基于案例推理的煤与瓦斯突出预警模型研究

2023-11-13李全贵李建波胡千庭吴江杰郑梦浩周俊江

矿业安全与环保 2023年5期

李全贵,李建波,胡千庭,吴江杰,郑梦浩,李赏,周俊江

(1.重庆大学煤矿灾害动力学与控制国家重点实验室,重庆 400044; 2.重庆大学资源与安全学院,重庆 400044)

煤与瓦斯突出(简称“突出”)事故是煤矿安全高效生产的主要威胁之一。随着浅表煤炭资源的日益匮乏,煤炭开采深度逐渐增加,突出的危害也不断加大[1]。针对突出防治及预警技术,国内外学者从理论分析、物理模拟和数值模拟等角度开展了研究[2-3]。此外,也有采用行为学、统计学、管理学和大数据等手段,分析我国煤矿瓦斯事故特征,构建精准有效的风险测度模型[4-8],为防治突出提供指导的研究方式。自《生产安全事故报告和调查处理条例》[9]发布实施以来,事故调查报告逐渐进入公众视野,报告数量的积少成多,为通过统计历史事故案例的特征并挖掘其中信息形成专家经验来预警和指导突出防治工作提供了可行性。

案例推理(case-based reasoning, CBR)从历史案例中汲取事故经验,并应用到具有类似特征的新问题中[10]。案例推理包括案例表示、案例检索、案例重用、案例修改及案例保存5个部分[11]。其中,案例表示和案例检索是研究的重点。作为事故预警的研究手段之一[12],案例推理已被用于医疗、交通、建筑等多个领域[13-17]。该方法智能化程度、求解效率高且能持续不断地学习。

鉴于此,考虑影响突出的多种因素,基于CBR突出预警模型,采用结构化存储技术,运用K最近邻算法和GWO算法,构建突出预警与管控方案推荐系统案例库,完成煤与瓦斯突出预警系统的结构设计与系统开发,以实现突出预警与决策的一体化,为突出风险管理提供方法参考和技术支持。

1 CBR突出预警模型

CBR突出预警模型通过计算待测案例与存储在案例库中的案例之间的相似程度,从案例库中检索出具有相似特征的历史案例,将该案例的解决方法应用到当前问题中[18-19]。其工作流程如图1所示。

图1 CBR预警模型流程图

CBR工作流程:①选用合适的案例表示法将待测案例表示为易处理的结构化数据(案例表示);②运用合适的案例检索方法将待测案例与事故案例库中的突出案例进行相似匹配(案例检索);③如果存在相似度较高的历史案例,则结合历史案例来识别待测案例的突出隐患并提出整改措施(案例重用),反之根据后续调查与研究,将该案例修改保存至案例库中,丰富突出案例数据库(案例修改和案例保存)。其中,案例表示和案例检索是CBR模型的两个主要流程。

1.1 案例表示

由于灾害事故案例具有结构化的特点,随着事故的不断发生和推进,需对相应的数据进行更改和添加,框架表示法具有类似功能属性且易于理解[20-21]。因此,本系统选用框架法对突出事故进行案例表示。模型总框架如式(1)所示:

(1)

式中:C为突出事故案例;T为主题信息子框架,对突出事故概况加以描述;I为事故描述子框架,是案例检索的数据基础和来源;F为预警方案子框架。

框架由若干个具有槽名和槽值的槽组成。用框架法对突出进行案例表示,具体见表1。

表1 煤与瓦斯突出事故案例总框架

各子框架详细信息见表2～4。

表2 主题信息子框架

表3 事故描述子框架

表4 预警方案子框架

1.2 案例检索

鉴于K最近邻算法在考虑多因素指标方面的优势[22],选择该算法完成案例检索。该方法主要涉及局部相似度计算和全局相似度计算2个方面。

1.2.1 局部相似度计算

按照突出指标的数据类型将指标分为2类:数值类型和枚举类型。

数值类型一般可分为确定数和区间数,可通过计算数据之间的空间距离来评估该类型属性之间的相似度[23-24]。开采深度、瓦斯压力、煤层平均厚度等为确定数类型指标,其属性相似度计算方法如式(2)所示:

(2)

枚举数据类型主要包含有序枚举和无序枚举2类。针对煤体破坏类型等指标,使用有序枚举类型的特征相似度计算方法,如式(3)所示:

(3)

式中g为属性i取值的等级数量。

针对地质构造等指标,采用无序枚举类型的特征相似度计算方法,如式(4)所示:

(4)

1.2.2 全局相似度计算

在计算每个属性的局部相似度后,待测案例与历史案例的全局相似度可按式(5)计算:

(5)

式中:sim(X,Y) 为案例X和Y的全局相似度;ωi为案例X和Y在第i个属性上的权重值,且所有权重相加总和为1;sim(Xi,Yi)为案例X和Y在第i个属性的局部相似度。

1.3 权重的GWO分配算法

式(5)中的ωi代表指标参数的重要性,数值越大则表明该指标越重要。指标权重的设置会对最终结果产生影响,合理设置指标权重可以提升CBR预警模型的求解性能。

GWO算法通过模拟灰狼族群的狩猎行为,并依据其种群内部互相协作的机制达到优化的目的。GWO算法具有收敛性能强和容易实现等优点,且能够自动调节收敛因子和数据反馈机制,从而实现局部与全局搜索的均衡,在问题的求解精度等方面均表现出良好的效果[25]。

