基于雙向長短期記憶網絡的煤礦瓦斯濃度預測

曹 梅 楊超宇

（1.安徽理工大學經濟與管理學院 安徽淮南 232001；2.安徽理工大學人工智能學院 安徽淮南 232001）

隨著我國能源需求的增長，煤炭開采量不斷加大，煤礦井下環境越發復雜，安全事故頻發。研究發現，在頂板、瓦斯、水害等八類煤礦事故中，瓦斯是第二大煤礦事故因素，其事故發生率為百分之二十，且波及范圍廣泛，危害性較高，易造成較多人員死亡[1]。因此，對煤礦瓦斯的有效預測預警，有利于煤礦安全生產工作順利進行。關于煤礦瓦斯預測預警，學者們進行了大量研究。學者們采用灰色理論[2-5]、ARIMA時間序列分析[6]、支持向量機[7-10]、多元回歸[11]和神經網絡[12]等方法來研究煤礦瓦斯濃度預測。楊武艷[13]等人認為煤礦瓦斯涌出量是一種隨機過程，其變化是定幅、定時的區間灰色量，使用灰色預測模型有效預測了煤礦瓦斯涌出。范京道[14，15]等人使用時間序列分析方法ARIMA模型結合SVM模型，分別預測瓦斯線性和非線性數據，對煤礦瓦斯濃度進行了有效預測。李樹剛[16]等人使用RNN模型實現了煤礦瓦斯涌出濃度的預測，結果具有一定的準確性。Ping yang[17]等人利用LSTM模型，建立煤礦瓦斯涌出多步預測，結果表明，相比于ARIMA模型，LSTM模型預測效果較好。

上述方法多適合小樣本、平穩性的瓦斯涌出分析，對于大樣本、非線性數據波動較強的瓦斯預測效果不佳。RNN模型易發生梯度消失或爆炸的情況，造成模型精度下降，LSTM模型雖能解決RNN模型的不足，但其只能利用歷史信息分析。針對上述問題，提出基于雙向長短期記憶網絡的煤礦瓦斯濃度預測模型,結合前向和后向長短期記憶網絡，充分考慮歷史和未來信息，以實際數據為基礎，構建預測模型，以期有效預測煤礦瓦斯涌出濃度，為煤礦安全生產提供指導。

一、雙向長短期記憶網絡瓦斯濃度預測模型

煤礦井下開采環境惡劣，條件復雜突變，瓦斯濃度與煤層開采條件、采煤深度、煤層厚度、風速、CO濃度和溫度等因素有關，多種因素相互作用構成煤礦井下瓦斯涌出機制系統，然而，由于井下傳感器收集數據種類單一，信息有限，不能充分展現各影響因素和瓦斯涌出作用變化趨勢，由此，本研究針對瓦斯濃度隨時間變化的趨勢，結合Bi-LSTM 人工智能算法，對煤礦井下非線性溫度、風速和瓦斯時間序列大樣本數據，進行實驗，建立瓦斯濃度預測模型。

（一）LSTM 模型。長短期記憶（Long Short Term Memory,LSTM）網絡是在循環神經網絡（Recurrent Neural Network，RNN）的基礎之上演變而來，改善了RNN模型缺陷，能夠充分利用序列間的長期依賴關系，其基本原理采用門控機制，主要由輸入門、遺忘門和輸出門控制數據流，對于序列數據具有較好的處理效果。

LSTM模型內部的單元結構如圖1所示，由輸入門Xt、輸出門ot、遺忘門ft和記憶門it組成，σ表示Sigmoid函數。

圖1 LSTM單元結構

（二）Bi-LSTM 模型。雙向長短期記憶（Bi-directional Long Short Term Memory,Bi-LSTM）網絡是傳統長短期記憶網絡的一種改進。傳統LSTM網絡為單向網絡，只能在同一個方向上移動，不能同時利用前向和后向信息，而Bi-LSTM網絡結構如圖2所示，結合了前向和后向長短期記憶網絡的，能夠充分利用輸入的數據，訓練序列傳遞時，分別在同一輸出層前向和后向移動，挖掘數據之間的關聯關系，增強學習能力。

圖2 Bi-LSTM網絡結構

（三）基于Bi-LSTM 的瓦斯濃度預測模型。煤礦井下瓦斯涌出具有時間性，且易受多種因素影響，Bi-LSTM 網絡將兩個LSTM網絡的前向和后向結合，充分利用歷史和未來信息，對于處理復雜非線性的瓦斯序列多維數據，具有較好的處理效果。因此，為了實現煤礦井下瓦斯濃度有效預測，利用Bi-LSTM 網絡，融合瓦斯、風速和溫度多因素數據，遵循時間先后順序，將數據輸入到網絡模型中進行訓練，建立預測模型。

將處理好的時間序列瓦斯、溫度和風速數據送入到Bi-LSTM網絡中進行訓練和預測，在Bi-LSTM網絡節點中，數據經輸入門傳輸到狀態節點中，經過Sigmoid 函數和tanh函數計算,再分別依據公式(1)和公式(2)計算遺忘門和記憶門需要丟棄和保留掉的信息。

