一种煤矿瓦斯涌出量预测方法

技术领域

本发明属于煤矿瓦斯治理技术领域，具体涉及一种煤矿瓦斯涌出量预测方法。

背景技术

煤矿安全是贯穿整个煤炭开采过程中最为关键的话题，虽然相关部门对煤矿安全问题非常重视，但煤矿安全事故还是时有发生。引起煤矿安全事故的因素有很多种，在所有的煤矿灾害事故中，瓦斯灾害不但给井下作业人员带来严重的危害性，还对煤矿的安全生产极具破坏性，给社会带来不稳定因素。由瓦斯引起的煤矿安全事故是所有类型煤矿事故中造成伤亡人数最多的灾害之一，而导致此类事故发生的根本原因就是井下瓦斯气体的异常涌出。瓦斯治理的首要目标是将瓦斯的浓度控制在安全允许的范围之下，根据实时的瓦斯浓度采取相应的抽采措施，以达到安全生产的目的。如果能正确掌握瓦斯浓度的变化规律，那么对于瓦斯抽采工作来说极具参考意义。因此对煤矿瓦斯涌出量预测方法的研究具有重要的意义。

随着计算机技术的发展，在瓦斯涌出量预测方面，出现了一些新的预测方法，如灰色系统、BP神经网络方法、支持向量机方法等。《基于多元线性回归理论的煤矿瓦斯涌出量预测》文献中，根据煤层瓦斯含量、煤层埋深、煤层厚度以及临近层瓦斯含量四个因素建立瓦斯涌出量预测模型，取得了不错的结果，但是未考虑开采技术方面的因素，参考量单一；《基于BP神经网络的小断层构造区域瓦斯涌出预测方法研究》文献中，考虑到多因素影响的原因，将九个影响瓦斯涌出量的因素作为输入，利用BP神经网络进行预测，得到较高的预测精度，但是未考虑到过拟合的问题。总而言之，针对瓦斯涌出量的预测问题，国内外学者进行了大量的研究，提出了很多的瓦斯涌出量预测方法，但现有方法依然存在以下不足：(1)有的预测算法参考量单一，忽视了其他因素带来的影响，导致预测精度不高；(2)如BP神经网络、支持向量机等瓦斯涌出量预测方法没有考虑所建立模型的过拟合问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种煤矿瓦斯涌出量预测方法，其方法步骤简单，设计合理，实现方便，能够有效应用在煤矿瓦斯涌出量预测中，预测精度高，使用效果好，便于推广使用。

为解决上述技术问题，本发明采用的技术方案是：一种煤矿瓦斯涌出量预测方法，包括以下步骤：

步骤一、分析瓦斯涌出量影响因素，建立瓦斯涌出量预测指标体系；

步骤二、根据所述瓦斯涌出量预测指标体系获得瓦斯涌出量影响因素的原始样本数据；

步骤三、采用主成分分析法对所述原始样本数据进行降维；

步骤四、将降维后的数据样本分为训练集和测试集；

步骤五、选取XGBoost模型作为瓦斯涌出量预测的基础模型，并设置模型中的超参数及超参数的寻优范围；

步骤六、采用贝叶斯优化算法对设置的超参数进行寻优，确定最佳超参数组合，得到优化的XGBoost模型；

步骤七、将步骤四中所述训练集输入优化的XGBoost模型中进行训练，得到训练好的瓦斯涌出量预测模型；

步骤八、将步骤四中所述测试集输入训练好的瓦斯涌出量预测模型中进行检验，得到最终的瓦斯涌出量预测模型。

上述的一种煤矿瓦斯涌出量预测方法，步骤一中所述瓦斯涌出量影响因素包括地质因素和开采技术因素，所述地质因素包括煤层间距、邻近层瓦斯含量、煤层倾角、煤层瓦斯含量、煤层厚度和煤层埋藏深度；所述开采技术因素包括日进度、日产量、采高、工作面采出率和工作面长度。

