煤矿智能开采工作面底板突水预测模型、预测方法及系统与流程

1.本发明属于煤矿领域，涉及底板水害智能预测，具体涉及一种煤矿智能开采工作面底板突水预测模型、预测方法及系统。


背景技术：

2.随着人工智能的快速发展，煤矿智能化开采已经成为了一种必要的发展趋势，智能化开采将会给矿井安全生产带来重大革新。煤矿智能化开采可大幅减少采煤工作面作业人员，促使煤矿开采达到无人化或少人化的开采目标，进而在一定程度上减少因煤矿事故引起的人员伤亡和财产损失。目前大多数煤矿建立的智能开采工作面的地质及水文地质条件较为简单，然而随着煤炭资源开采向深部逐渐转移，智能开采工作面虽然能够减少作业人员并降低人员伤亡，但仍然面临着煤层底板突水事故的困扰，无法从根本上消除煤层底板突水的隐患，这将严重制约煤矿智能化开采的进一步发展。
3.智能开采工作面底板突水与诸多因素有关，其中主要包括底板隔水层厚度、含水层水压、含水层富水性、断层分维值、底板破坏深度、开采高度、开采宽度和工作面推采速度等因素。目前，工作面底板突水主要是采用突水系数法进行评价预测，同时依靠人为经验进行相关的分析判断，缺乏自主学习、主动智能预测和智能决策的方法及系统，致使智能开采工作面底板水害不能做到主动预测与防治，进而制约着煤矿智能化发展的脚步。


技术实现要素：

4.针对现有技术存在的不足，本发明的目的在于，提供一种煤矿智能开采工作面底板突水预测方法及系统，解决现有技术中智能开采工作面底板水害无法实现智能准确预测的技术问题。
5.为了解决上述技术问题，本发明采用如下技术方案予以实现：
6.一种煤矿智能开采工作面底板突水智能预测模型的构建方法，该方法包括以下步骤：
7.步骤1，确定影响因素，并通过采集与统计得到影响因素的具体数值；
8.所述影因素包括水文地质因素和采掘活动因素；
9.所述水文地质因素底板隔水层厚度、含水层水压、含水层富水性和断层分维值；所述采掘活动因素包括底板破坏深度、开采高度、开采宽度和工作面推采速度；
10.步骤2，对步骤一中得到的具体数值进行预处理，将预处理得到的样本数据作为训练数据集s；
11.步骤3，构建并训练底板突水智能预测模型；
12.基于随机森林算法构建底板突水智能预测模型，将训练数据集作为输入，将突水和未突水作为输出，对底板突水智能预测模型进行训练，得到训练好的底板突水智能预测模型。
13.本发明还包括以下技术特征：
14.所述通过采集与统计得到影响因素的具体数值的过程为：
15.通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小；通过采集得到含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小。
16.所述通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小的具体过程包括以下内容：
17.通过统计矿区钻孔数据进行插值处理得到底板隔水层厚度；
18.通过对矿井抽水资料统计得到单位涌水量q的进行插值处理得到工作面的单位涌水量q，进而得到含水层富水性；
19.通过煤矿采掘工程平面图进行插值得到研究区，用边长为r的正方形网格将研究区划分为正方形块段，再将正方形块段的分维值赋给正方形块段的中心点，得到不同区域的断层分维值。
20.所述通过采集得到含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小的具体方法包括以下内容：
21.所述含水层水压通过布设于钻孔孔底水压传感器直接采集得到；
22.所述底板破坏深度是通过微震监测传感器采集微震信号，将微震信号通过网络通信站传输至地面主站，由地面主站通过对微震信号的分析处理，并结合水文地质资料，解算得到煤层回采过程中煤层底板破坏深度数值大小；
23.所述开采高度、开采宽度和工作面推采速度通过地质资料及实际开采情况实时采集得到。
24.所述构建并训练底板突水智能预测模型的具体过程为：
25.步骤3.1，将训练数据集s输入到底板突水智能预测模型中，将突水和未突水的结果作为目标输出，采用重抽样方法对训练数据集s进行重复抽样，得到ntree个训练数据集si，建立每个训练数据集si相对应的决策树hi；
26.步骤3.2，从影响因素输入变量中随机选取mtry个属性作为节点分裂的子集，再从子集中选择一个最优的属性进行节点分裂，构建cart树；
27.步骤3.3，重复ntree轮步骤3.2，生成ntree个cart树；
28.步骤3.4，将生成的多棵决策树组成随机森林，进而得到训练好的底板突水智能预测模型。
