一种瓦斯负压抽采管道泄漏评估及智能处置方法技术

本发明专利技术提供了一种瓦斯负压抽采管道泄漏评估及智能处置方法，包括：构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；构建基于深度强化学习技术的智能阀门开度控制模型。本发明专利技术所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，可以在煤矿瓦斯抽采管道系统的泄漏事故发生过程中，通过对瓦斯抽采管道泄漏区段的精准预测及智能化快速处置，将大幅降低传统瓦斯泄漏处置过程中所造成的经济损失，并确保瓦斯抽采系统安全运行，防止事故进一步演化升级，并为瓦斯抽采管道泄漏应急抢险工作的开展提供重要的技术方法支撑。的技术方法支撑。的技术方法支撑。

【技术实现步骤摘要】
一种瓦斯负压抽采管道泄漏评估及智能处置方法


[0001]本专利技术属于瓦斯管道
，尤其是涉及一种瓦斯负压抽采管道泄漏评估及智能处置方法。

技术介绍

[0002]瓦斯事故是我国煤矿安全生产面临的最严重威胁之一，通过使用煤矿瓦斯抽采系统，可使高瓦斯矿井在低瓦斯状态下开采，避免了瓦斯事故的发生，抽采瓦斯加以利用还可以创造非常可观的经济价值。由于管道表面老化、腐蚀，或者管道遭受外部撞击等原因，瓦斯抽采管道泄漏的现象时有发生。抽采管道泄漏发生后，由于管道内外压差的作用使外界空气进入抽采管道，造成管道内瓦斯被稀释，管道内负压的损失，甚至是整个抽采系统的失效，从而严重影响瓦斯抽采的效率。这不仅会造成抽采泵机电能的浪费，增加抽采瓦斯的成本，泄漏加剧抽采管网破裂后还可能导致瓦斯从抽采管道涌出，进而可能引发瓦斯爆炸事故，所以抽采管道泄漏将严重威胁到井下瓦斯输运系统的正常运行和矿井生产的安全。在井下瓦斯泄漏事故应急处置中，如何高效筛选及利用煤矿大尺度复杂瓦斯抽采系统的低密度监测数据，实现泄漏源的快速精准定位预警与智能化处置，对煤矿瓦斯抽采系统的安全运行十分重要。