上述的一种煤矿瓦斯涌出量预测方法，步骤二中所述原始样本数据包括多组样本，每组样本包含11个瓦斯涌出量影响因素。

上述的一种煤矿瓦斯涌出量预测方法，步骤三中所述采用主成分分析法对原始样本数据进行降维的具体过程包括：

步骤301、对原始样本数据进行中心化处理；

步骤302、计算样本的协方差矩阵；

步骤303、计算协方差矩阵的特征值和特征向量；

步骤304、按照累计贡献率超过85％的选取原则选择主成分；

步骤305、根据计算出的特征向量写出主成分的表达式。

上述的一种煤矿瓦斯涌出量预测方法，步骤五中所述设置的超参数包括XGBoost模型中的n_estimators、max_depth、subsample、colsample_bytree、reg_alpha、reg_lambda和min_child_weight。

上述的一种煤矿瓦斯涌出量预测方法，步骤六中所述采用贝叶斯优化算法对设置的超参数进行寻优，确定最佳超参数组合的具体过程包括：

步骤601、在超参数的寻优范围内随机产生初始化点；

步骤602、高斯过程；

步骤603、采集函数；

步骤604、计算最大采集函数值；

步骤605、判断是否满足精度要求，当满足精度要求时，输出最佳超参数组合；当不满足精度要求时，返回步骤602。

上述的一种煤矿瓦斯涌出量预测方法，步骤603中所述采集函数采用提升概率函数。

本发明与现有技术相比具有以下优点：

1、本发明方法步骤简单，设计合理，实现方便。

2、本发明分析煤矿瓦斯涌出量的相关影响因素，选取了11种影响因素，并建立了由多种影响因素组成的瓦斯涌出量预测指标体系，为煤矿瓦斯涌出量预测奠定基础。

3、本发明针对预测指标体系维数高和存在冗余信息的问题，采用主成分分析法对原始数据进行降维，提取了瓦斯涌出量数据的特征信息，实现数据的进一步简化，以减少原始数据中的冗余信息。

4、本发明针对神经网络精度欠佳的问题，选取XGBoost模型作为瓦斯涌出量预测的基础模型，同时，针对XGBoost模型超参数较多，难以确定的问题，采用贝叶斯优化算法对XGBoost的超参数进行优化，以减少瓦斯涌出量预测模型的误差，提高预测精度。

5、本发明能够有效应用在煤矿瓦斯涌出量预测中，预测精度高，使用效果好，便于推广使用。

综上所述，本发明方法步骤简单，设计合理，实现方便，能够有效应用在煤矿瓦斯涌出量预测中，预测精度高，使用效果好，便于推广使用。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明的方法流程图；

图2为本发明的瓦斯涌出量预测指标体系图；

图3为本发明测试集的瓦斯涌出量预测结果图；

图4为本发明测试集的瓦斯涌出量预测误差结果图。

具体实施方式

如图1所示，本发明的煤矿瓦斯涌出量预测方法，包括：

步骤一、分析瓦斯涌出量影响因素，建立瓦斯涌出量预测指标体系；

本实施例中，所述瓦斯涌出量影响因素包括地质因素和开采技术因素，所述地质因素包括煤层间距、邻近层瓦斯含量、煤层倾角、煤层瓦斯含量、煤层厚度和煤层埋藏深度；所述开采技术因素包括日进度、日产量、采高、工作面采出率和工作面长度。

具体实施时，各个影响因素对工作面瓦斯涌出量影响作用不一，有的影响因素程度较高，有的影响因素相对就较低，而且部分因素之间还存在着相互作用关系。因此，影响工作面瓦斯涌出量的因素具有多且复杂的特点。在仔细分析煤矿瓦斯涌出量的规律后，确定了11个影响因素，建立的瓦斯涌出量预测指标体系如图2所示。