29.所述预处理为数据进行无量纲化处理，采用matlab软件对数据进行无量纲化处理。
30.所述样本数据包括8种数据，每种数据均包括n组。
31.一种煤矿智能开采工作面底板突水智能预测方法，该方法包括以下步骤：
32.步骤一，确定影响因素，并通过采集与统计得到影响因素的具体数值；
33.所述影因素包括水文地质因素和采掘活动因素；
34.所述水文地质因素底板隔水层厚度、含水层水压、含水层富水性和断层分维值；所述采掘活动因素包括底板破坏深度、开采高度、开采宽度和工作面推采速度；
35.步骤二，将步骤一得到的影响因素的具体数值进行预处理，将预处理得到的数据作为测试数据集；
36.步骤三，将测试数据集输入到所述训练好的底板突水智能预测模型中，实时获取所述影响因素的数值大小作为新的样本集，将新的样本集输入到底板突水智能预测模型，采用随机森林对新的测试数据集数据进行测试，每棵决策树hi均会输出相应的类别hi(x
t
)，采用投票的方法，将ntree个决策树中输出最多的类别作为测试数据集所属的类别，得到最终的预测结果；
37.所述类别hi(x
t
)包括突水和未突水。
38.一种煤矿智能开采工作面底板突水智能预测系统，包括依次相连的数据录入单元、数据分析采集单元、数据处理单元、模型智能预测单元、智能决策单元；
39.所述数据录入单元用于录入水文地质资料和钻孔数据；
40.所述数据分析采集单元用于分析水文地质资料和钻孔数据，采集含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小，以及通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小；
41.所述数据处理单元，用于对得到的底板隔水层厚度、含水层富水性、断层分维值、含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小进行预处理得到样本数据；
42.所述模型智能预测单元用于将数据处理单元得到的样本数据输入到智能预测模型中对采煤工作面底板突水进行实时智能预测。
43.所述智能决策单元用于根据采煤工作面底板突水实时智能预测结果做出相应的决策。
44.本发明与现有技术相比，有益的技术效果是：
45.(ⅰ)本发明通过随机森林算法构建工作面底板突水智能预测模型，采用水文地质因素与采掘活动因素所获取的样本数据来训练工作面底板突水智能预测模型，过程中可以高度并行化，提高了利用水文地质因素与采掘活动因素获取的大量样本数据的训练速度，能够有效提高模型预测的准确性，解决了现有技术中智能开采工作面底板水害无法实现智能准确预测的技术问题。
46.(ⅱ)本发明中的煤矿智能开采工作面底板突水智能预测方法，在智能开采工作面动态推采的过程中，水文地质因素与采掘活动因素的数值大小能够实时动态的获取，进而可以获取新的样本数据，将新的样本数据输入到底板突水智能预测模型中，不断调整智能预测模型精度，从而对底板突水情况进行实时动态智能预测，能够实现随工作面采动实时动态智能预测底板突水情况。
47.(ⅲ)本发明中的煤矿智能开采工作面底板突水智能预测系统，能够实现相关的水文地质数据及钻孔数据的录入与分析；能够自动采集含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的大小；能够对所采集到的数据进行预处理进而得到样本数据；能够对采煤工作面底板突水进行实时动态智能预测；能够根据智能预测结果，联动决策单元对智能开采工作面采煤控制系统作出决策，同时将预测结果反馈至地面监控平台，最终实现工作面的顺利回采。
附图说明
48.图1为本发明的整体结构流程示意图；
49.图2为本发明的影响智能开采工作面底板突水的主要因素的示意图；
50.图3为本发明的底板破坏深度及含水层水压传感器分层布设结构示意图；
51.图4为本发明的随机森林算法流程示意图；
52.图5为本发明的采用底板突水智能预测方法得到的部分样本数据的预测结果示意图。
53.以下结合实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
54.需要说明的是，本发明中采用的重抽样方法为bootstrap。
55.需要说明的是，本发明中的所有零部件，在没有特殊说明的情况下，均采用本领域已知的零部件。
56.以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本技术技术方案基础上做的等同变换均落入本发明的保护范围。
57.本发明给出了一种煤矿智能开采工作面底板突水智能预测模型的构建方法，该方法包括以下步骤：
