人工智能在长壁煤矿井下瓦斯实时预测中的应用

徐振炜

（华北科技学院， 河南 郑州 450000）

0 引言

尽管有替代能源，但全球煤炭产量仍在逐年增加，长壁开采是最常用的煤炭开采方法，因为它具有高生产率和更安全的操作条件。然而，在通常的采矿作业和条件下，煤炭开采仍然面临严峻的挑战。尽管技术和安全管理取得了进步，但已知累积的甲烷气体引起的长壁开采面爆炸是甲烷爆炸的最常见原因。现有的行业实践依赖于关键区域的点型甲烷传感器，以防止爆炸性气体积聚，然而，点传感器在发现和警告爆炸危险方面并不可靠，尤其是在关键区域，例如长壁开采面地切削转子、尾门和头挡板区域附近。计算流体动力学（CFD）用于模拟长壁工作面的通风条件，以重现气流空气动力学和危险气体混合物的形成，这些气体混合物是使用常规监测和通风检查实践无法检测到的。尽管CFD 建模可以准确预测爆炸性气体区域，但高计算能力和时间要求使其无法用于实时通风监测目的。

Karacan[1]提出了主成分分析和基于人工神经网络的方法来预测63 个长壁开采的甲烷排放率，研究表明，可以准确预测每个矿山的每日甲烷排放量；Dougherty[2]和Karacan 利用预测模型并开发了可以预测具有弹性特性的通风排放的软件；Duda[3]和Krzemie'n 提出了一个预测从煤层到采空区的甲烷排放的框架，他们预测了矿山寿命每年每分钟甲烷的平均体积；Sidorenko[4]等人提供了预测从煤层到采空区的甲烷排放的必要参数。尽管这些研究讨论了预测，但这些预测既不是实时输出也不是空间输出。

实时预测长壁开采面中的甲烷需要及时预测爆炸性气体区的形成及其在3D 中的位置（x、y 和z坐标），时间预测主要使用时间序列分类/分析进行，时空AI模型和时间序列分类在该领域相对较新[5]。此外，绝大多数成功的模型只考虑一个或两个空间维度，例如x 坐标和/或y 坐标，以及感兴趣的数据，例如，跟踪碳排放的气候变化研究使用纬度、经度和碳含量，而水质研究使用交叉点和含水量的一维距离[6]。本研究提出一种用于采煤工作面甲烷实时预测的三维时空预测模型[7]。

1 材料与方法

开发的研究方法利用了CFD 建模和点传感器的优势。第一步介绍空间和时间CFD 建模以及长壁开采面仿真；第二步呈现提取的数据以及如何处理和呈现这些数据；第三步讨论了一种人工智能算法，称为长短期记忆（LSTM）模型，以及如何对其进行修改以满足本研究的要求，对算法进行了训练和测试，并对参数进行了优化；在最后一步中，讨论了对空间和时间结果的预测。

1.1 时空CFD 建模

Ansys Fluent 软件版本18.2 用于对长壁开采面进行建模和仿真，建模的长壁开采工作面长300 米，开采高度为3 m，深度为6 m，还对两个主要设备进行了建模：支撑设备（盾构）和切割设备（采煤机）。有150个盾牌，每个盾牌长2 m，固定在模型中。一台10 m长的采煤机沿长壁开采面放置在6 个位置。最后，建模区域覆盖了大约3 100 万个六边形和八角形网格。网格尺寸从3 cm到30 cm不等，这提高了预测分辨率。

该仿真举例说明了基于带有尾门（TG）回流装置的放气通风系统的煤工作面甲烷（CH4）气体排放的瞬态CFD 模型。每个瞬态模型模拟180 s，并以1 s 的间隔记录。

