澳洲10二期计划

您当前所在的位置: > 首页 正文

澳洲10二期计划:《煤炭学报》创刊60周年特刊 | 薛生教授:基于机器学习的煤与瓦斯突出预测研究进展及展望

澳洲10二期计划年03月20日 14:10  点击:[]

        3月19日,《煤炭学报》报道澳洲10二期计划薛生教授理论文章《基于机器学习的煤与瓦斯突出预测研究进展及展望》。

        创新点

        对机器学习在煤与瓦斯突出预测中的研究进行了全面的综述,统计分析了基于机器学习的煤与瓦斯突出预测中的指标选用情况,详细介绍机器学习在煤与瓦斯突出预测领域的主要研究进展,包括支持向量机、人工神经网络、极限学习机和集成学习等算法在突出预测中的应用,以及特征选择和缺失数据填补在数据处理等方面的创新,同时也指出目前基于机器学习的突出预测研究存在的不足及面临的挑战,展望了基于机器学习的煤与瓦斯突出预测的未来发展方向,包括改进算法性能、优化特征工程和增加样本量等。

        研究背景

        煤与瓦斯突出是煤矿中一种极其复杂的动力现象,包括煤岩体破坏、煤体瓦斯解吸、扩散及渗流、煤体在气体流场中的运输和两相流传播等复杂物理过程,可能会造成人员伤亡、设备损坏和矿井塌陷等严重后果,对矿山安全生产和经济造成重大威胁。 进入21世纪后,我国煤矿安全水平明显提高,突出问 题得以有效的控制,但突出事故仍时有发生。准确预测是煤与瓦斯突出防控的关键,可以尽早发现矿井中可能存在的突出隐患,并采取有效的预防和控制措施,从而保证煤矿职工的生命财产安全和矿井的正常生产。煤与瓦斯突出预测是通过分析煤矿瓦斯地质参数、瓦斯涌出量等信息,来评估煤与瓦斯突出的潜在风险和可能性。国内外学者对其进行了大量的研究,按照突出预测技术,将其划分为2类:非接触式和接触式。非接触式突出预测技术是通过安装在工作面附近的各类传感器和监测设备,动态连续监测和分析工作面所释放的能够反映含采掘工作面应力状态、瓦斯状态和煤体结构状态的某些信息,确定工作面突出危险性的预测方法;主要有声发射监测法、电磁辐射法、微震法、瓦斯动态指标法及其他基于物探技术的突出预测方法等。这些技术 对预测突出的危险性起到了一定作用,但总体上技术还不够成熟。接触式突出预测是由在工作面施工预测钻孔实现,测定各种反映突出危险性的指标,进而确定突出危险性,可以划分为单一指数预测和综合指数预测方法。单指标预测是选择单一指标,通过与设定的突出临界值对比,进而判断是否会发生突出,在我国已得到相对广泛的应用,对防治煤与瓦斯突出起到了重要作用。但此方法也存在一定的局限性,不同煤层对各预测指标的敏感性不一样,其突出临界值也不全相同。综合指数预测通常选择多个指数进行分析,由于煤与瓦斯突出与各种因素之间存在复杂的非线性关系,机器学习在煤与瓦斯突出综合指数预测法中扮演重要角色。近年来,基于机器学习的煤与瓦斯突出预测已经成为瓦斯灾害预警领域的一个热门研究方向,并取得一定进展,但仍然无法达到现场落地应用的程度。鉴于在煤矿智能化建设的大背景下,煤与瓦斯突出预测对煤矿智能化安全监测的重要性,笔者对基于机器学习的煤与瓦斯突出预测技术进行了系统的总结和分析,给出了目前基于机器学习的煤与瓦斯突出预测所面临的挑战和解决方案,展望了该领域的未来研究方向。

         摘要

         我国煤矿安全生产形势不断好转,但煤与瓦斯突出事故仍时有发生。煤与瓦斯突出预测不仅能指导防突措施科学的运用、减少防突措施工程量,在一定程度上也可以确保煤矿工人的作业安全。机器学习(Machine Learning, ML)是一门涉及概率论、统计学和计算机学等领域的交叉学科,可以挖掘突出事故和指标间的非线性关系。将机器学习用于煤与瓦斯突出预测,已得到相对广泛的关注,并随着人工智能和计算机技术的快速进步,其在突出预测领域将发挥更大作用。

        因此, 对机器学习在煤与瓦斯突出预测中的研究进行了全面的综述,分析其在突出预测中面临的难点并展望其发展方向。首先,简述煤与瓦斯突出假说、发生机理与预测指标选择的研究现状;介绍机 器学习在煤与瓦斯突出预测领域的主要研究进展,包括支持向量机(Support Vector Machines, SVM)、人工神经网络(Artificial Neural Network, ANN)、极限学习机(Extreme Learning Machines, ELM)和集成学习(Ensemble Learning, EL)等算法的应用,以及特征选择和缺失数据填补在数据处 理等方面的创新,同时也指出了目前基于机器学习的突出预测研究面临的挑战及存在的问题,例如事故与非事故样本的不平衡、数据的指标缺失和机器学习中的小样本等;最后,展望了基于机器学习的煤与瓦斯突出预测的未来发展方向,包括改进算法性能、优化特征工程和增加样本量等。 随着计算机性能的提升,有望开发出更为复杂、精准的模型,以提高对突出事故的准确预测能力。

图1 煤与瓦斯突出事故单因素假说

图2 机器学习发展历程

图3 煤与瓦斯突出预测文献分布

图4 基于机器学习的突出预测流程

图5 算法中的指标分布

图6 指标使用频次统计

图7 多重填补

图8 预测中算法使用频次及指标分布

图9 突出预测中的神经网络

图10 支持向量机超平面

图11 随机森林决策机制

图12 POS优化参数流程

图13 GA流程

上一条:校长袁亮院士在《中国应急管理报》发表署名文章 下一条:袁亮主持的国家重大科研仪器研制项目(部门推荐)研讨会在上海召开

关闭

澳洲10二期计划(游戏)股份有限公司