本發明涉及煤礦安全生產，更具體的說是涉及一種基于物理信息神經網絡的煤與瓦斯突出預測方法及系統。
背景技術：
1、在煤礦開采過程中，煤與瓦斯突出是一種嚴重的自然災害，具有極強的破壞性和突發性，給礦工的生命安全和礦井的生產活動帶來了極大的威脅；為了有效預防煤與瓦斯突出事故的發生，準確的預測技術顯得尤為重要。
2、目前，現有的煤與瓦斯突出預測方法主要分為兩大類：一類是基于物理機制的預測方法，另一類是基于數據驅動的預測方法。
3、基于物理機制的預測方法通過建立煤與瓦斯突出的物理模型，考慮地應力、瓦斯壓力、煤層性質等因素之間的關系，以實現對突出的預測；然而，這種方法需要對礦井的地質條件和物理參數有非常精確的了解，且模型的建立和求解過程較為復雜，難以適用于實際的礦井環境。
4、基于數據驅動的預測方法則利用歷史監測數據，通過統計分析、機器學習等手段建立預測模型，常見的方法包括神經網絡、支持向量機、灰色系統等；這些方法在一定程度上能夠捕捉到煤與瓦斯突出的規律，但它們通常需要大量的訓練數據，且對于數據的質量要求較高；而在實際應用中，由于礦井監測數據可能存在缺失、噪聲等問題，導致模型的預測精度和可靠性受到限制；此外，當災害發生時，現場環境往往混亂且危險，數據采集設備可能受損，人員安全撤離優先，使得獲取準確數據變得極為困難，進一步影響了數據驅動模型的訓練和優化。
5、因此，如何減少對大規模訓練數據的依賴，顯著提高模型泛化能力和預測精度，增強對不同礦區和開采條件的適應性，是本領域技術人員亟需解決的問題。
技術實現思路
1、有鑒于此，本發明提供了一種基于物理信息神經網絡的煤與瓦斯突出預測方法及系統，旨在通過獲取目標區域的待處理數據，進行數據預處理、嵌入物理規律、特征工程和神經網絡訓練，實現對煤與瓦斯突出的快速、準確預測。
2、為了實現上述目的，本發明采用如下技術方案：
3、一種基于物理信息神經網絡的煤與瓦斯突出預測方法，包括以下步驟：
4、s1.采集目標區域的包括但不限于地質參數、瓦斯動態參數、開采活動參數數據，并對數據進行預處理；
5、s2.基于預處理后的數據，使用統計方法和機器學習算法進行相關性分析，從中篩選出與煤與瓦斯突出事件高度相關的關鍵特征，去除冗余或無關的特征；
6、s3.依據煤與瓦斯突出的物理機制，構建關鍵物理方程以確定物理信息；
7、s4.構建基于物理信息的pinn網絡結構，并以考慮數據驅動損失和物理驅動損失的綜合損失函數進行訓練；
8、s5.將訓練好的pinn模型應用于實際煤與瓦斯突出預測中，輸入實時監測數據，輸出發生概率的分類結果。
9、優選的，步驟s1，對數據進行預處理的內容包括：添加高斯噪聲以增強數據魯棒性，以及歸一化處理將數據映射到合適區間。
10、優選的，步驟s2，提取的關鍵特征包括：瓦斯放散初速度、煤層堅固性系數、瓦斯含量、瓦斯解吸含量和開采深度。
11、優選的，步驟s2，使用統計方法和機器學習算法進行相關性分析的方法包括：遞歸特征消除法，基于pinn模型性能逐步剔除不重要的特征；以及主成分分析，通過降維提取主要特征，減少特征維度的同時保留關鍵信息。
12、優選的，步驟s3，關鍵物理方程包括：應力-應變關系、瓦斯吸附-解吸平衡、滲透率動態模型和地應力平衡方程。
13、優選的，步驟s4，pinn網絡結構包括輸入層、多個隱藏層和輸出層；
