矿后煤炭粒径参数预测方法、装置、电子设备和存储介质与流程

摘要: 本公开涉及煤炭粒度表征,尤其涉及一种矿后煤炭粒径参数预测方法、装置、电子设备和存储介质。背景技术:1、矿后煤炭在提升出井后,通常需要经过运输、储存、筛分及洗选等...
矿后煤炭粒径参数预测方法、装置、电子设备和存储介质与流程

本公开涉及煤炭粒度表征,尤其涉及一种矿后煤炭粒径参数预测方法、装置、电子设备和存储介质。

背景技术:

1、矿后煤炭在提升出井后,通常需要经过运输、储存、筛分及洗选等环节,其颗粒粒径分布会随着破碎、筛分和洗选过程发生变化。煤炭粒径参数是影响煤炭瓦斯解吸速率、甲烷释放过程以及矿后活动温室气体排放量的重要参数。

2、目前,矿后煤炭粒径参数主要通过现场采样、筛分试验、动态图像分析及静态图像处理等方法直接测定。然而,煤矿现场煤炭来源复杂,不同矿井受煤变质程度、煤体结构、坚固性系数、粒级组成及洗选工艺等因素影响,其粒径分布存在明显差异。采用现场逐矿测试方法不仅工作量大、测试周期长,而且难以满足矿后煤炭甲烷排放快速核算和预测需求。

技术实现思路

1、本公开提供了一种矿后煤炭粒径参数预测方法、装置、电子设备和存储介质。

2、根据本公开的第一方面,提供了一种矿后煤炭粒径参数预测方法,其中,包括:

3、采集不同矿井矿后煤炭样品的煤质特征参数、粒级条件参数及洗选工艺参数,并获取与各参数对应的矿后煤炭粒径分布参数,建立矿后煤炭粒径参数数据库;

4、对所述矿后煤炭粒径参数数据库中的数据进行预处理,将类别型参数转换为数值特征,对连续型参数进行归一化处理,构建输入特征集和输出特征集,并划分训练集和测试集;

5、基于所述训练集构建基础粒径参数预测模型,通过多种非线性学习模型对输入特征与粒径参数之间的映射关系进行训练,根据预测性能对比确定适用于矿后煤炭粒径参数预测的目标模型;

6、以所述目标模型为基础构建多任务预测模型,将多个粒径参数作为联合预测目标,通过共享特征表示同时学习各粒径参数之间的关联关系,并采用优化算法对模型超参数进行自动寻优,获得优化后的粒径参数预测模型;

7、获取待预测矿井的煤质特征参数、粒级条件参数及洗选工艺参数,经数据预处理后输入所述优化后的粒径参数预测模型,输出对应的矿后煤炭粒径参数。

8、可选的,所述采集不同矿井矿后煤炭样品的煤质特征参数、粒级条件参数及洗选工艺参数,包括:

9、采集不同矿井矿后煤炭样品的煤变质程度和煤的坚固性系数作为煤质特征参数,采集煤炭粒级作为粒级条件参数,采集洗选工艺类型作为洗选工艺参数;

10、通过图像分析或筛分测试方法获取矿后煤炭在出井边界和出矿边界的特征粒径参数,作为所述矿后煤炭粒径分布参数;

11、将所述煤质特征参数、粒级条件参数、洗选工艺参数与对应的特征粒径参数关联存储,建立矿后煤炭粒径参数数据库。

12、可选的,所述对所述矿后煤炭粒径参数数据库中的数据进行预处理,包括:

13、对所述煤变质程度和洗选工艺参数采用数值编码方法转换为数值特征,对所述煤的坚固性系数和煤炭粒级采用归一化方法映射至预设数值区间,得到统一尺度的特征数据;

14、以所述煤质特征参数、粒级条件参数及洗选工艺参数对应的数值特征构建输入特征集,以所述特征粒径参数构建输出特征集;

15、按照预设比例将所述输入特征集和输出特征集划分为训练集和测试集。

16、可选的,所述基于所述训练集构建基础粒径参数预测模型,包括:

17、分别构建多种非线性学习模型,以所述训练集中的输入特征集为模型输入,以所述输出特征集为模型输出,对各模型进行训练;

18、采用所述测试集对各训练后的模型进行预测性能评估,计算各模型的预测误差指标,对比各模型的预测精度和泛化能力;

19、根据预测性能对比结果,选取预测误差最小且泛化能力最优的模型作为所述目标模型。

20、可选的,所述以所述目标模型为基础构建多任务预测模型,包括:

21、以所述目标模型为基础构建多任务预测模型,将多个特征粒径参数作为联合预测目标,通过共享特征表示同时学习各特征粒径参数之间的关联关系,使模型在预测过程中保持各特征粒径参数之间的逻辑一致性;

22、采用优化算法对所述多任务预测模型的超参数进行自动寻优,通过构建超参数组合与预测误差之间的代理关系模型,在超参数搜索空间内迭代寻优,获得使预测误差最小的最优超参数组合;

23、将所述最优超参数组合配置到所述多任务预测模型中,利用所述训练集对配置后的模型进行重新训练,获得优化后的粒径参数预测模型。

24、可选的,所述输出对应的矿后煤炭粒径参数之后,还包括:

25、对所述优化后的粒径参数预测模型输出的特征粒径参数进行逻辑一致性校验,判断各特征粒径参数是否满足预设的粒径分布规律;

26、当校验结果为满足所述粒径分布规律时,将各特征粒径参数作为最终预测结果输出;

27、当校验结果为不满足所述粒径分布规律时,对各特征粒径参数进行排序修正,使修正后的特征粒径参数满足所述粒径分布规律,并将修正后的特征粒径参数作为最终预测结果输出。

