煤礦采場智能巖層控制原理及方法

李化敏，王 伸，李東印，王 文，袁瑞甫，王祖洸，朱時廷

(1.河南理工大學 能源科學與工程學院，河南 焦作 454003; 2.大同煤礦集團 同煤國電同忻煤礦有限公司，山西 大同 037003)

人工智能應用時代已經來臨。自1956年人工智能成為獨立的計算機研究領域，至今經歷了3次大規模發展高潮[1]。隨著計算能力、數據規模、人工智能算法的快速發展，21世紀后人工智能迎來契合時代發展的新高階段;目前人工智能已成功應用于數據挖掘[2]、人類語言解譯[3]、高水平策略競技[4]、自動駕駛汽車[5]、內容發布網絡(CDN)[6]、戰爭模擬[7]、醫療診斷[8]、圖像識別[9]、工業制造優化[10]等領域。谷歌人工智能程序AlphaGo分別于2016年3月和2017年5月分別戰勝世界圍棋冠軍李世石和柯潔[4]，引發全世界的高度關注。2016年，我國制訂了《智能制造發展規劃(2016—2020年)》[11]，以推動人工智能在制造領域的快速發展。人工智能正在深刻影響和改變著工業、科技、文化、經濟、社會生活以及思維方式。

與其他行業相比，煤礦地下作業空間狹小、環境較差、勞動密集，安全問題相對突出，缺乏職業吸引力，采掘一線人員老齡化問題嚴重，經濟效益差，傳統的生產方式已嚴重制約煤炭行業的生存和可持續發展。在人工智能快速發展的大背景下，煤礦智能開采與智慧礦山，或將帶來生產、安全等全方位的重大突破，實現煤炭生產方式根本性的變革。近年來，煤炭領域多位專家從戰略高度積極謀劃智能化時代煤炭行業發展的方向，就煤礦智能開采、智慧礦山建設等問題，提出了諸多重要的理論與技術架構。與此同時，在生產地質條件較好的采煤工作面也積極進行了智能化開采實踐探索;截止2018年11月，全國已建成智能化采煤工作面100多個。一些先進的煤炭企業在智能礦山規劃、智能控制系統(包括綜采工作面自動化采煤、礦山機電設備自動控制、瓦斯和自然發火等礦山安全信息的自動化監測監控)、智能化管理(應急救援、礦山能源綜合管理等)、礦山信息化基礎設施建設和自動化系統升級改造方面做了大量的工作，取得了重大進展，為智慧礦山建設奠定了實踐性基礎。

自20世紀90年代開始發展智能開采技術和裝備以來，CSIRO，JOY，EICKHOFF等公司或研發機構已成功開發出了智能化開采裝備，并成功用于商業化開采[12]。近年來，王國法等對工作面智能化升級關鍵技術[13]、煤炭智能化開采技術[12]、液壓支架群組支護原理與承載特性[14-15]、安全高效綜采技術與裝備集成配套設計[16-20]進行了深入廣泛的研究，并提出了智慧礦山的概念與內涵，明確了智慧煤礦2025發展目標與實現路徑，為今后統籌開展煤礦生產智能化研究奠定了基礎[21]。袁亮等提出了煤炭精準開采的藍圖及關鍵技術，分析了煤礦動力災害風險精準識別及預警關鍵技術[22]，認為人工智能是實現精準開采與災害防控一體化的重要方法[23]。宋振騏[24]以實用礦山壓力控制理論為基礎，從控制煤礦事故的角度提出了安全高效智能化開采技術構想及方法。何敏[25]通過分析智慧礦山與自動化礦山、信息化礦山、數字化礦山的特點，認為具備自動運行、智能決策、自學習功能是智慧礦山的基本屬性與關鍵技術。田成金[26]系統分析了無人化開采、智能化開采、數字化開采的概念，提出了“智能自適應開采技術模式”和“工作面自動化+可視化遠程干預半智能開采技術模式”。葛世榮等從識別、決策、控制3方面分析了無人駕駛采煤機的技術架構，提出了無人駕駛采煤機關鍵技術及突破方向[27]，開發了基于工作面地理信息系統的采煤機定位定姿技術[28];闡述了智能化采煤裝備的“3個感知，3個自適”技術構架，探討了煤巖高效自適應截割技術、液壓支架自適應控制技術、動力傳遞自適應調控技術、煤巖界面智能識別技術、采煤裝備智能診斷技術、采煤裝備自主巡航技術的未來突破方向[29]。