14、輸入層接收處理后的特征數據，神經元數量與特征維度相匹配，確保pinn模型能夠全面捕捉煤與瓦斯突出相關的多維信息；
15、隱藏層通過激活函數進行非線性變換，逐層提取和轉換輸入特征的高層次抽象表示；
16、輸出層采用softmax激活函數，將隱藏層傳來的特征向量轉換為煤與瓦斯突出發生與否的概率分布，其神經元數量與分類標簽的類別數相對應；
17、采用優化算法調整網絡參數，使損失函數最小化，pinn的損失函數由數據驅動損失和物理驅動損失加權求和組成。
18、優選的，pinn模型預測公式為：
19、
20、其中，表示pinn模型的預測輸出，為煤與瓦斯突出的危險性；表示輸入數據，包括地質參數、瓦斯動態參數和開采活動參數；表示神經網絡的映射函數，由網絡結構和參數決定；包括網絡中的權重和偏置，通過訓練數據學習得到；物理約束表示嵌入到損失函數中的物理定律。
21、優選的，pinn模型的綜合損失函數為將數據驅動的損失函數和物理驅動的損失函數加權求和，具體為：
22、
23、其中，表示第個樣本的真實標簽或實際觀測值，表示pinn模型對第個樣本的預測值，表示樣本的總數，表示第個樣本的預測應力，表示材料的彈性模量，反映了材料在彈性變形階段應力與應變的比例關系，表示第個樣本的實際應變，表示第個樣本的預測吸附量，表示瓦斯的最大吸附量，表示第個樣本的瓦斯壓力，為吸附特征壓力，表示第個樣本的預測滲透率，表示第個樣本的參考滲透率，表示第個樣本的瓦斯壓力，表示第個樣本的參考壓力，用于歸一化當前壓力，表示第個樣本的經驗指數，表示應力張量的散度，表示煤巖的密度，表示重力加速度，λ1、λ2、λ3、λ4、λ5為權重系數。
24、一種基于物理信息神經網絡的煤與瓦斯突出預測系統，基于所述的一種基于物理信息神經網絡的煤與瓦斯突出預測方法，包括數據采集與預處理模塊、特征工程模塊、物流信息確定模塊、模型構建與訓練模塊，以及預測模塊；
25、數據采集與預處理模塊，用于采集目標區域的包括但不限于地質參數、瓦斯動態參數、開采活動參數數據，并對數據進行預處理；
26、特征工程模塊，用于基于預處理后的數據，使用統計方法和機器學習算法進行相關性分析，從中篩選出與煤與瓦斯突出事件高度相關的關鍵特征，去除冗余或無關的特征；
27、模型構建與訓練模塊，用于依據煤與瓦斯突出的物理機制，構建關鍵物理方程以確定物理信息并構建基于物理信息的pinn網絡結構，并以考慮數據驅動損失和物理驅動損失的綜合損失函數進行訓練；
28、預測模塊，用于將訓練好的pinn模型應用于實際煤與瓦斯突出預測中，輸入實時監測數據，輸出發生概率的分類結果。
29、一種處理終端，包括存儲器和處理器，存儲器中存儲有可在處理器上運行的計算機程序，處理器執行計算機程序時實現所述的一種基于物理信息神經網絡的煤與瓦斯突出預測方法。
30、經由上述的技術方案可知，與現有技術相比，本發明公開提供了一種基于物理信息神經網絡的煤與瓦斯突出預測方法及系統，將物理定律與數據驅動相結合，彌補了純數據驅動模型在物理一致性上的不足，提高了預測的科學性和準確性；通過嵌入物理信息，模型對不同礦區和開采條件的適應性更強，泛化能力得到顯著提升；能夠及時處理輸入數據并給出預測結果，滿足煤礦安全生產中對煤與瓦斯突出預警的時效性要求。