【技术实现步骤摘要】
本专利技术涉及煤矿井下智能通风领域，具体涉及一种知识数据混合驱动的煤矿井下巷道信息建模方法。
技术介绍
1、我国是全球最大的煤炭生产和消费国，拥有丰富的煤炭资源储量，位于世界第一。煤炭长期以来不仅在我国的能源结构中占据核心地位，它不仅支撑了国家的工业化进程，也对社会经济发展做出了巨大贡献。然而，我国的煤炭资源大都分布在地下，而且地质条件复杂多变。随着矿井的不断开采，煤矿井下的环境日益复杂。在深层开采过程中，矿井内部的地质结构可能出现不稳定，尤其是在断层和裂隙发育的地区，瓦斯等有害气体的聚集风险极高。通过及时掌握矿井巷道环境信息，可以有效预警潜在的安全风险，提高矿井安全生产的水平。然而，传统的巷道监测是通过固定地点的传感器进行数据采集，覆盖范围有限无法表征整条巷道的环境信息；使用传统深度神经网络建立巷道信息模型需要大量数据，而且由于缺乏物理知识导致模型泛化能力差。
2、借助地统计学插值方法，对巷道内的风速、瓦斯浓度、压力等参数进行插值计算，以获取各空间位置的分布情况。这一方法不仅能有效填补监测中的空白区域，还为全面评估与监测提供了重要的数据支持。通过重构技术，可以更精确地掌握巷道内的环境信息，提前预警潜在的危险区域，从而提升矿井安全管理的科学性和有效性。此外，引入物理知识约束，并结合物理信息神经网络建立巷道信息模型，能够大幅减少训练数据需求，增强模型的泛化能力。这一建模技有助于提高煤矿井下通风的智能化水平，补监测中的空白区域，提前预警潜在的危险区域，进一步推动了智慧矿山的发展。
技术实现思路
1、针对上述存在的技术不足，本专利技术的目的是提供一种知识数据混合驱动的煤矿井下巷道信息建模方法，其能够解决煤矿井下巷道通风过程中流体力学微分方程求解和建模问题。
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、本专利技术提供一种知识数据混合驱动的煤矿井下巷道信息建模方法，包括以下步骤：
4、步骤1，基于workbench平台建立巷道三维模型、设定边界条件、设置时空数据输出为ascii格式；
5、步骤2，通过地统计学插值方法对巷道时空数据进行处理，填补巷道空间节点风速和瓦斯浓度信息的空白分布；
6、步骤3，根据物理信息神经网络特征和流体流动特性，选取合适的偏微分方程作为模型的先验知识；
7、步骤4，将偏微分方程引入损失函数当中，训练符合物理约束的物理信息神经网络模型。
8、优选地，步骤1具体包括如下内容：
9、s11、根据真实巷道结构和尺寸，建立巷道三维模型；
10、s12、根据煤矿井下工作面采煤切割方式、进风、回风口以及风向，设定巷道内边界条件；
11、s13、通过计算雷诺数re，选取合适的仿真对流模型；
12、s14、将瓦斯作为扩散源加入组分当中，在煤矿井下工作面采煤切割壁面设定位置；
13、s15、根据采煤机的工作流程，设定扩散源移动的速度和位置，编写udf表达式；
14、s16、选取巷道时空信息，包括压力p，风速在x、y、z方向的分量u、v、w以及瓦斯浓度c作为特征输出，得到所需数据。
15、优选地，步骤2具体包括如下内容：
16、s21、将步骤1中得到的ascii数据格式转化为excel数据格式；
17、s22、根据煤矿井下巷道空间三维模型空间节点信息，采用反距离加权插值法进行插值计算；此时，各空间节点在巷道中的位置分别为(xi,yi,zi)、节点信息为fi，i为需要确定目标节点计算的周围节点数量，目标节点的空间位置为(x,y,z)，空间节点相距距离为对于需要求解的目标节点信息f(x,y,z)为：
18、
19、s23、根据步骤s22中计算公式，确定目标节点计算的周围节点数量，计算目标节点的信息；
20、s24、将处理后的数据存储到新的excel文件中，以便后续步骤进行物理信息神经网络模型的训练。
21、优选地，步骤3具体包括如下内容：
22、s31、选取经典物理信息神经网络，分析其网络结构；
23、s32、根据步骤1中流体的状态处于湍流，选取流体力学navier-stokes方程，其中c为瓦斯浓度，x、y、z为三维空间坐标方向，ρ为流体密度，u、v、w为风速在x、y、z方向的分量，d为扩散系数，p为流体压力，μ为动力粘度，该方程表达式为：
24、对流扩散：
25、
26、s33、根据步骤2中存在的瓦斯扩散源，对navier-stokes方程进行改进和完善，加入扩散源项sc，sdiff,x、sdiff,y、sdiff,z为扩散源项在x、y、z方向上的分量，gx、gy、gz为重力加速度在x、y、z方向上的分量，此时表达式为：
27、对流扩散：
28、
29、s34、根据偏微分方程调整数据列数位置，为模型训练提供条件。
30、优选地，步骤4具体包括如下内容：
31、s41、将navier-stokes方程转化为自动微分形式；
32、s42、将步骤2中计算的数据(x,y,z,t)输入到深度神经网络当中；
33、s43、把步骤3中调整列数的压力p，风速分量u、v、w，瓦斯浓度c数据作为目标值进行训练；
34、s44、将步骤s42中得到输出作为数值解带入偏微分方程当中，进行自动微分计算；
35、s45、将自动微分结果引入到损失函数当中，与当前损失函数合并，共同作为新的损失函数；
36、s46、在模型训练过程中，通过最新损失函数计算梯度，进而对网络参数进行调整；
37、s47、在训练过程中不断进行迭代，直到模型在训练集和验证集上的损失值达到预设标准，从而得到准确的煤矿井下巷道信息模型；
38、s48、通过输入训练集之外的时空信息对模型进行验证。
39、本专利技术的有益效果在于：
40、1、本方法在workbench平台下对巷道信息进行模拟，通过地统计学插值方法进行数据处理，完善了巷道缺失空间的信息，为物理信息神经网络建模提供了更加全面和准确的数据基础，使模型更加准确。
41、2、数据驱动和知识驱动相结合：通过引入流体力学微分方程，考虑了真实世界流体的限制条件，确保与真实物理情况的一致性。
本文档来自技高网...【技术保护点】
1.一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，步骤1具体包括如下内容：
3.如权利要求2所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，步骤2具体包括如下内容：
4.如权利要求3所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，步骤3具体包括如下内容：
5.如权利要求4所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，步骤4具体包括如下内容：
【技术特征摘要】
1.一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法，其特征在于，步骤1具体包括如下内容：
3.如权利要求2所述的一种知识数据混合驱动的煤矿井下巷道信息建模方法...
【专利技术属性】
技术研发人员：杨春雨，尚亚强，赵建国，熊梦辉，周林娜，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。