219 / 2024-03-13 17:28:11

基于深度学习的煤与瓦斯突出综合预警方法研究

煤与瓦斯突出,声电瓦斯信号,循环神经网络,蚁群聚类

随着煤矿开采深度的增加，煤与瓦斯突出日益严重，严重制约煤矿安全生产，准确可靠的监测预警是有效防治煤与瓦斯突出发生的前提和关键。针对现有煤与瓦斯突出预测方法及时性不足、应急窗口有限的问题，本文建立基于循环神经网络(RNN)-蚁群聚类算法(ACCA)的煤与瓦斯突出预警模型，并在贵州省发耳煤矿进行现场应用及验证。首先对声电瓦斯原始监测数据进行缺失值补充、重采样和降噪滤波等预处理以增强监测信息的表达；接着通过RNN对声发射强度、电磁辐射强度和瓦斯浓度三种信号的变化趋势进行预测；然后提取信号时频域特征，构建聚类样本点，利用ACCA对无突出风险信号的样本点与预测时间段的样本点进行聚类分析，根据聚类结果判断预测时间段内是否存在突出风险。最后，利用贵州省发耳煤矿声电瓦斯监测数据验证预警模型，并与LSTM、DBN神经网络进行对比分析预测效果，基于RNN-ACCA的煤与瓦斯突出预警模型的识别准确率达到91.7%，召回率为94.1%。结果表明，基于RNN-ACCA的预警模型提高了煤与瓦斯突出监测预警的准确率，为煤与瓦斯突出事故的防范提供可靠依据。