1.2 数据管理

在对长壁开采进行建模并模拟甲烷排放后收集数据，应该注意的是，虽然每个矿井通风条件都是独一无二的，但先前进行的研究证实，模拟数据与实际情况一致，包括但不限于：新鲜空气从工作面持续泄漏到采下，以及当供应的空气从工作面的头门流向尾门侧时甲烷的积累增加；由于采空器边缘的高孔隙率和渗透性，工作面的头门和尾门角周围的泄漏率较高；甲烷积累似乎遵循基于在几个长壁作业中进行的通风调查的线性回归。

图1 表示位置3 的第120 秒快照作为示例，其他位置和时间戳的行为类似，为避免冗余，仅提供一个示例。来自Fluent 软件的原始数据进行了预处理，其中包括将数据转换为CSV 文件，删除空白字段，添加切割方向以及固定所有字段的两个有效数字。

图1 采煤机位置3 的第120 秒的快照

1.3 修改后的LSTM

在长壁开采等动态环境中，连续监测是防止爆炸危险的关键，因此，提前一步的预测不足以实现本研究的目的。此外，考虑到所需的计算能力和数据大小，实施这些实时预测方法是不可行的。长壁开采的几何形状是3D 的，这些统计方法在3D 环境中的预测效果不佳。此外，与人工智能模型不同，统计方法使用插值，无法学习数据的极端波动。

根据文献和以前的测试，递归神经网络（RNN）被确定为长壁煤矿实时甲烷预测的最佳候选者。RNN包含来自先前时间步长的周期作为网络输入，以影响当前时间步的预测，这些时间戳存储在RNN 的内部状态中，允许它利用输入序列历史记录中动态变化的上下文窗口。然而，标准RNN 可以访问的上下文信息范围在实践中非常有限。问题在于，给定输入对隐藏层的影响，因此对网络输出的影响，在围绕网络的循环连接循环时衰减或呈指数级增长，这个缺点在文献中被称为梯度消失问题。长短期记忆（LSTM）是一种RNN 架构，专门设计用于解决梯度消失问题，LSTM于1997 年左右推出;它们的主要优点包括：（i）可以在指定时间段内存储信息的算法；（ii）抗噪声；（iii）可训练参数。根据我们之前的研究，任何使用人工智能的未来预测都可以分为七种问题类型（图像、传感器、运动、光谱仪、电子设备、心电图和模拟）。

由于甲烷预测类似于传感器类型问题，这是性能最好的算法之一，因此本研究采用了LSTM 网络（一种特殊类型的RNN）。由于LSTM被视为前馈神经网络，其中每个单元共享相同的模型参数，因此它们被视为深度架构或深度神经网络。在这项研究中，LSTM网络使用CFD 输出进行了修改、训练和测试。传统的LSTM网络接受2D 数据。本研究中实施的 LSTM模型修改包括：更改3D 空间的输入形状；添加3D 操作和矢量计算。修改后的LSTM模型的输入是x、y 和z坐标、到采煤机的最小距离、气流速度、甲烷浓度，以1 秒的间隔记录。

2 结果

如果没有高质量的数据，即使是性能最好的算法也可能无法预测结果。因此，算法的训练、验证和测试对于可靠的预测至关重要，如果未正确执行这些步骤，则结果可能会有偏差。

2.1 训练

训练数据用于向AI 模型教授模式和特征，重复向模型提供相同的训练数据，直到达到阈值水平。重复输送相同的数据称为纪元，纪元的简单解释是数据集通过设计网络的完整传递，该算法在学习输入数据集时随每个纪元更新其参数。使用分层K 折叠交叉验证方法将每个实例的训练数据分为80%和20%，这产生了一个平衡的数据划分，保留了每个样本的百分比甲烷含量，划分的80%的数据用于训练模型。