技术实现思路

[0003]有鉴于此，本专利技术旨在提出一种瓦斯负压抽采管道泄漏评估及智能处置方法，以实现泄漏源的快速精准定位预警与智能化处置。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：
[0005]一种瓦斯负压抽采管道泄漏评估及智能处置方法，包括：
[0006]构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；
[0007]构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速；
[0008]基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库；
[0009]基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
[0010]获取瓦斯抽采管道基本参数的实时监测数据，并将所述实时监测数据输入所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型；
[0011]获取所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型输出的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果；
[0012]将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制。
[0013]进一步的，所述构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建，包括：
[0014]构建抽采管道内监测器的相邻位置拓扑图，以用于承载所述监测器监测的数据；
[0015]将各所述监测器之间形成的预设泄漏孔口区间组成泄漏区间矩阵，并根据泄漏的不同状态为所述泄漏区间矩阵赋值，作为泄漏位置的预测标签；其中，泄漏的不同状态包括出现泄漏和未泄漏；
[0016]将所述拓扑图经过图神经网络运算处理后，作为时序分析基础模型中的一个时序节点，并利用时序分析基础模型中的分类预测模式进行预测任务的处理；
[0017]为所述瓦斯负压抽采管道泄漏定位评估模型设定评估指标，并利用所述评估指标对不同的错误场景添加权重；其中，为最严重的错误添加最大的权重值，而对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高，所述评估指标公式如下：
[0018][0019]式中，n为预测错误的区间的数量，W
i
为第i个错误区间的错误权重值，N为预测样本总量。
[0020]进一步的，所述构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速，包括：
[0021]基于CFD数值模拟技术进行瓦斯负压抽采管道流场模拟；
[0022]基于DQN深度强化学习模型构建智能阀门开度控制模型；
[0023]基于所述瓦斯负压抽采管道流场模拟对所述智能阀门开度控制模型进行训练；
[0024]得到训练完成后的智能阀门开度控制模型。
[0025]进一步的，所述基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库，包括：
[0026]基于多源异构数据融合技术融合事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据，得到动态更新数据库。
[0027]进一步的，所述阀门开度以10％为梯度共分为11个开度动作。
[0028]进一步的，所述基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型，包括：
[0029]获取所述动态更新数据库中的数据，并在训练过程中按比例将所述数据随机划分训练集和测试集，用于对所述瓦斯负压抽采管道泄漏定位评估模型进行训练；
[0030]训练过程中，初始学习率设置为0.01，并采用余弦退火方法自动调整学习率；其中，迭代次数设置为100，损失函数采用交叉熵损失函数；
[0031]在所述训练集中划分出部分的数据作为验证集，并利用所述验证集对所述瓦斯负压抽采管道泄漏定位评估模型进行验证。
[0032]进一步的，在所述将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制之后，所述方法还包括：
[0033]将所述智能阀门开度控制模型通过物联网技术与阀门连接，以实现事故状态下全自动智能阀门开度控制。
[0034]相对于现有技术，本专利技术所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法具有以下优势：
[0035](1)本专利技术所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，可以在煤矿瓦斯抽采管道系统的泄漏事故发生过程中，通过对瓦斯抽采管道泄漏区段的精准预测及智能化快速处置，将大幅降低传统瓦斯泄漏处置过程中所造成的经济损失，并确保瓦斯抽采系统安全运行，防止事故进一步演化升级，并为瓦斯抽采管道泄漏应急抢险工作的开展提供重要的技术方法支撑。
[0036](2)本专利技术所述的一种瓦斯负压抽采管道泄漏评估及智能处置方法，通过将瓦斯负压抽采管道阀门作为处置终端，综合使用多源异构数据融合技术及深度学习技术实现瓦斯负压抽采管道泄漏快速精准定位评估，并在此基础上基于深度强化学习技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瓦斯负压抽采管道泄漏评估及智能处置方法，其特征在于，包括：构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建；构建基于深度强化学习技术的智能阀门开度控制模型，并对所述智能阀门开度控制模型进行训练，得到训练完成后的智能阀门开度控制模型；其中，所述智能阀门开度控制模型动作设定为阀门开度，状态为管道内瓦斯浓度和瓦斯流速，最高激励状态为规范要求范围内最高的瓦斯浓度和安全范围内最低的瓦斯流速；基于事故灾害历史数据、以及瓦斯抽采管道基本参数的实时监测数据构建动态更新数据库；基于所述动态更新数据库对所述瓦斯负压抽采管道泄漏定位评估模型进行训练和验证，得到训练完成后的瓦斯负压抽采管道泄漏定位评估模型；获取瓦斯抽采管道基本参数的实时监测数据，并将所述实时监测数据输入所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型；获取所述训练完成后的瓦斯负压抽采管道泄漏定位评估模型输出的抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果；将所述抽采管道内压力分布、瓦斯浓度分布以及泄漏位置预测结果输入所述训练完成后的智能阀门开度控制模型，以实现对所述瓦斯抽采管道内阀门开度的智能控制。2.根据权利要求1所述的方法，其特征在于，所述构建瓦斯负压抽采管道泄漏定位评估模型；其中，所述瓦斯负压抽采管道泄漏定位评估模型基于图神经网络与时序分析基础模型搭建，包括：构建抽采管道内监测器的相邻位置拓扑图，以用于承载所述监测器监测的数据；将各所述监测器之间形成的预设泄漏孔口区间组成泄漏区间矩阵，并根据泄漏的不同状态为所述泄漏区间矩阵赋值，作为泄漏位置的预测标签；其中，泄漏的不同状态包括出现泄漏和未泄漏；将所述拓扑图经过图神经网络运算处理后，作为时序分析基础模型中的一个时序节点，并利用时序分析基础模型中的分类预测模式进行预测任务的处理；为所述瓦斯负压抽采管道泄漏定位评估模型设定评估指标，并利用所述评估指标对不同的错误场景添加权重；其中，为最严重的错误添加最大的权重值，而对于泄漏区间的预测错误，则根据预测区间与实际区间的距离，依次按比例增加权重，距离相距越远，权重越高，所述评估指标公式如下：式中，n为预...

【专利技术属性】
技术研发人员：李思齐，吴建松，兰安畅，王德振，蔡继涛，宋东东，李敏，张卫东，周杰，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：