人工智能算法與礦業工程的結合度也愈加密切。SLEZAK等[30]提出一種新的基于多傳感大數據的學習預測模型和實現架構，構建了瓦斯體積分數預測分析的決策支持系統。ZHANG和LOWNDES[31]提出一種人工神經網絡與故障樹分析法的耦合預測模型，并用以預測煤與瓦斯突出的可能性。JANUSZ等[32]采用機器學習方法對煤礦數據進行深度挖掘，提出了利用數據挖掘與模型訓練的方法，開發了用于預測煤礦動力災害的人工智能算法與模型。ZHOU等[33]采用Fisher判別法和支持向量機預測了地下礦山礦柱的穩定性，研究結果表明支持向量機相對于Fisher判別法的結果穩定性更高，有望成為可靠、實用的礦柱穩定判別與評價工具。ZHANG等[34]基于神經網絡提出了一種將煤礦多傳感信息數據進行融合與分析的系統。MAHDEVARI等[35]為解決隧道掘進機卡鉆問題，基于掘進經驗大數據分析，采用支持向量機與人工神經網絡訓練出用于預測地層條件變化的智能模型，認為支持向量機算法顯著優于人工神經網絡。EBRAHIMABADI等[36]采用多層感知機與Kohonen自組織特征映射的人工智能方法訓練了地質條件與巷道掘進機響應的關系模型，研究表明多層感知機適用于預測和評估煤系地層中掘進機破巖性能，Kohonen自組織映射法可有效幫助理解掘進模型的非線性方式和數據挖掘過程。

我國煤礦采場巖層控制的研究經歷了實用經驗階段、顯性理論與數值模型階段;核心問題為礦壓顯現機理及控制，具有極強的混沌性、動態性與非線性特征。國內外學者嘗試從不同的角度或采用不同方法，分析和揭示巖層運動及穩定性的機理，并建立了一系列較為完整的理論技術體系和控制方法，有力的支撐了在不同開采階段對巖層控制的實際需求。然而，巖層控制目前總體上仍然處在“靜態”和“試誤”的分析階段，即采用靜態的數學力學模型，基于靜態開采邊界與地質力學條件，試圖獲得靜態的巖層控制方案;以及通過調試不同的巖層控制方法或控制參數，直至大體滿足采場巖層控制和安全生產的需要。“靜態”和“試誤”的分析方法仍面臨的準確性、實時動態性、經濟性和安全性問題，對突發礦壓問題(例如壓架、大面積片幫、端面冒漏、放煤口卡矸)的分析解決較為遲滯，制約了煤炭連續化、標準化、自動化生產。

煤礦采場智能巖層控制是煤礦智能化開采的重要部分和關鍵環節，是由“試誤巖層控制”向“精準巖層控制”、由“靜態巖層控制”向“動態巖層控制”發展的關鍵路徑，將是當前和今后采場巖層控制領域的重要發展方向之一。本文旨在明確采場智能巖層控制的內涵，分析采場智能巖層控制的原理和方法，提煉出實現采場智能巖層控制的關鍵科學技術問題，結合實踐介紹采場智能巖層控制的具體應用實例。

1 采場智能巖層控制的內涵、技術路徑及方法

人工智能是一種感知環境并做出最可能達到預期目標的決策或響應的技術[37]。人工智能是相對于人與動物的自然智能而言的，其環境感知方式、分析方法、決策模式不必局限于模仿自然智能。人工智能的核心用途為:基于數據訓練建立動態非線性關系的精準描述，并采用動態非線性模型實現對問題的求解和對過程的優化。因此，人工智能的內涵決定了其與巖層控制必然具有高度契合性，體現在采礦問題的動態復雜性、巖層控制過程的可優化性和采礦數據的極大富集性。

以下條件使采場智能巖層控制成為可能:① 云計算、物聯網、多傳感等技術的發展，大大提高礦山數據采集密度與維度、傳輸共享速度、分析運算能力;② 以MapReduce和Hadoop為代表的非關系數據分析技術的發展，為大規模非結構數據并行處理提供了技術保障;③ 計算機處理器的容量、計算速度和復雜度翻番周期為18個月，硬件的快速發展為大型數值計算、模型訓練學習、大數據分析提供了必要的硬件條件;④ 人工智能算法發展迅速，目前已經應用至礦業工程領域;⑤ 自動化開采技術、裝備和系統已發展到了較高階段，地質條件較好的工作面已初步實現無人或少人開采。

采場巖層控制的對象為采煤工作面的圍巖環境，包括工作面頂板(頂煤)、后方采空區煤矸流、工作面前方煤壁以及工作面底板。煤礦采場智能巖層控制指運用現代信息技術、人工智能技術及方法等，以采場智能裝備系統為載體，實現開采全過程的采場圍巖自動化、智能化控制;即采用互聯網技術、多傳感技術、地理信息技術、物聯網技術、數字圖像技術等對三維地質信息、開拓開采信息、煤巖層地質力學信息、生產過程中的動態監測信息、歷史記錄與案例進行感知、傳輸、存儲與匯集，采用計算機模擬、云計算、大數據分析與人工智能等技術對實時數據和歷史信息進行動態分析、學習，對生產狀態動態判別、巖層狀態動態預測以及智能裝備群運行狀態實時分析，并對智能裝備群進行實時調整控制、實時制定突變災害防控措施以實現動態巖層控制的全過程。根據采場智能巖層控制的內涵，可將采場智能巖層控制分為3個關鍵環節:礦山數據的感知與匯集、動態分析與狀態判別、實時決策控制與反饋，如圖1所示。