1.3.1 灰狼种群等级划分

灰狼种群具有严格的等级制度,如图2所示。其中,α狼是狼群的领袖,代表模型的当前最优解;β狼辅助α狼进行决策,代表当前次优解;δ狼服从α狼和β狼指令进行狩猎,代表当前一般解;ω狼服从于其他高等级狼,负责维持种群内部关系平衡,代表当前候选解。

图2 灰狼种群等级划分

1.3.2 包围猎物

将灰狼包围猎物的行为定义为:

D=|C·Xp(t)-X(t)|

(6)

X(t+1)=Xp(t)-A·D

(7)

式中D表示灰狼与猎物间的距离,式(7)表示灰狼位置的更新。其中,t为当前迭代次数;XP和X分别为猎物和灰狼个体的位置向量;A和C均为系数向量,其计算方式如下:

A=2a·r1-a

(8)

C=2·r2

(9)

式中:a为收敛因子,随着迭代次数的增加从2线性减小到0;r1、r2为[0,1]之间的随机数。

当|A|<1时,灰狼向猎物逼近,进行局部搜索;当|A|>1时,灰狼远离猎物,进行全局搜索。C的作用是在寻优过程中避免陷入局部最优解。

1.3.3 捕食猎物

灰狼种群的位置在不断变化,直到捕猎成功为止。捕猎过程的数学模型描述如下:

(10)

(11)

(12)

式中:Dα、Dβ、Dδ分别为α、β、δ狼与猎物间的距离;Xα、Xβ、Xδ为α、β、δ狼的当前位置;X为当前灰狼个体的位置;X1、X2、X3为ω向α、β、δ狼进化的方向和步长;X(t+1)为ω的最终位置。

1.3.4 设计目标函数

在对指标权重进行优化的过程中,通过判断目标函数值,可以确定权重的最优解,故目标函数的设置至关重要。合适的目标函数应同时考虑系统的响应速度和抗干扰能力。采用的目标函数F计算公式如下:

(13)

式中:qk为第k个测试案例在当前属性权重下与其他案例的总相似度;N为测试案例总数。

灰狼优化算法最终流程如图3所示。

图3 GWO算法流程图

2 系统开发

2.1 系统架构

基于案例推理的突出预警系统使用Java编程语言和MySQL数据库,以IntelliJ IDEA为开发平台,采用浏览器/服务器(B/S)结构模式。浏览器由互联网访问Web后端服务器,再经由服务器向数据库提交请求,经过后端运算,将返回的结果发送到浏览器页面上。该系统可在Windows环境下使用,无需固定的客户端,即可快速便捷地获取信息。系统主页面如图4所示。

图4 CBR突出预警系统主页面

2.2 数据库与指标体系

对近10年的煤矿瓦斯事故案例进行统计和数据处理,筛选出34起信息较为齐全的煤与瓦斯突出事故案例,构成基于案例推理的煤与瓦斯突出事故案例数据库,相关信息见表5。

表5 煤与瓦斯突出事故案例数据库

基于煤与瓦斯突出综合作用假说,本着易获取且指标间相互独立的原则,确定开采深度、瓦斯压力、煤层平均厚度、煤体破坏类型、地质构造类型、瓦斯含量等6个指标。结合煤与瓦斯突出事故其他信息,根据各数据的不同属性构建煤与瓦斯突出预警指标体系,如图5所示。

图5 煤与瓦斯突出预警指标体系

3 实例验证

3.1 案例表示

2021年6月4日,河南鹤煤六矿发生一起煤与瓦斯突出事故。以此为例,对构建的突出预警系统进行验证。根据矿井基本情况,筛选出用于表征该突出事故的主题信息和案例描述子框架,分别见表6～7。

表6 主题信息子框架

表7 案例描述子框架

3.2 案例检索结果及分析

利用GWO算法对鹤煤六矿的属性权重进行优化,设置灰狼种群数量为30,最大迭代次数为100。对权重优化结果及全局相似度分析如下:

1)按照GWO算法对鹤煤六矿煤与瓦斯突出各属性进行权重调优后发现:开采深度、瓦斯压力、煤层平均厚度、地质构造、煤体破坏类型等5个属性的归一化权重分别为0.223、0.222、0.353、0.097、0.095。据此按各特征属性对煤与瓦斯突出影响作用的大小进行排序:煤层平均厚度>开采深度>瓦斯压力>煤体破坏类型>地质构造类型。

2)结合全局相似度最高的3个事故案例进行分析,其相似度计算结果见表8。鹤煤六矿不存在明显的地质构造,而鹤煤六矿与该3个案例在地质构造类型上的相似度均为1,说明3个案例矿井均不存在明显的地质构造类型。所以即使局部相似度为1,但其所占权重最低。同理,煤体破坏类型的局部相似度所占权重也较低。煤层平均厚度、开采深度、瓦斯压力对应的局部相似度较高,所占权重也较高,说明这3个属性对突出的影响较大。