58.步骤1，确定影响因素，并通过采集与统计得到影响因素的具体数值；
59.影因素包括水文地质因素和采掘活动因素；
60.水文地质因素底板隔水层厚度、含水层水压、含水层富水性和断层分维值；采掘活动因素包括底板破坏深度、开采高度、开采宽度和工作面推采速度；
61.步骤2，对步骤一中得到的具体数值进行预处理，将预处理得到的样本数据作为训练数据集s；
62.步骤3，构建并训练底板突水智能预测模型；
63.基于随机森林算法构建底板突水智能预测模型，将训练数据集作为输入，将突水和未突水作为输出，对底板突水智能预测模型进行训练，得到训练好的底板突水智能预测模型。
64.在上述技术方案中，通过随机森林算法构建工作面底板突水智能预测模型，采用水文地质因素与采掘活动因素所获取的样本数据来训练工作面底板突水智能预测模型，过程中可以高度并行化，提高了利用水文地质因素与采掘活动因素获取的大量样本数据的训练速度，能够有效提高模型预测的准确性，解决了现有技术中智能开采工作面底板水害无法实现智能准确预测的技术问题。
65.具体的，通过采集与统计得到影响因素的具体数值的过程为：
66.通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小；通过采集得到含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小。
67.具体的，通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小的具体过程包括以下内容：
68.通过统计矿区钻孔数据进行插值处理得到底板隔水层厚度；
69.通过对矿井抽水资料统计得到单位涌水量q的进行插值处理得到工作面的单位涌水量q，进而得到含水层富水性；
70.通过煤矿采掘工程平面图进行插值得到研究区，用边长为r的正方形网格将研究区划分为正方形块段，再将正方形块段的分维值赋给正方形块段的中心点，得到不同区域的断层分维值。
71.在上述技术方案中，底板隔水层厚度：根据矿区钻孔数据统计，采用插值方法得到工作面底板隔水层厚度值。
72.含水层富水性：单位涌水量q是反映含水层富水性的关键指标，根据矿井抽水资料得到单位涌水量q的大小，采用插值法得到工作面的单位涌水量q的大小。
73.断层分维值：断层是影响煤矿底板突水的主要因素，断层分维值能够定量反映地层构造的复杂程度。断层分维值越大，表明地层构造越复杂，突水风险也就越大，相反地，断层分维值越小，表明地层构造越简单，突水风险相应的就越小。盒维数法是进行分形维数计算的主要方法，其确定分形维数值的过程主要分为以下步骤：
①
用边长r的正方形网格覆盖分形体，统计包含分形体的正方形网格数n(r)；
②
改变正方形网格边长r，统计相应分形体的正方形网格数n(r)，重复适当次数；
③
通过相应的正方形网格数n(r)及划分正方形网格边长r的关系计算分维数。当r
→
0时，得到分形维数：其中n(r)为不同边长下某一区块有断层迹线穿过的网格数，r为正方形网格边长。具体的计算公式为：ri为第i个块段中有断层迹线穿过的网格数，(i＝1,2,3,
…
,m)，m为块段的数目。对于断层分维值的求取，主要利用煤矿采掘工程平面图为基础图，用边长为r的正方形网格将研究区划分为正方形块段，之后把块段的分维值赋给该块段的中心点，然后得到不同区域的断层分维值大小。
74.具体的，通过采集得到含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小的具体方法包括以下内容：
75.含水层水压通过布设于钻孔孔底水压传感器直接采集得到；
76.底板破坏深度是通过微震监测传感器采集微震信号，将微震信号通过网络通信站传输至地面主站，由地面主站通过对微震信号的分析处理，并结合水文地质资料，解算得到煤层回采过程中煤层底板破坏深度数值大小；
77.开采高度、开采宽度和工作面推采速度通过地质资料及实际开采情况实时采集得到。
78.参照图3，含水层水压是通过采用光纤光栅实时监测含水层水压，光纤光栅监测中的水压传感器布置在钻孔中，钻孔孔底进入采煤工作面两侧巷道煤层底板的承压水导高带，水压传感器布设于钻孔孔底，利用水泥砂浆将钻孔中的水压传感器与钻孔壁进行耦合，水压传感器实时监测煤层底板承压水导高带水压，水压传感器沿巷道等间距布设，间距为20m左右。
79.底板破坏深度是通过采用微震实时监测采动过程中工作面底板破坏深度，微震检测传感器布置在钻孔中，微震监测传感器水压传感器的安装使用同一钻孔，微震监测传感