頂板壓力實時預測、液壓支架群組協同支護、煤巖層的變化和煤壁穩定性的動態識別等都屬于采場智能巖層控制的熱門研究方向，也是近期有希望運用智能技術實現突破的課題。

圖1 煤礦采場智能巖層控制的內涵及結構Fig.1 Concept and structure of IGC at longwall working face

(1)頂板壓力實時預測。目前工作面頂板來壓多根據液壓支架工作阻力的統計學特征(均值、方差、分布與頻數)進行判別;此方法對生產起到了一定的指導意義。實際上，由于非規范化操作、接頂情況、由煤壁片幫或采煤機割煤引起的端面距變化、支架位態等因素的影響，支架工作阻力曲線千差萬別，單一依靠工作阻力的統計學特征分析來壓步距和來壓強度準確性不強，且無法對頂板來壓做實時預測，進而無法對來壓做實時控制，如改變割煤速度、加強支護等。通過大數據分析和人工智能算法對支架電液數據分析、特征提取、學習，不僅可預測頂板來壓概率，而且可對液壓支架阻力曲線特征做深度的多因素相關性分析。在工作面推進的動態過程中，預測模型可不斷獲得新的學習樣本，并基于此不斷調整預測準確度;根據來壓期間所積累的頂板控制措施和采煤工藝變化特征，可優化出適用于本工作面的來壓期間頂板控制策略。

(2)液壓支架群組協同支護。王國法提出了液壓支架群組控制的概念和液壓支架自組織協同控制的方法[15]。在全體液壓支架剛度一致條件下，對于頂板完整的長壁工作面一般呈現中部下沉撓度大的特點;對于含局部斷層的頂板壓力分布較為復雜[15]。發揮液壓支架的群組協同支護能力有助于降低液壓支架局部壓死的風險。開采過程中的頂板結構信息無法直接獲取，僅反映在液壓支架工作阻力變化上，但通過常規礦壓理論分析、數值模擬，皆難以實時解釋液壓支架工作阻力所反映的頂板結構，更難以給出合理的且具有針對性的液壓支架協同控制方法。“液壓支架阻力-頂板局部結構-群組控制方式”的關聯性是極隱蔽的。數據挖掘、深度學習以及群體學習是實現液壓支架群組協同支護實時控制的有效方法。

(3)煤巖層的變化和煤壁穩定性的動態識別。煤壁片幫或冒頂顯著影響采煤機的連續化割煤效率和液壓支架穩定性。調研結果顯示，超過30%的時間用于清理工作面端頭浮煤和片幫冒頂浮煤。煤壁片幫冒頂具有突發性和隨機性，采用激光雷達實時測距，利用圖像識別等人工智能技術對煤巖層變化和煤壁穩定性分析可實現煤壁片幫冒頂預測和已片幫冒頂區域的及時感知。

1.1 礦山數據的感知、匯集及利用

1.1.1 礦山數據構成

大數據指容量浩大、結構復雜、已不能被傳統數據處理方法充分處理的數據集合[38]。大數據分析不采用抽樣，通過對所追蹤事件的全息分析以自動呈現事物之間的聯系。煤礦開采過程產生的數據量巨大，并且隨著煤礦開采過程持續不斷累積;數據類型和格式復雜，無法通過一般分析方法進行充分利用，因此具備大數據屬性。礦山數據主要包括區域性地層資料(三維地質信息)、地質力學數據、開拓開采布局與接替信息、開采過程中采用信息技術手段所采集和表達的各類動態和靜態信息、相關采礦歷史記錄與案例等，其數據類型主要包括結構化數據、半結構化數據和非結構化數據。結構化數據指可用明確的結構關系表達的各類數據表，包括與坐標相關地質力學數據，液壓支架電液數據，智能準備群電信號數據及控制動作數據，瓦斯、風流、粉塵、微震、錨桿應力、煤柱應力等各類災害監測數據、礦井經濟指標報表數據等。半結構化數據包括開采信息的客觀記錄(巷道支護情況、作業循環表)、各類設計資料及調研結果、開拓開采布局與接替信息、各類礦圖等不能采用統一結構表達但存在一定數據結構的數據。非結構化數據包括圖像和音頻監測信息、各類生產與經濟效益有關的全文文本等無法用結構表達數據關系的數據。采場巖層控制是一個基于大開采環境的局部具體問題，因此各類靜態基礎礦山數據是采場智能巖層控制的背景數據，生產過程中的動態監測數據是其個性數據;正確認識、處理背景數據與個性數據的關系是實現數據在采場智能巖層控制中有效利用的關鍵。

1.1.2 礦山數據感知與匯集

如何有效地感知與匯集礦山數據是實現采場智能巖層控制的關鍵。地質勘探、礦井設計與建設等數據多為靜態數據，隨工程進行可被有效記錄;但目前這些數據未被有效地融合和利用，造成礦山信息孤島與數據資源的極大浪費。礦山靜態數據實際已分布存儲于礦山計算機中，搜索、挖掘、匯集此類數據是進一步利用、真正意義上避免礦山信息孤島的前提。首先，應建立完整的礦山數據共享分布式網絡系統，數據不必全部集中于單一計算機，僅在需要時可以實現迅速挖掘與調用。其次，要建立統一數據文件管理標準，為數據的快速篩選挖掘提供基礎平臺。此外，還應發展礦山數據快速處理與信息融合技術，目前已有的處理技術包括大規模并行處理技術、深度數據挖掘、網絡爬蟲、分布式文件系統、云計算、可擴展存儲系統等。

