本發(fā)明涉及煤礦安全生產(chǎn)，更具體的說(shuō)是涉及一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法及系統(tǒng)。
背景技術(shù)：
1、在煤礦開(kāi)采過(guò)程中，煤與瓦斯突出是一種嚴(yán)重的自然災(zāi)害，具有極強(qiáng)的破壞性和突發(fā)性，給礦工的生命安全和礦井的生產(chǎn)活動(dòng)帶來(lái)了極大的威脅；為了有效預(yù)防煤與瓦斯突出事故的發(fā)生，準(zhǔn)確的預(yù)測(cè)技術(shù)顯得尤為重要。
2、目前，現(xiàn)有的煤與瓦斯突出預(yù)測(cè)方法主要分為兩大類：一類是基于物理機(jī)制的預(yù)測(cè)方法，另一類是基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法。
3、基于物理機(jī)制的預(yù)測(cè)方法通過(guò)建立煤與瓦斯突出的物理模型，考慮地應(yīng)力、瓦斯壓力、煤層性質(zhì)等因素之間的關(guān)系，以實(shí)現(xiàn)對(duì)突出的預(yù)測(cè)；然而，這種方法需要對(duì)礦井的地質(zhì)條件和物理參數(shù)有非常精確的了解，且模型的建立和求解過(guò)程較為復(fù)雜，難以適用于實(shí)際的礦井環(huán)境。
4、基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法則利用歷史監(jiān)測(cè)數(shù)據(jù)，通過(guò)統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)等手段建立預(yù)測(cè)模型，常見(jiàn)的方法包括神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、灰色系統(tǒng)等；這些方法在一定程度上能夠捕捉到煤與瓦斯突出的規(guī)律，但它們通常需要大量的訓(xùn)練數(shù)據(jù)，且對(duì)于數(shù)據(jù)的質(zhì)量要求較高；而在實(shí)際應(yīng)用中，由于礦井監(jiān)測(cè)數(shù)據(jù)可能存在缺失、噪聲等問(wèn)題，導(dǎo)致模型的預(yù)測(cè)精度和可靠性受到限制；此外，當(dāng)災(zāi)害發(fā)生時(shí)，現(xiàn)場(chǎng)環(huán)境往往混亂且危險(xiǎn)，數(shù)據(jù)采集設(shè)備可能受損，人員安全撤離優(yōu)先，使得獲取準(zhǔn)確數(shù)據(jù)變得極為困難，進(jìn)一步影響了數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練和優(yōu)化。
5、因此，如何減少對(duì)大規(guī)模訓(xùn)練數(shù)據(jù)的依賴，顯著提高模型泛化能力和預(yù)測(cè)精度，增強(qiáng)對(duì)不同礦區(qū)和開(kāi)采條件的適應(yīng)性，是本領(lǐng)域技術(shù)人員亟需解決的問(wèn)題。
技術(shù)實(shí)現(xiàn)思路
1、有鑒于此，本發(fā)明提供了一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法及系統(tǒng)，旨在通過(guò)獲取目標(biāo)區(qū)域的待處理數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理、嵌入物理規(guī)律、特征工程和神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)對(duì)煤與瓦斯突出的快速、準(zhǔn)確預(yù)測(cè)。
2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：
3、一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法，包括以下步驟：
4、s1.采集目標(biāo)區(qū)域的包括但不限于地質(zhì)參數(shù)、瓦斯動(dòng)態(tài)參數(shù)、開(kāi)采活動(dòng)參數(shù)數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；
5、s2.基于預(yù)處理后的數(shù)據(jù)，使用統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法進(jìn)行相關(guān)性分析，從中篩選出與煤與瓦斯突出事件高度相關(guān)的關(guān)鍵特征，去除冗余或無(wú)關(guān)的特征；
6、s3.依據(jù)煤與瓦斯突出的物理機(jī)制，構(gòu)建關(guān)鍵物理方程以確定物理信息；
7、s4.構(gòu)建基于物理信息的pinn網(wǎng)絡(luò)結(jié)構(gòu)，并以考慮數(shù)據(jù)驅(qū)動(dòng)損失和物理驅(qū)動(dòng)損失的綜合損失函數(shù)進(jìn)行訓(xùn)練；
8、s5.將訓(xùn)練好的pinn模型應(yīng)用于實(shí)際煤與瓦斯突出預(yù)測(cè)中，輸入實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，輸出發(fā)生概率的分類結(jié)果。
9、優(yōu)選的，步驟s1，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的內(nèi)容包括：添加高斯噪聲以增強(qiáng)數(shù)據(jù)魯棒性，以及歸一化處理將數(shù)據(jù)映射到合適區(qū)間。
10、優(yōu)選的，步驟s2，提取的關(guān)鍵特征包括：瓦斯放散初速度、煤層堅(jiān)固性系數(shù)、瓦斯含量、瓦斯解吸含量和開(kāi)采深度。
11、優(yōu)選的，步驟s2，使用統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法進(jìn)行相關(guān)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(guò)降維提取主要特征，減少特征維度的同時(shí)保留關(guān)鍵信息。
12、優(yōu)選的，步驟s3，關(guān)鍵物理方程包括：應(yīng)力-應(yīng)變關(guān)系、瓦斯吸附-解吸平衡、滲透率動(dòng)態(tài)模型和地應(yīng)力平衡方程。