28、可选的,所述输出对应的矿后煤炭粒径参数之后,还包括:

29、根据预测获得的特征粒径参数更新所述矿后煤炭粒径参数数据库;

30、将所述特征粒径参数用于矿后煤炭全尺度特征粒径计算、瓦斯解吸动力学分析以及矿后活动甲烷排放计量模型。

31、根据本公开的第二方面,提供了一种矿后煤炭粒径参数预测装置,包括:

32、采集单元,用于采集不同矿井矿后煤炭样品的煤质特征参数、粒级条件参数及洗选工艺参数,并获取与各参数对应的矿后煤炭粒径分布参数,建立矿后煤炭粒径参数数据库;

33、预处理单元,用于对所述矿后煤炭粒径参数数据库中的数据进行预处理,将类别型参数转换为数值特征,对连续型参数进行归一化处理,构建输入特征集和输出特征集,并划分训练集和测试集;

34、训练单元,用于基于所述训练集构建基础粒径参数预测模型,通过多种非线性学习模型对输入特征与粒径参数之间的映射关系进行训练,根据预测性能对比确定适用于矿后煤炭粒径参数预测的目标模型;

35、优化单元,用于以所述目标模型为基础构建多任务预测模型,将多个粒径参数作为联合预测目标,通过共享特征表示同时学习各粒径参数之间的关联关系,并采用优化算法对模型超参数进行自动寻优,获得优化后的粒径参数预测模型;

36、输出单元,用于获取待预测矿井的煤质特征参数、粒级条件参数及洗选工艺参数,经数据预处理后输入所述优化后的粒径参数预测模型,输出对应的矿后煤炭粒径参数。

37、可选的,所述采集单元还用于:

38、采集不同矿井矿后煤炭样品的煤变质程度和煤的坚固性系数作为煤质特征参数,采集煤炭粒级作为粒级条件参数,采集洗选工艺类型作为洗选工艺参数;

39、通过图像分析或筛分测试方法获取矿后煤炭在出井边界和出矿边界的特征粒径参数,作为所述矿后煤炭粒径分布参数;

40、将所述煤质特征参数、粒级条件参数、洗选工艺参数与对应的特征粒径参数关联存储,建立矿后煤炭粒径参数数据库。

41、可选的,所述预处理单元还用于:

42、对所述煤变质程度和洗选工艺参数采用数值编码方法转换为数值特征,对所述煤的坚固性系数和煤炭粒级采用归一化方法映射至预设数值区间,得到统一尺度的特征数据;

43、以所述煤质特征参数、粒级条件参数及洗选工艺参数对应的数值特征构建输入特征集,以所述特征粒径参数构建输出特征集;

44、按照预设比例将所述输入特征集和输出特征集划分为训练集和测试集。

45、可选的,所述训练单元还用于:

46、分别构建多种非线性学习模型,以所述训练集中的输入特征集为模型输入,以所述输出特征集为模型输出,对各模型进行训练;

47、采用所述测试集对各训练后的模型进行预测性能评估,计算各模型的预测误差指标,对比各模型的预测精度和泛化能力;

48、根据预测性能对比结果,选取预测误差最小且泛化能力最优的模型作为所述目标模型。

49、可选的,所述优化单元还用于:

50、以所述目标模型为基础构建多任务预测模型,将多个特征粒径参数作为联合预测目标,通过共享特征表示同时学习各特征粒径参数之间的关联关系,使模型在预测过程中保持各特征粒径参数之间的逻辑一致性;

51、采用优化算法对所述多任务预测模型的超参数进行自动寻优,通过构建超参数组合与预测误差之间的代理关系模型,在超参数搜索空间内迭代寻优,获得使预测误差最小的最优超参数组合;

52、将所述最优超参数组合配置到所述多任务预测模型中,利用所述训练集对配置后的模型进行重新训练,获得优化后的粒径参数预测模型。

53、可选的,所述装置还包括:

54、校验单元,用于对所述优化后的粒径参数预测模型输出的特征粒径参数进行逻辑一致性校验,判断各特征粒径参数是否满足预设的粒径分布规律;

55、当校验结果为满足所述粒径分布规律时,将各特征粒径参数作为最终预测结果输出;

56、当校验结果为不满足所述粒径分布规律时,对各特征粒径参数进行排序修正,使修正后的特征粒径参数满足所述粒径分布规律,并将修正后的特征粒径参数作为最终预测结果输出。

57、可选的,所述装置还包括:

58、更新单元,用于根据预测获得的特征粒径参数更新所述矿后煤炭粒径参数数据库;

59、将所述特征粒径参数用于矿后煤炭全尺度特征粒径计算、瓦斯解吸动力学分析以及矿后活动甲烷排放计量模型。

60、根据本公开的第三方面,提供了一种电子设备,包括:

61、至少一个处理器;以及

62、与所述至少一个处理器通信连接的存储器;其中,

63、所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述第一方面所述的方法。

64、根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行前述第一方面所述的方法。

65、根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。

66、本公开提供的矿后煤炭粒径参数预测方法、装置、电子设备和存储介质,通过本技术,由于利用多矿井历史数据建立包含煤质特征、粒级条件及洗选工艺参数与粒径参数的数据库,并采用多任务学习模型同步学习多个粒径参数间的关联关系及与输入参数的复杂映射,使得对新矿井仅需输入易获取的基础参数即可高精度预测矿后煤炭粒径参数,从而避免了逐矿现场采样和筛分测定的繁重工作,因此,可以解决现有现场测试方法工作量大、测试周期长、难以满足快速核算与预测需求的技术问题,达到大幅降低测试成本、缩短参数获取周期、实现矿后煤炭粒径参数快速准确预测,有力支撑甲烷排放动态核算与评估的技术效果。

67、应当理解,本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征,也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。