2.2 验证

验证数据与训练数据分开，验证了AI 的性能，训练和验证准确性可帮助用户评估其模式。图2 展示了一个常用的指标，用于评估算法性能、验证和训练准确性与纪元的关系。

图2 验证和训练准确性

在训练和验证精度图中，曲线的斜率在第12 个纪元之后接近水平，这表明数据没有对算法进行显着的学习过程。大约在第20 个纪元，学习曲线几乎变得水平，这表明在20 世纪之后不需要进一步的培训，因为准确率没有太大变化，范围从89.1%到93.8%。最后，训练曲线下方的验证曲线表明该模型提供了良好的数据表示，已准备好进行测试，并且能够提供可靠的预测。

2.3 测试

经过训练和验证后，测试数据用于评估AI 模型预测甲烷的性能。使用每个训练和测试耦合集的测试数据的实际和预测甲烷含量分析模型的性能，如表1所示。结果表明，改进后的LSTM算法预测甲烷体积分数的准确率范围为87.9%～92.4%。

表1 测试的总体准确性

3 讨论

分析表明，改进后的LSTM算法可以有效地结合CFD 建模和点传感器测量，AI 算法可以实现CFD 建模和实时点传感器数据测量的3D 覆盖，不同地点的整体准确率介乎87.9%至92.4%。尽管精度相对较高，但某些位置（例如位置3 和4）的结果准确性低于其他位置，可能是因为采煤机离头门和尾门（位置1和6）越近，甲烷排放量波动就越大。该算法在发现波动时更加敏捷，因此，相对恒定的甲烷排放可能是位置3 和4 测试精度较低的原因。尽管准确性显示出有希望的结果，但随着数据集的增加，它们可能会增加。即使单个位置有大约3 200 万个点，整个测量也只包含180 s 的数据。如果可以增加这些测量值，则准确性也可能会增加。鉴于当前超级计算机的数据存储和计算能力的进步，训练所需的时间为45 d。此外，数据量的增加将增加所需的计算能力和训练所需的时间，但是，时间要求的变化将呈指数而非线性变化。训练时间不会影响预测时间，一旦算法经过训练，所需的预测时间就不会发生剧烈变化。

虽然爆炸性气体区监测依赖于点传感器，但无法实时跟踪长壁开采面的关键区域，虽然CFD 建模可以克服传感器的覆盖范围，但所需的预测时间可能需要几天到几周，具体取决于仿真的分辨率。本研究的方法消除了这些不足，本文提出的系统产生高度准确的实时预测，并详细覆盖长壁开采面。因此，基于LSTM的改进甲烷预测可能有助于矿工和工程师的早期预警系统降低安全风险并防止一些事故。最后，该系统可以通过减少采煤机不必要的停机来提高产量，但是，AI 的预测能力取决于模拟的CFD 模型结果。因此，预测只能与类似的长壁开采面模型一样准确。使用不同的长壁开采面模型训练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数据进行训练，它可能被用于世界上所有的长壁开采。

4 结论

当前的爆炸性气体区域管理实践是通过点传感器或CFD 建模进行的，利用人工智能的力量对于监测爆炸性甲烷浓度可能至关重要。本研究的主要目的是结合当前甲烷监测实践的优点并消除其缺点，为此，利用改进的LSTM架构进行实时甲烷预测。这项研究是独一无二的，因为它提供了3D 空间中的实时甲烷预测。我们的研究成功地利用了大量的CFD 数据来预测可能的爆炸性甲烷积累的位置和时间，使用所提出的方法可以减少不必要的停机、高风扇速度和其他高运营成本，这将有助于通过监测工作面的甲烷气体来提高所有长壁煤矿的安全性和生产率。

尽管所提出的方法成功地预测了整个长壁开采面的甲烷浓度，但结果仅包含代表位置、时间和甲烷含量的数字。结果由一行行数字组成，工程师或矿工无法解释或使用这些数字来确定爆炸性气体积聚是否危险。我们将结果转换为更强大、更易于理解的可视化，类似于CFD 输出，提供熟悉的输出将通过减少工程师和工人的认知负荷来帮助他们。这些可视化将帮助我们进行用户研究，旨在发现一种更好的方法来可视化人工智能结果。