礦井生產監測期間產生的數據多為動態數據，需要依靠直接記錄與多傳感方式獲得。多傳感技術是礦山動態數據采集的重要發展方向，為實現透明開采、礦山全息傳感提供了可能。礦山全息傳感包括地質體應力與位移傳感，巖層運動的電磁與機械振動信號傳感，智能裝備群電液信號、位態、動作傳感，水、火、瓦斯、風流、溫度、粉塵等環境數據傳感，生產監測音頻傳感等。具體的多傳感技術包含微地震監測技術、數字圖像關聯技術(DIC)、電磁輻射監測技術、變形監測技術、光纖光柵監測技術、激光雷達監測技術，以及各類光敏、壓敏、生化反應等感應技術。液壓支架作為采場巖層控制最重要的支護體，其姿態、阻力、壓力分布、位置、操作動作數據是分析巖層狀況和生產狀態的重要數據來源。

1.1.3 礦山數據利用方式

礦山數據在采場智能巖層控制中的具體用途主要有4類:① 大數據分析，進行巖層控制效果、事故災害特征評價;② 為人工智能模型提供學習樣本及分析對象;③ 作為動態數值計算的反演分析參照對象;④ 作為數據可視化與開采實景虛擬的信息來源，如圖2所示。

(1)大數據分析。通過大數據分析，可對已實施的巖層控制措施進行效果評價，分析控制措施和安全、生產效益等一系列要素的相關性;可對頂板冒漏、壓架、咬架、煤壁片幫、冒頂、粉塵和瓦斯超限、頂板動力事故等礦壓問題進行實時分析，分析事故發生的時空特點、與采煤工藝和礦壓控制方式之間的相關性等。分析結果可作為新的數據擴充數據庫，為后續巖層控制提供新資料;分析結果還可為液壓支架選型、覆巖運動規律、煤柱留設、開拓方式、動力災害預測等提供決策支持依據。

(2)為人工智能模型提供學習樣本及分析對象。人工智能算法的優勢在于對混沌問題的非線性動態描述，其準確度依賴于不斷地學習與訓練。礦山全息數據經降維與稀疏化后可作為人工智能模型訓練的學習樣本，模型通過監督學習或無監督學習方式隨數據動態積累而不斷增強，實現真正意義的采場智能巖層控制。

(3)作為動態數值計算的反演分析參照對象。數值計算通過給定本構模型、初值(巖石力學參數)、數據結構(模型幾何特征)、邊界對關鍵矛盾問題求解，其優勢在于數據處理較為迅速、表現直觀、可進行多因素分析等，缺點在于輸入初值準確度無法把握、對非線性描述能力有限等。現場監測數據可作為數

圖2 巖層控制大數據特點及利用方式Fig.2 Characteristics and utilization of ground control big data

值計算的初值和本構模型反演的對比參照，逐步使數值模型逼近現實。此外，可根據動態監測數據變化而實時反分析、調整數值計算模型，實現數值模型的動態計算，預測開采過程中的礦壓問題。

(4)作為數據可視化與開采實景虛擬的來源。數據可視化與開采實景虛擬是智能巖層管理的重要方面。數據可視化指將各類數據轉化為可供技術管理人員分析的圖表，為異常偵查、趨勢判斷、人機交互等提供分析平臺。開采實景虛擬指將多傳感采集的工作面信息通過圖像拼接、虛擬現實、實體建模等技術將工作面實時轉化為虛擬三維場景，此基礎上結合人工智能、數值計算等手段對礦壓問題進行實時展現，實現現實場景與虛擬預測的融合與溝通(混合現實)。

1.2 動態分析與狀態判別

動態分析與狀態判別主要包含3個方面:① 生產狀態動態判別;② 巖層狀態動態預測;③ 智能裝備群運行狀態實時分析。主要技術手段有大數據分析、云計算、動態數值模擬以及人工智能，技術路徑如圖3所示。對于具體的巖層控制問題，首先要實時更新歷史動態數據庫，并確定當前監測數據集(即將被實時分析的數據)。其次，根據背景數據與歷史動態數據，隨開采進程對人工智能模型、計算機數值模型或數據分析方法進行實時學習、訓練、更新。然后采用新的模型對當前監測數據進行分析，給出分析對象的當前狀態，并將判別結果呈遞至決策系統。其中，人工智能模型實時學習訓練是動態分析的核心，本質上是一個動態自學習的過程。監督學習和無監督學習方式都可以實現此動態自學習過程，并無優劣之分。由于監測數據量浩大，為提高學習與分析速度，實踐中往往還需要通過一定的數據采樣算法實現快速降維。以數據呈遞關系為標記，將動態分析、狀態判別的結果與后期的決策控制命令、控制效果組建為打包數據條目，擴充礦山數據庫，為后續改善人工智能模型提供學習樣本。

