一种煤矿瓦斯爆炸风险预测方法技术

本发明专利技术公开了一种煤矿瓦斯爆炸风险预测方法，包括：S1、采集目标范围内全部煤矿基本信息数据；S2、基于煤矿基本信息数据筛选需进行风险预测的对象；S3、根据煤矿基本信息数据进行煤矿瓦斯爆炸风险等级初步评估，根据风险初步评估结果确定风险预测频率；S4、初步建立瓦斯爆炸致灾指标体系；S5、清洗致灾指标，建立关键致灾指标体系；S6、基于关键致灾指标数据训练机器学习风险预测模型；S7、评估风险预测模型性能，确定采用的预测模型；S8、采用高性能预测模型对风险预测目标矿井进行瓦斯爆炸风险预测。本发明专利技术能够对煤矿瓦斯爆炸的风险预测，实现高实用性、低成本、高效率，提高了瓦斯煤矿生产过程的安全性。生产过程的安全性。生产过程的安全性。

【技术实现步骤摘要】
一种煤矿瓦斯爆炸风险预测方法


[0001]本专利技术属于煤矿安全
，具体涉及一种煤矿瓦斯爆炸风险预测方法。

技术介绍

[0002]煤炭能源目前依然是我国能源结构中的主要组成部分，其重要性不言而喻。但受煤矿井下复杂的开采环境及地质结构，煤矿瓦斯爆炸灾害成为影响我国煤矿行业安全生产的关键因素。煤矿瓦斯爆炸事故一旦发生将会造成严重的人员伤亡后果，因此，进一步研究煤矿瓦斯爆炸风险预测技术对提高我国煤矿瓦斯爆炸灾害防控水平，提升煤矿安全生产效益，保障煤矿作业人员生命健康具有重要意义。
[0003]目前煤矿瓦斯爆炸风险预测技术研究主要聚焦于对瓦斯浓度这一关键指标的预测，以及火源、氧气等关键因素分析，但煤矿瓦斯爆炸灾害是一个由“人员、机械、环境、管理”所组成的复杂致灾系统，需要综合考虑多方面影响因素来综合预测瓦斯爆炸风险。大多煤矿企业现已采用各类的瓦斯监控监测系统，但仅仅对监控监测数据做了简单、粗糙的处理，并未对数据间的非线性关系进行分析，数据挖掘深度不够，缺乏高水平的预测预警能力；同时，大多数的煤矿瓦斯爆炸风险预测为单点风险预测，只能针对一个煤矿矿井，预测效率低。
[0004]随着我国煤矿采掘深度持续增加，瓦斯煤矿的安全风险也进一步提升。因此，如何实现针对煤矿瓦斯爆炸风险的预测，将对煤矿瓦斯爆炸灾害的被动监测和处理转化为主动预测和应对是本领域亟待解决的问题。

