一种基于机器学习模型的巷道瓦斯时空分布预测方法

专利主权项内容

1.一种基于机器学习模型的巷道瓦斯时空分布预测方法，其特征在于，包括以下步骤：S1、采集历史数据，建立面向大数据预测的历史瓦斯特征数据集X(x，y，z，t，c)首先，通过布置在巷道中的传感器和数据采集设备，实时采集巷道的空间位置、环境参数、CO浓度、粉尘浓度和瓦斯浓度数据，作为历史特征数据c；其次，采用标准化方法对采集的数据进行预处理；再次，采用主成分分析法对预处理后的数据进行特征提取，从采集的数据中提取与瓦斯浓度相关的特征，包括历史瓦斯浓度、温度、湿度以及风速；最后，采用数据归一化法对提取的特征进行特征转换，建立面向大数据预测的历史瓦斯特征数据集X(x，y，z，t，c)，式中x、y、z分别为巷道中点的三维坐标值，t为时间，c为历史特征数据；S2、煤矿巷道内瓦斯分布的控制方程为：式中，ρ为气体密度；为瓦斯组分所占的体积分数；D为瓦斯扩散系数；x、x(i＝1、2、3；j＝1、2、3)分别表示x方向、y方向、z方向；u、u(i＝1、2、3；j＝1、2、3)分别表示速度u在x方向、y方向、z方向的投影；ijij煤矿巷道内瓦斯分布的边界条件为：式中，x，y，z分别表示边界区域在x、y、z方向的坐标，表示边界区域的瓦斯组分所占的体积分数；BCBCBC煤矿巷道内瓦斯分布的初值条件为：S3、采用有限差分法，对煤矿巷道内瓦斯分布的控制方程在空间和时间上分别进行离散，以二阶中心差分法对空间维度进行处理，以一阶向后差分方法对时间进行离散，将任一个点的临近区域内与该点的距离等于相应的间隔差Δx、Δy、Δz、Δt的点定义为约束块，构建有限差分结构方程；式中，u，u，u分别表示速度u在x、y、z方向的偏导数；xyzS4、采用矩阵分解法，把煤矿巷道内瓦斯分布的控制方程转化到超平面，使得到的映射预测值符合物理机理，神经网络中在约束块上的预测值可以提取为预测矩阵H和约束矩阵A：S5、由约束块向投影块变换，推导映射矩阵P，并得到投影预测值T：P＝(1-A(AA)A)；TT-1式中，P为映射矩阵，A为约束矩阵，T为投影预测值；S6、将煤矿巷道内的区域进行随机分配，得到分配点的坐标(x，y，z，t)，边界条件坐标(x，y，z，t)以及初值条件坐标(x，y，z，t)，完成数据采样；jjjjkkkkllllS7、确定观察损失函数MSE：DATA式中，N为观测点的数量，NN(X)为神经网络算法，Y表示瓦斯浓度的观测值；obsS8、确定控制方程损失函数MSE：PDE式中，N为控制方程作用点的数量；fS9、确定边界条件损失和初始条件损失函数：确定边界条件损失函数MSE：BC式中，N为边界条件区域作用点的数量，为边界条件的瓦斯浓度，/>为神经网络模型的第i次预测值；BC确定初始条件损失函数MSE：IC式中，N为初始条件区域作用点的数量，为初始条件的瓦斯浓度，/>为神经网络模型的第i次预测值；ICS10、引入罚参数，得到预测模型总损失函数L为：L＝λMSE+λMSE+λMSE+λMSE；DATADATAPDEPDEBCBCICIC式中，λ、λ、λ、λ为罚参数，并且均为超参数；DATAPDEBCICS11、根据预测模型总损失函数L的结果，采用反向传播方法和Adam优化器，更新神经网络中的权重和偏置，直至预测模型总损失函数L收敛，即可得到训练好的模型；S12、采用验证集对训练好的预测模型进行验证，并调整超参数；S13、将实时采集的数据输入到训练好的模型中，即可得到瓦斯浓度时空分布预测结果。 来自马-克-数-据