圖3 采場智能巖層控制的動態分析與狀態判別技術路徑Fig.3 Process of dynamic analysis and distinguish for IGC

1.3 實時決策控制與反饋

面對礦壓因素龐雜、裝備可控制動作眾多且需要整體協調控制等問題，實時決策依然需要通過人工智能算法以及人機交互的方式解決，實時控制需通過智能決策單元、人機交互單元與自動控制單元的有效耦合實現。實時決策與控制可分為兩部分:① 實時控制命令直接呈遞;② 突變災害預警與防災措施制定。前者針對一般性、局部性、非突變型礦壓問題，對智能裝備群動作實時調整;后者針對影響范圍較大的突變災害(圖1)，制定系統性防范措施。

實時決策控制與反饋的具體技術路徑如圖4所示。隨開采進程，根據歷史“動態分析-決策與控制命令-控制效果”的關聯數據樣本不斷更新決策與控制模型，然后采用此優化后的模型做出決策與控制命令，并呈遞至智能裝備自動控制主控計算機。實際中，初期決策控制樣本(即與具體礦壓問題對應控制手段的集合)往往需要人為給定(建立初始模型)，并結合人機交互方式輔助人工智能模型快速提升(輔助訓練)，后期機器可通過自學習而使模型準確度不斷得到加強。實施控制后，根據監測數據分析巖層控制效果，并將“決策與控制命令-控制效果”擴充至礦山數據庫，以供后續模型訓練與更新使用。

圖4 采場智能巖層控制的實時決策與控制技術路徑Fig.4 Process of real-time decision-making and control for IGC

需要注意的是，雖然人工智能算法目前已得到飛速發展，但面對復雜的采礦問題，仍不能脫離人的協助。

2 采場智能巖層控制關鍵科學技術問題

目前采場智能巖層控制研究處于起始階段，核心目的是增強井下智能裝備群對各類礦壓問題的適應性，真正實現開采連續化、自動化，為煤礦開采過程中采場巖層控制提供全新技術平臺和強大工具;所涉及的關鍵科學問題如下。

(1)礦山環境及設備運行數據的數據感知匯集的方法與技術。數據是采場智能巖層控制之根本。對煤礦已有的各類靜態數據、開采背景數據利用的前提是快速匯集;對開采動態數據除匯集以外，更重要的是構建多維度、多尺度的感知網絡，實現透明開采。應采用多傳感技術、物聯網技術、地理信息系統等加強煤礦數據的采集力度;同時應發展礦山數據的動態存儲、實時更新、即時調用機制，為智能分析提供盡可能全面詳盡的資料。該方面的科學問題涉及多傳感技術、礦山靜態數據的分布式存儲方法與快速匯集，開采動態數據的多傳感采集網絡與動態存儲系統構建，異質數據統一管理標準的建立。

(2)礦山數據實時快速分析方法與技術。采場智能巖層控制建立在對礦山數據全面而實時快速分析的基礎之上。該方面科學問題涉及多類型礦山數據的識別、匹配、融合、降噪，開采過程容忍時間內礦山數據的快速篩選、分類、更新、降維，礦山數據實時分析與連續常態深度分析相結合的分析機制，巖層控制大數據動態分析平臺構建等。應增強數據的深度挖掘與充分利用，實現各類數據的有效融合，避免信息孤島現象。

(3)采場智能巖層控制的關聯分析與模型。開采過程中的采場圍巖穩定性與煤巖層條件、采高、割煤速度、支架阻力、支架狀態等密切相關，且它們之間相互關聯、相互影響的關系復雜，采用支持向量機、人工神經網絡、回歸、正則化、基于實例法、決策樹、深度學習、貝葉斯模型、聚類法、關聯規則學習、強化學習等人工智能方法進行分析處理。如深度學習卷積神經網絡已用于井下煤壁片幫、冒頂、煤矸識別，支持向量機可用于頂板、礦柱等穩定性問題，貝葉斯方法可用于頂板來壓預測等。不同的人工智能方法適用于不同的巖層控制問題，這就需要尋找適用于各類巖層控制問題的子方法，并逐步發展出具有巖層控制特色的全局嵌套智能算法與系統，實現采場智能巖層控制針對性與普遍性的統一。

(4)礦山數據可視化與開采場景虛擬構建。巖層控制數據可視化與開采實景虛擬是人機交互的重要接口。目前國內已實現了工作面裝備狀態與監測信息的實時可視化，但缺乏圍巖狀態(頂板、煤壁、煤矸混合狀態等)的實時可視化，以及巖層控制措施、效果評價的實時可視化。開采實景虛擬不僅要實現采場各類信息的地面實時呈現，更要實現在虛擬場景基礎上進行虛擬礦壓管理與預測的物理學分析功能，增強開采實景虛擬分析解決問題的能力。該方面科學問題涉及巖層控制數據實時可視化，三維開采實景虛擬重構的數據融合方法，基于開采實景虛擬的多物理場重構與仿真方法。