技术实现思路

[0005]解决的技术问题：本专利技术提供一种煤矿瓦斯爆炸风险预测方法，能够对煤矿瓦斯爆炸的风险预测，实现高实用性、低成本、高效率，提高了瓦斯煤矿生产过程的安全性。
[0006]技术方案：
[0007]一种煤矿瓦斯爆炸风险预测方法，所述预测方法包括以下步骤：
[0008]S1、采集目标范围内全部煤矿的基本信息数据，基本信息数据包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率；
[0009]S2、基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选，选出需要进行风险预测的煤矿矿井，作为预测目标矿井；
[0010]S3、根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估，根据风险初步评估结果确定每个预测目标矿井的风险预测频率；
[0011]S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系；
[0012]S5、采用决策实验室分析法(Decision Making Trial and Evaluation Laboratory，DEMATEL)清洗致灾指标，以该方法分析计算出的指标中心度为标准，从初步建立的瓦斯爆炸致灾指标体系中将指标中心度小于中心度阈值的指标删除，采用剩余致灾指标建立关键致灾指标体系；
[0013]S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据，基于所建立的关键致灾指标体系，分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型，输出多类型的煤矿瓦斯爆炸风险预测模型；
[0014]S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价，筛选出预测性能最优的模型，将其确定为最终采用的预测模型；
[0015]S8、按照相应的风险预测频率，定期确定每个预测目标矿井的关键致灾指标数据值，将关键致灾指标数据值输入预测模型，对预测目标矿井的瓦斯爆炸风险进行预测。
[0016]进一步地，步骤S1中，所述基本信息数据还包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
[0017]进一步地，步骤S2中，按照预设筛选周期，对目标范围内全部煤矿矿井进行筛选，筛选得到当前筛选周期的预测目标矿井。
[0018]进一步地，步骤S3中，根据下述公式计算得到煤矿瓦斯爆炸风险等级评估值X：
[0019]X＝x1α1+x2α2+x3α3+x4α4+x5α5[0020]其中，x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值；瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量，瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值，煤层自然发火期的值为赋予相应矿井煤层自然发火期的值，煤尘爆炸指数的值为相应的煤尘爆炸指数，机电设备故障率的值为相应矿井机电设备故障率的值；α1、α2、α3、α4、α5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重；α1+α2+α3+α4+α5＝1。
[0021]进一步地，步骤S5中，致灾指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。
[0022]进一步地，步骤S5中，采用DEMATEL分析法清洗致灾指标的过程包括以下步骤：
[0023]S51，邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较，判断指标之间的相互影响关系；专家评价的语义表达规定为五个，分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强，所对应的评估分值分别为1、2、3、4、5；
[0024]S52，根据专家的评价分值数据构建直接影响矩阵C，其中表示第m位专家针对指标i对指标j影响程度的评价分值：
[0025][0026]S53，将直接影响矩阵进行规范化计算，构建综合影响矩阵X，其中，i＝1，2，3，
…
，n，j＝1，2，3，
…
，n，n为指标个数：
[0027][0028]X＝G(I
‑
G)
‑1；
[0029]S54，根据综合影响矩阵计算指标的影响度d
i
及被影响度r
i
，并计算指标中心度f
i
：
[0030][0031]f
i
＝d
i
+r
i
；
[0032]S55，根据指标中心度数值，剔除中心度较小的指标，形成关键致灾指标体系。
[0033]进一步地，步骤S6中，基于所建立的关键致灾指标体系，分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型，输出多类型的煤矿瓦斯爆炸风险预测模型的过程包括以下步骤：
[0034]从预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故报告数据中获取相应的信息数据，以煤矿瓦斯爆炸概率值表示对应的瓦斯爆炸风险水平，概率值越高，风险水平越高；如果煤矿瓦斯爆炸事故必然发生，其瓦斯爆炸概率值为1，如果煤矿瓦斯爆炸事故不可能发生，其瓦斯爆炸概率值为0；将每个历史指标数据和对应的煤矿瓦斯爆炸概率值作为一组样本数据，生成样本数据集；
[0035]对样本数据集中的样本数据进行清洗，去除其中包含的噪声、缺失值、离群点、漂移点；
[0036]对于清洗后的样本数据集中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种煤矿瓦斯爆炸风险预测方法，其特征在于，所述预测方法包括以下步骤：S1、采集目标范围内全部煤矿的基本信息数据，基本信息数据包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率；S2、基于全部煤矿的基本信息数据对目标范围内全部煤矿矿井进行筛选，选出需要进行风险预测的煤矿矿井，作为预测目标矿井；S3、根据每个预测目标矿井的基本信息数据进行煤矿瓦斯爆炸风险等级初步评估，根据风险初步评估结果确定每个预测目标矿井的风险预测频率；S4、根据规范标准资料、文献调研及专家咨询初步建立瓦斯爆炸致灾指标体系；S5、采用决策实验室分析法清洗致灾指标，以该方法分析计算出的指标中心度为标准，从初步建立的瓦斯爆炸致灾指标体系中将指标中心度小于中心度阈值的指标删除，采用剩余致灾指标建立关键致灾指标体系；S6、采集预测目标矿井的历史指标数据以及煤矿瓦斯爆炸事故数据，基于所建立的关键致灾指标体系，分别训练BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型，输出多类型的煤矿瓦斯爆炸风险预测模型；S7、对基于BP神经网络模型、支持向量机模型、K最近邻算法模型、随机森林模型训练输出的煤矿瓦斯爆炸风险预测模型的预测性能进行评价，筛选出预测性能最优的模型，将其确定为最终采用的预测模型；S8、按照相应的风险预测频率，定期确定每个预测目标矿井的关键致灾指标数据值，将关键致灾指标数据值输入预测模型，对预测目标矿井的瓦斯爆炸风险进行预测。2.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S1中，所述基本信息数据还包括瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。3.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S2中，按照预设筛选周期，对目标范围内全部煤矿矿井进行筛选，筛选得到当前筛选周期的预测目标矿井。4.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S3中，根据下述公式计算得到煤矿瓦斯爆炸风险等级评估值X：X＝x1α1+x2α2+x3α3+x4α4+x5α5其中，x1、x2、x3、x4、x5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的值；瓦斯涌出量的值为目标矿井单位时间内自煤层中涌出的瓦斯量，瓦斯体积分数的值为赋予相应矿井瓦斯气体体积分数的值，煤层自然发火期的值为赋予相应矿井煤层自然发火期的值，煤尘爆炸指数的值为相应的煤尘爆炸指数，机电设备故障率的值为相应矿井机电设备故障率的值；α1、α2、α3、α4、α5分别为瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率的权重；α1+α2+α3+α4+α5＝1。5.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S5中，致灾指标包括瓦斯涌出量、瓦斯体积分数、煤层自然发火期、煤尘爆炸指数、机电设备故障率、瓦斯抽采合格率、监测装置覆盖率、通风系统稳定性、采掘机械化水平。6.根据权利要求1所述的煤矿瓦斯爆炸风险预测方法，其特征在于，步骤S5中，采用DEMATEL分析法清洗致灾指标的过程包括以下步骤：S51，邀请m位专家针对初步建立的瓦斯爆炸致灾指标体系中的指标进行两两比较，判
断指标之间的相互影响关系；专家评价的语义表达规定为五个，分别为影响程度极弱、影响程度较弱、影响程度一般、影响程度较强及影响程度很强，所对应的评估分值分别为1、2、3、4、5；S52，根据专家的评价分值数据构建直接影响矩阵C，其中表示第m位专家针对指标i对指标j影响程度的评价分值：S53，将直接影...

【专利技术属性】
技术研发人员：李爽，许锟，薛广哲，刘娇，鹿乘，贺超，许正权，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：