器安装在底板破坏带以下的完整岩层带中，完整岩层带中从上至下依次等间距布设若干个微震监测传感器，微震监测传感器利用水泥砂浆将钻孔中的传感器与钻孔壁进行耦合。微震监测实时监测煤层底板破坏深度，微震监测传感器沿巷道等间距布设，间距为20m左右。
80.水压传感器与微震监测传感器与数据采集器连接，实时采集含水层水压及微震信号并解算为底板破坏深度数据。
81.具体的，构建并训练底板突水智能预测模型的具体过程为：
82.步骤3.1，将训练数据集s输入到底板突水智能预测模型中，将突水和未突水的结果作为目标输出，采用重抽样方法对训练数据集s进行重复抽样，得到ntree个训练数据集si，建立每个训练数据集si相对应的决策树hi；
83.步骤3.2，从影响因素输入变量中随机选取mtry个属性作为节点分裂的子集，再从子集中选择一个最优的属性进行节点分裂，构建cart树；
84.步骤3.3，重复ntree轮步骤3.2，生成ntree个cart树；
85.步骤3.4，将生成的多棵决策树组成随机森林，进而得到训练好的底板突水智能预测模型。
86.在上述技术方案中，ntree个决策树在训练数据集的选择和属性的选取上都是随机的，所以这ntree个决策树之间是相互独立的。随机森林算法采用了随机采样，因此训练出的模型方差小，能够有效提升决策树的泛化能力。
87.具体的，预处理为数据进行无量纲化处理，采用matlab软件对数据进行无量纲化处理。
88.具体的，样本数据包括8种数据，每种数据均包括n组。
89.一种煤矿智能开采工作面底板突水智能预测方法，该方法包括以下步骤：
90.步骤一，确定影响因素，并通过采集与统计得到影响因素的具体数值；
91.影因素包括水文地质因素和采掘活动因素；
92.水文地质因素底板隔水层厚度、含水层水压、含水层富水性和断层分维值；采掘活动因素包括底板破坏深度、开采高度、开采宽度和工作面推采速度；
93.步骤二，将步骤一得到的影响因素的具体数值进行预处理，将预处理得到的数据作为测试数据集；
94.步骤三，将测试数据集输入到训练好的底板突水智能预测模型中，实时获取影响因素的数值大小作为新的样本集，将新的样本集输入到底板突水智能预测模型，采用随机森林对新的测试数据集数据进行测试，每棵决策树hi均会输出相应的类别hi(x
t
)，采用投票的方法，将ntree个决策树中输出最多的类别作为测试数据集所属的类别，得到最终的预测结果；
95.类别hi(x
t
)包括突水和未突水。
96.在上述技术方案中，在智能开采工作面动态推采的过程中，水文地质因素与采掘活动因素的数值大小能够实时动态的获取，进而可以获取新的样本数据，将新的样本数据输入到底板突水智能预测模型中，不断调整智能预测模型精度，从而对底板突水情况进行实时动态智能预测，能够实现随工作面采动实时动态智能预测底板突水情况。
97.一种煤矿智能开采工作面底板突水智能预测系统，包括依次相连的数据录入单元、数据分析采集单元、数据处理单元、模型智能预测单元、智能决策单元；
98.数据录入单元用于录入水文地质资料和钻孔数据；
99.数据分析采集单元用于分析水文地质资料和钻孔数据，采集含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小，以及通过插值方法得到底板隔水层厚度、含水层富水性和断层分维值的数值大小；
100.数据处理单元，用于对得到的底板隔水层厚度、含水层富水性、断层分维值、含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的数值大小进行预处理得到样本数据；
101.模型智能预测单元用于将数据处理单元得到的样本数据输入到智能预测模型中对采煤工作面底板突水进行实时智能预测。
102.智能决策单元用于根据采煤工作面底板突水实时智能预测结果做出相应的决策。
103.在上述技术方案中，煤矿智能开采工作面底板突水智能预测系统，能够实现相关的水文地质数据及钻孔数据的录入与分析；能够自动采集含水层水压、底板破坏深度、开采高度、开采宽度和工作面推采速度的大小；能够对所采集到的数据进行预处理进而得到样本数据；能够对采煤工作面底板突水进行实时动态智能预测；能够根据智能预测结果，联动决策单元对智能开采工作面采煤控制系统作出决策，同时将预测结果反馈至地面监控平台，最终实现工作面的顺利回采。
104.实施例：
105.采用上述技术方案，采集数据并采用构建的底板突水智能预测模型进行预测，得到表1所示的结果，其中输出结果中0表示未发生突水，1表示发生突水。
106.表1部分处理得到后的样本数据
[0107][0108]
参照图5以及表1可以明显得到模型的误判率为0％，验证了该底板突水智能预测模型的准确性，能够用于矿井底板突水预测。