(5)基于大數據的快速動態數值計算原理及算法。目前數值計算大多采用靜態邊界條件、靜態輸入參數、靜態本構模型的計算方式，無法根據實際情況做及時調整，因而模擬結果往往與真實情況相差較大，無法及時修正并提高自身求解精度。大數據為實現動態數值模擬提供了可能。開采過程中的動態數據，如液壓支架工作阻力、煤柱應力、微震監測數據、生產揭露地層變化、地表巖移數據等可作為數值計算中物理力學參數、本構模型與地質模型反分析的依據。每進行下一步開采分析前，都根據最新的監測數據及時調整數值計算模型，實現對開采過程中礦壓的動態預測。目前關于線性簡單問題的反分析已有成熟理論和方法，但對于非均質地層、巖體非線性本構模型尚未提出明確便捷的反分析方法和算法。該方面的科學問題涉及基于實時監測數據的動態數值計算反分析算法實現，反分析精度檢驗，動態精細數值計算的快速求解方法。

(6)采場智能巖層控制“感知-分析-控制-反饋”全過程算法集成與系統構建。“感知-分析-控制-反饋”的算法集成包括數據自動采集、存儲、匯集的智能管理，分析方法的動態智能選擇，分析模型的實時更新與分析，智能決策單元、人機交互單元與自動控制單元的有效耦合等。采場智能巖層控制系統包括上述所有軟件、算法、模塊，以及相關所有的通信網絡、超級計算機、云計算平臺、控制平臺等硬件設備。

3 實例分析

3.1 支架阻力分類與頂板狀況智能預測

彭賜燈認為，液壓支架工作阻力是變化的支架與頂板相互作用的結果，可預測開采前的頂板狀況，進而可分析礦壓機理、提高頂板管理水平。單循環內立柱壓力的變化特性可分為3類:急增型、緩增型和降低型。統計分析結果表明，急增型反映支架在完整或堅硬頂板剛體強烈運動條件下的承載狀況，緩增型反映較軟弱，降低型反映頂板頂板極其松軟破碎或底板松軟[39]。本實例以同忻煤礦8202綜放工作面為研究對象，采用支持向量機算法(SVM)對支架循環阻力曲線進行分類并預測頂板狀態。

3.1.1 工程地質概況

同忻煤礦8202工作面位于北二盤區，蓋山厚度377～517 m，工作面上覆為同家梁與永定莊侏羅系煤層采空區。主采煤層為石炭系3～5號煤層，煤層傾角約2.3°，煤層平均厚度15.26 m，其中夾矸1.96 m;煤層裂隙發育，質地半堅硬，夾矸為泥巖和炭質泥巖。8202工作面采用特厚煤層綜采放頂煤開采，平均割煤高度3.9 m，平均放煤高度11.36 m。煤層直接頂為3.87 m的炭質泥巖和薄煤層;基本頂為厚約17 m的砂質泥巖，厚層狀，抗拉強度2.3 MPa;直接底為1.98 m厚的砂質泥巖。工作面走向長度2 184.5 m，傾斜長度200 m，平均推進速度為5.6 m/d。8202工作面與8203采空區相鄰，中間留設38 m寬的區段煤柱，煤柱側為回風巷，實體煤側為進風巷，如圖5所示。工作面中部布置108 臺ZF15000/27.5/42型低位放頂煤液壓支架，靠近工作面端頭位置布置ZFG13000/27.5/42H型低位放頂煤過渡支架和ZTZ20000/30/42型端頭支架，其中上端頭(進風巷側)布置4臺過渡支架與2臺端頭支架，下端頭(回風巷側)布置5臺過渡支架與2臺端頭支架。ZF15000/27.5/42型液壓支架為四柱式支撐掩護式正四連桿低位放頂煤支架，支架寬1 660～1 860 mm，支架中心距1 750 mm，初撐力12 778 kN，額定工作阻力15 000 kN，支護強度1.46 MPa，移架步距800 mm。ZFG13000/27.5/42H型過渡型支架初撐力10 096 kN，額定工作阻力13 000 kN，支護強度1.16 MPa。ZTZ20000/30/42型端頭支架初撐力15 467 kN，額定工作阻力20 000 kN，支護強度0.52 MPa。采煤機割煤進刀方式為端部斜切進刀，進刀后反向割三角煤、清理浮煤，然后開始正常割煤。移架方式為追機及時支護移架，移架滯后采煤機尾滾筒3架;移架時支架頂梁下降量小于200 mm。放頂煤工藝為多輪分層順序放煤，循環進度為0.8 m，與割煤工序平行作業。

圖5 同忻煤礦8202綜放工作面布置示意Fig.5 Location of the top-coal caving panel No.8202 in Tongxin coal mine

3.1.2 支持向量機

支持向量機[40-42]是一種用于解決線性或非線性模式分類問題的監督學習算法，已被應用于礦柱穩定性分析[33]、沖擊礦壓預測[43]等實際問題。用于SVM分類器訓練的多維訓練集D可以表示為

D=(xi,yi),x∈Ωd,y∈{-1,+1}(1)

其中，xi，yi為多元數組，下標i可取任意有限自然數;Ωd為數據樣本集空間;D為一個多元到多元映射的集合，可被超平面wTxi+b=0分割，其中w為權重向量，b為偏置量。支持向量機的目的在于尋找最大間隔的超平面分割函數，當滿足最大間隔的超平面函數，對所有xi有