13、優(yōu)選的，步驟s4，pinn網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、多個(gè)隱藏層和輸出層；
14、輸入層接收處理后的特征數(shù)據(jù)，神經(jīng)元數(shù)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(guān)的多維信息；
15、隱藏層通過(guò)激活函數(shù)進(jìn)行非線性變換，逐層提取和轉(zhuǎn)換輸入特征的高層次抽象表示；
16、輸出層采用softmax激活函數(shù)，將隱藏層傳來(lái)的特征向量轉(zhuǎn)換為煤與瓦斯突出發(fā)生與否的概率分布，其神經(jīng)元數(shù)量與分類標(biāo)簽的類別數(shù)相對(duì)應(yīng)；
17、采用優(yōu)化算法調(diào)整網(wǎng)絡(luò)參數(shù)，使損失函數(shù)最小化，pinn的損失函數(shù)由數(shù)據(jù)驅(qū)動(dòng)損失和物理驅(qū)動(dòng)損失加權(quán)求和組成。
18、優(yōu)選的，pinn模型預(yù)測(cè)公式為：
19、
20、其中，表示pinn模型的預(yù)測(cè)輸出，為煤與瓦斯突出的危險(xiǎn)性；表示輸入數(shù)據(jù)，包括地質(zhì)參數(shù)、瓦斯動(dòng)態(tài)參數(shù)和開(kāi)采活動(dòng)參數(shù)；表示神經(jīng)網(wǎng)絡(luò)的映射函數(shù)，由網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)決定；包括網(wǎng)絡(luò)中的權(quán)重和偏置，通過(guò)訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到；物理約束表示嵌入到損失函數(shù)中的物理定律。
21、優(yōu)選的，pinn模型的綜合損失函數(shù)為將數(shù)據(jù)驅(qū)動(dòng)的損失函數(shù)和物理驅(qū)動(dòng)的損失函數(shù)加權(quán)求和，具體為：
22、
23、其中，表示第個(gè)樣本的真實(shí)標(biāo)簽或?qū)嶋H觀測(cè)值，表示pinn模型對(duì)第個(gè)樣本的預(yù)測(cè)值，表示樣本的總數(shù)，表示第個(gè)樣本的預(yù)測(cè)應(yīng)力，表示材料的彈性模量，反映了材料在彈性變形階段應(yīng)力與應(yīng)變的比例關(guān)系，表示第個(gè)樣本的實(shí)際應(yīng)變，表示第個(gè)樣本的預(yù)測(cè)吸附量，表示瓦斯的最大吸附量，表示第個(gè)樣本的瓦斯壓力，為吸附特征壓力，表示第個(gè)樣本的預(yù)測(cè)滲透率，表示第個(gè)樣本的參考滲透率，表示第個(gè)樣本的瓦斯壓力，表示第個(gè)樣本的參考?jí)毫Γ糜跉w一化當(dāng)前壓力，表示第個(gè)樣本的經(jīng)驗(yàn)指數(shù)，表示應(yīng)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(quán)重系數(shù)。
24、一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)系統(tǒng)，基于所述的一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法，包括數(shù)據(jù)采集與預(yù)處理模塊、特征工程模塊、物流信息確定模塊、模型構(gòu)建與訓(xùn)練模塊，以及預(yù)測(cè)模塊；
25、數(shù)據(jù)采集與預(yù)處理模塊，用于采集目標(biāo)區(qū)域的包括但不限于地質(zhì)參數(shù)、瓦斯動(dòng)態(tài)參數(shù)、開(kāi)采活動(dòng)參數(shù)數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；
26、特征工程模塊，用于基于預(yù)處理后的數(shù)據(jù)，使用統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法進(jìn)行相關(guān)性分析，從中篩選出與煤與瓦斯突出事件高度相關(guān)的關(guān)鍵特征，去除冗余或無(wú)關(guān)的特征；
27、模型構(gòu)建與訓(xùn)練模塊，用于依據(jù)煤與瓦斯突出的物理機(jī)制，構(gòu)建關(guān)鍵物理方程以確定物理信息并構(gòu)建基于物理信息的pinn網(wǎng)絡(luò)結(jié)構(gòu)，并以考慮數(shù)據(jù)驅(qū)動(dòng)損失和物理驅(qū)動(dòng)損失的綜合損失函數(shù)進(jìn)行訓(xùn)練；
28、預(yù)測(cè)模塊，用于將訓(xùn)練好的pinn模型應(yīng)用于實(shí)際煤與瓦斯突出預(yù)測(cè)中，輸入實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，輸出發(fā)生概率的分類結(jié)果。
29、一種處理終端，包括存儲(chǔ)器和處理器，存儲(chǔ)器中存儲(chǔ)有可在處理器上運(yùn)行的計(jì)算機(jī)程序，處理器執(zhí)行計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)所述的一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法。
30、經(jīng)由上述的技術(shù)方案可知，與現(xiàn)有技術(shù)相比，本發(fā)明公開(kāi)提供了一種基于物理信息神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測(cè)方法及系統(tǒng)，將物理定律與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合，彌補(bǔ)了純數(shù)據(jù)驅(qū)動(dòng)模型在物理一致性上的不足，提高了預(yù)測(cè)的科學(xué)性和準(zhǔn)確性；通過(guò)嵌入物理信息，模型對(duì)不同礦區(qū)和開(kāi)采條件的適應(yīng)性更強(qiáng)，泛化能力得到顯著提升；能夠及時(shí)處理輸入數(shù)據(jù)并給出預(yù)測(cè)結(jié)果，滿足煤礦安全生產(chǎn)中對(duì)煤與瓦斯突出預(yù)警的時(shí)效性要求。