停機(jī)、高風(fēng)扇速度和其他高運(yùn)營(yíng)成本，這將有助于通過(guò)監(jiān)測(cè)工作面的甲烷氣體來(lái)提高所有長(zhǎng)壁煤礦的安全性和生產(chǎn)率。

盡管所提出的方法成功地預(yù)測(cè)了整個(gè)長(zhǎng)壁開(kāi)采面的甲烷濃度，但結(jié)果僅包含代表位置、時(shí)間和甲烷含量的數(shù)字。結(jié)果由一行行數(shù)字組成，工程師或礦工無(wú)法解釋或使用這些數(shù)字來(lái)確定爆炸性氣體積聚是否危險(xiǎn)。我們將結(jié)果轉(zhuǎn)換為更強(qiáng)大、更易于理解的可視化，類似于CFD 輸出，提供熟悉的輸出將通過(guò)減少工程師和工人的認(rèn)知負(fù)荷來(lái)幫助他們。這些可視化將幫助我們進(jìn)行用戶研究，旨在發(fā)現(xiàn)一種更好的方法來(lái)可視化人工智能結(jié)果。