(wTxi+b)yi≥1(2)

超平面的間隔等于2/‖w‖，概念如圖6所示。因此，尋找超平面(分類函數)的問題就轉化為求‖w‖2/2的最小值問題。采用拉格朗日乘子法轉化為其對偶問題，對偶問題的拉格朗日函數表示為

(3)

式中，α為拉格朗日乘子。

圖6 支持向量機分類原理示意Fig.6 Concept of classification by SVM

將L分別對w和b求偏導并令之等于0，得

(4)

將式(4)代入式(3)，得

(5)

當解出L最大值后，根據式(4)可求出w和b，進而獲得分類函數:

(6)

其中，sign(·)為符號函數，當括號內項非負時，f(x)=+1，當括號內項小于0時，f(x)=-1。

支架循環阻力類型可分為3類，采用兩次支持向量機進行分類。首先分出增阻型與下降型，再將增阻型分為急增型和緩增型。液壓支架阻力數據采集間隔為5 s，大部分循環的時間超過4 000 s，即一個循環的立柱數據超過800 個。在保證準確度前提下，為縮短訓練時間，通過抽樣降低數據密度;初撐力至末阻力區間中間80%的數據以4 min/個進行抽樣間隔，循環起始10%與末端10%數據抽樣間隔為1 min/個，如圖7所示。

3.1.3 支架阻力分類與頂板狀況分析

訓練支持向量機、支架阻力分類以及頂板狀況分析流程如圖8所示，具體實施步驟如下:

圖7 支架工作阻力數據降維示意Fig.7 Schematic of dimensionality reduction on shield pressure data

圖8 基于支持向量機的支架阻力分類及頂板狀況預測流程示意Fig.8 Process of shield pressure classification and roof state prediction using SVM

(1)提取8202工作面全體液壓支架隨時間變化的工作阻力數據，編制以支架編號和時間為維度的二維數組。

(2)依據工作阻力曲線的循環特征對支架阻力二維數組進行數據分片。數據分片判據為

p≤0.01Po∩ΔtL≥10(7)

其中，p為支架立柱阻力，Pa;Po為支架立柱初撐力，Pa;ΔtL為支架立柱阻力連續低于0.01Po的時間，s。式(7)的含義為當立柱阻力低于初撐力的0.01倍且同時滿足低壓時長大于等于10 s時，確認為阻力循環數據分片點。分片后的各子數據保留了阻力與時間和支架編號的對應關系。

(3)隨機挑選部分中部支架、過渡支架和端頭支架的循環阻力子數據集合，標定循環曲線類型，作為支持向量機的學習樣本集。此樣本集分為訓練數據集合測試數據集。訓練數據集用于訓練支持向量機模型參數，測試數據集用于檢驗訓練后模型的準確度。

(4)數據預處理。將學習樣本數據集進行線性縮放，阻力數據被線性縮放為0～1。

(5)計算SVM模型參數，建立分類函數。采用K折疊交叉驗證法與網格搜索法對優化模型進行評估，直至參數精度滿足終止條件。

(6)建立最終用于支架循環阻力類型的SVM模型，然后采用測試數據集對模型性能評價。本次測試的模型驗證通過率為95%。

(7)采用訓練后的SVM分類器對所有的支架阻力分片數據進行分類，生成以支架編號和時間的分類結果二維數組。按照時間、支架位置將分類后的二維數組折算為以平面坐標的二維數組;采用線性擬合將阻力類型分類結果對應轉化為頂板類型，頂板完整性分類結果云圖如圖8所示。

(8)以頂板分類團簇密度為分類依據，將頂板做二分區，區分不穩定區與相對穩定區，如圖8頂板完整性云圖中虛線所示。

3.1.4 現場監測驗證

當8202工作面自開切眼推進約400 m后，回風巷圍巖壓力逐漸增大;當工作面推進800 m時，下端頭附近頂煤與區段煤柱嚴重變形(圖9)，工作面與回風巷交叉處巷道斷面僅殘存不足1 m2。下端頭附近85～118號液壓支架阻力普遍達不到初撐力;這是由于回風巷側頂煤十分破碎，無法與支架形成剛性硬接觸所致。現場巷道變形與支架阻力監測結果驗證了本案例通過支持向量機對支架阻力分類及頂板狀況分析的準確性，同時說明所采用的支持向量機訓練方法和液壓支架數據處理方法可以用于巖層控制分析。

圖9 回風巷及端頭處嚴重變形照片Fig.9 Photos of roadway surrounding rock deformation

3.2 大數據+動態數值開采試驗

3.2.1 大數據+動態數值開采試驗的基本架構

“大數據+動態數值開采試驗”指按照實時監測數據對數值模型的輸入參數反演校對，跟隨開采過程實時更新數值模型，使巖層幾何特征、物理力學行為、求解控制方式逼近實況;在每一步真實開采前預先進行數值計算，以預測下一步開采所遇到的具體礦山壓力問題的數值開采試驗過程，其基本架構如圖10所示。