步骤二、根据所述瓦斯涌出量预测指标体系获得瓦斯涌出量影响因素的原始样本数据；

具体实施时，获得的瓦斯涌出量影响因素的部分原始样本数据如表1所示：煤层埋藏深度X

表1部分原始样本数据

本实施例中，原始样本数据包括130组样本，每组样本包含11个瓦斯涌出量影响因素。

步骤三、采用主成分分析法对所述原始样本数据进行降维；

步骤301、对原始样本数据进行中心化处理；

步骤302、计算样本的协方差矩阵；

步骤303、计算协方差矩阵的特征值和特征向量；

步骤304、按照累计贡献率超过90％的选取原则选择主成分；

步骤305、根据计算出的特征向量写出主成分的表达式。

具体实施时，为了真实地反应瓦斯涌出量的情况，选取了11个瓦斯涌出量影响因素作为预测指标，由于选取的指标相对较多，如果直接把这些影响因素作为瓦斯涌出量预测模型的输入变量，势必会增加学习器的复杂度，进而影响到学习器的计算速率。而且，瓦斯涌出量影响因素之间的关系相对复杂，各影响因素之间存在相关性造成信息数据之间存在一定的冗余关系。因此，为了最大程度地降低这些问题所造成的影响，有必要对这些原始的输入数据进行降维处理，不仅可以对数据的复杂度进行约简，节省一部分运行时间，而且在一定程度上保障了瓦斯涌出量预测模型的可靠性。经过主成分分析法降维后的结果如表2所示。

表2各成分累计的方差贡献率

从表2中可以看出，前5个主成分的累计方差贡献率超过了90％，F

表3主成分系数

根据表3可以得到5个主成分的表达式：

F

F

F

F

F

5个主成分是瓦斯涌出量影响因素之间的线性变换得到的，不会改变原来各个影响因素的客观存在。

步骤四、将降维后的数据样本分为训练集和测试集；

具体实施时，把降维后的130组数据样本分为训练集100组和测试集30组。

步骤五、选取XGBoost模型作为瓦斯涌出量预测的基础模型，并设置模型中的超参数及超参数的寻优范围；

本实施例中，设置的超参数包括XGBoost模型中的n_estimators、max_depth、subsample、colsample_bytree、reg_alpha、reg_lambda和min_child_weight。

具体实施时，由于XGBoost模型超参数较多，如果对所有超参数进行优化，会给计算带来巨大挑战，增加寻优时间。因此，根据实际情况选择7个超参数作为待寻优的目标，7个超参数设定范围及含义如表4所示。

表4 XGBoost模型超参数设定范围及含义

步骤六、采用贝叶斯优化算法对设置的超参数进行寻优，确定最佳超参数组合，得到优化的XGBoost模型；

步骤601、在超参数的寻优范围内随机产生初始化点；

步骤602、高斯过程；

步骤603、采集函数；所述采集函数采用提升概率函数；

步骤604、计算最大采集函数值；

步骤605、判断是否满足精度要求，当满足精度要求时，输出最佳超参数组合；当不满足精度要求时，返回步骤602。

具体实施时，贝叶斯优化算法是基于概率学中“贝叶斯理论”的一种黑盒优化算法，贝叶斯优化算法与随机搜索算法以及网格搜索算法最大不同在于，在运行某一组超参数时，贝叶斯优化算法会考虑前一组超参数的优化结果，以此可以更有效的得到最佳的超参数组合。

步骤七、将步骤四中所述训练集输入优化的XGBoost模型中进行训练，得到训练好的瓦斯涌出量预测模型；

步骤八、将步骤四中所述测试集输入训练好的瓦斯涌出量预测模型中进行检验，得到最终的瓦斯涌出量预测模型。

具体实施时，通过试验仿真，得到了测试集的预测结果以及误差结果，瓦斯涌出量预测结果如图3所示，预测误差结果如图4所示。从图4可以看出，训练好的瓦斯涌出量预测模型预测的平均绝对误差为0.0703，均方根误差为0.0957，具有较高的预测精度。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。