圖10 大數據+動態數值開采試驗的基本架構Fig.10 Process of dynamic numerical mining modelling based on big data analysis

具體流程如下：① 采集礦井三維地質信息與開拓開采信息，運用一定的算法將地質信息與開拓開采信息進行三維精細擬合，建立真三維礦山開采模型。② 采集并分析地質力學信息，根據巖層物理力學特性和所模擬問題的主要矛盾，初步確定巖層、節理、層理、斷層的本構模型以及相應的物理力學參數;根據地應力場信息確定模型的邊界條件。③ 根據真實開采工藝進行數值計算，將運算結果與實時監測數據(如巖層位移、支架阻力變化、煤柱應力監測等)進行差異分析，調整巖層本構模型、物理力學參數以及求解控制方式(如阻尼、收斂準則、網格特征、求解器等)。④ 直至數值模擬結果與監測數據的誤差在可接受范圍內，停止模型校核。⑤ 采用反演后的最終數值模型進行下一步開采，預測可能出現的礦壓問題，并基于此做巖層控制決策。⑥ 進行下一步真實開采，對數值計算的預測結果做對比、評價;將實時監測數據及數值計算的評價結果擴充巖層控制大數據，以指導下一步數值開采試驗，最終形成動態反演、逐步逼近、實時評價的循環數值計算過程。

3.2.2 動力事故反分析實例

鄂爾多斯某礦42105綜放工作面長230 m，推進長度5 231.1 m，煤層平均厚度6.7 m。該工作面機尾側推進至240 m左右時，工作面回風巷超前巷道發生動力災害事故，150余根超前單體液壓支柱瞬間折斷。為分析42105綜放工作面這次動力災害事故的機理，首先用GMS三維地質建模軟件將42105工作面內及周圍58個地質鉆孔數據錄入，建立該工作面三維地質模型，如圖11所示。根據建立的三維地質模型，建立數值模擬物理模型，其中二維數值模擬模型參照42105綜放工作面三維地質模型回風巷軸向剖面圖。

圖11 42105工作面三維地質模型Fig.11 3D geologic model of the longwall panel No.42105

依照實驗室煤巖層力學性能測試實驗，對數值模擬模型中各煤巖層的初始物理力學參數進行賦值;巖層初始本構模型假設為摩爾庫侖軟化模型。根據地表巖移觀測數據，采用正反分析法，對數值模擬模型進行參數反演，調整模型煤巖體物理力學參數和網格尺寸，當模擬結果與實際數據間的誤差在可接受范圍內時，確定反演參數的最優解，并以此優化后的模型進行頂板動力事故分析。

采用三維模型模擬了隨工作面推進的應變能密度演化規律。由圖12可以看出，42105工作面后方煤柱出現了能量局部釋放，煤柱遭到破壞失去承載能力，引起頂板瞬間下移;模擬結果說明此次頂板動力災害的根源為區段煤柱突然失穩所致。

圖12 42105工作面推進至240 m時區段回風平巷煤柱應變能密度變化Fig.12 Strain energy density variation of the tailgate pillar when the face No.42105 advanced 240 m

4 結 論

(1)煤礦采場智能巖層控制是智慧礦山及智能開采的重要部分和關鍵環節，是采礦由“試誤巖層控制”向“精準巖層控制”、由“靜態巖層控制”向“動態巖層控制”發展的關鍵路徑，是當前乃至今后一個時期采礦巖層控制領域的重要發展方向之一。

(2)采場智能巖層控制的內涵是運用現代信息技術、人工智能技術及方法等，以采場智能裝備系統為載體，實現開采全過程的采場圍巖自動化、智能化控制;采用互聯網技術、多傳感技術、地理信息技術、物聯網技術、數字圖像技術等對三維地質信息、開拓開采信息、煤巖層地質力學信息、生產過程中的動態監測信息、歷史記錄與案例進行感知、傳輸、存儲與匯集，采用計算機模擬、云計算、大數據分析與人工智能等技術對實時數據和歷史信息進行動態分析、學習，實現對生產狀態動態判別、巖層狀態動態預測以及智能裝備群運行狀態實時分析，并對智能裝備群進行實時調整控制、實時制定突變災害防控措施，以實現開采全過程的動態巖層控制。

(3)分析了礦山數據的構成、感知匯集方法及利用方式。礦山數據的用途主要有:① 大數據關聯分析，進行巖層控制效果、事故災害特征評價;② 為人工智能模型提供學習樣本及分析對象;③ 作為動態數值計算的反演分析參照對象;④ 作為數據可視化與開采實景虛擬的信息來源等4類。

(4)給出了采場智能巖層控制的動態分析與狀態判別、實時決策控制與反饋的技術路徑，提出了采場智能巖層控制的關鍵科學技術問題:① 環境及設備運行數據的感知匯集方法與技術;② 礦山數據實時快速分析方法與技術;③ 采場智能巖層控制的關聯分析與模型;④ 礦山數據可視化與開采場景虛擬構建;⑤ 基于大數據的快速動態數值計算原理及算法;⑥ 采場智能巖層控制“感知-分析-控制-反饋”全過程算法集成與系統構建。