臨時單元狀態Ct'經過公式(3)計算并存儲t 時刻瓦斯、溫度和風速數據的臨時狀態信息，在完成信息記憶和更新之后，輸出門根據公式(4)計算出當前控制單元中有多少信息能夠被輸出到Ht中，并作為下一時刻的輸入。

單元狀態Ct和隱藏層的狀態節點Ht信息依據公式(5)和(6)計算得出。

Bi-LSTM模型預測瓦斯濃度的總體流程如圖3所示，首先，對收集來的瓦斯及相關數據進行數據預處理，整合和處理缺失值；然后，利用最大最小歸一化方法處理預處理后的瓦斯、風速和溫度數據，消除不同特征之間數量單位的影響；之后，劃分數據集，分別用于訓練和測試；其次，通過經驗公式和實驗確定神經網絡隱藏層神經元數量，并以MAE和RMSE為模型訓練的評價指標，建立Bi-LSTM 瓦斯預測模型；最后，利用訓練好的Bi-LSTM瓦斯預測模型預測瓦斯濃度，并進行誤差分析，評價模型有效性。

圖3 Bi-LSTM瓦斯預測模型建模流程

二、數據分析及模型訓練

（一）數據預處理分析。由于在數據采集過程中，煤礦井下傳感器多樣，數據采集種類復雜，可能會出現數據類型不一和缺失的情況，因此需要進行數據預處理，整合數據和插補缺失值。

1.數據整合。對煤礦井下傳感器收集來的原始數據，進行分類、去除無效信息和合并，實驗選擇煤礦井下瓦斯濃度、溫度和風速為模型數據樣本，將其按時間順序進行分類整合。

2.數據缺失處理。由于煤礦井下不確定因素影響，導致采集過程中數據出現缺失的情況，若將這些缺失數據刪除，會造成數據不完整，丟失重要信息，不利于模型學習，因此，需要對缺失數值進行補全。選擇KNN算法對缺失數據進行插補，通過公式(7)計算出缺失值xvi和其他數據xui之間的距離D，然后利用公式(8)計算出缺失值，其中wvi為與缺失值k 個近鄰數據的權重，R為計算出的缺失數值。

實驗所用數據來源于貴州省某煤礦采煤工作面自2021年1月14日至2021年4月9日的瓦斯、溫度和風速數據，進行數據整合和缺失數據插補處理，預處理后數據的前5條和后5條如表1所示。

表1 預處理后數據

（二）歸一化處理并劃分數據集。

1.歸一化處理。由于數據樣本涉及瓦斯、溫度和風速，其數據范圍大小不同，度量單位也不一樣，因此，為了消除不同變量綱量的影響，便于比較和分析，對瓦斯、溫度和風速數據歸一化處理，其計算公式如下：

在公式（9）中，Xmin為數據列最小值，Xmax為數據列最大值，X'為處理之后的數值。歸一化處理后得到的瓦斯、溫度和風速的前5條數據和后5條數據，如表2所示。

表2 歸一化處理后數據

2.在對數據樣本建模之前，為便于建立合適的模型，需劃分數據集，一部分用于訓練模型，尋找超參數，建立合適瓦斯預測模型；另一部分用于測試驗證模型準確性并進行預測。按照瓦斯、溫度和風速數據時間順序，將時間序列前80%的數據用作訓練集訓練模型，其余數據用作測試集測試模型效果。

（三）模型訓練。基于雙向長短期記憶網絡的煤礦瓦斯濃度預測模型基于Python3.6 語言,使用TensorFlow2.0 環境下的Keras庫來完成模型的訓練。

1.初始化模型參數。在神經網絡中，參數的設置影響著神經網絡準確性，而合適的參數設定沒有固定方法，需要根據經驗和實驗不斷試錯來確定。雙向長短期記憶網絡瓦斯濃度預測模型的結構為輸入層、隱藏層和輸出層。根據經驗和實驗，確定模型初始化參數，輸入層輸入滑動窗口為3，輸入特征維度為3，輸入結構為（3,3）；輸出層輸出維度為1,輸出結構為（1）；隱藏層數為1層，隱藏層使用sigmoid函數作為激活函數。每次訓練抓取樣本量256條，訓練次數150次，優化器選擇Adam。

2.確定隱藏層神經元數量。根據文獻[18]提出的經驗公式（10），在此基礎上，以MAE 和RMSE 為評價指標，進行多次實驗，確定隱藏層神經元數量。公式（10）中，m為輸入層維度；n為輸出層維度；p為常數，通常選取范圍為1到10。

利用經驗公式（10），在模型初始化參數基礎之上，得出雙向長短期記憶網絡模型隱藏層神經元數量為3到13，根據公式（11）和（12），得出雙向長短期記憶網絡模型隱藏層不同神經元數量的MAE 誤差和RMSE 誤差。公式（11）和（12）中，(t)為模型預測輸出值，y(t)實際數值，n為數據總量。

Bi-LSTM 模型隱藏層不同神經元數量的MAE 和RMSE 誤差分析如圖4 所示，隱藏層神經元數量3 至13 的MAE 平均為0.929%，RMSE 平均為0.117%，MAE 和RMSE 均低于平均值的神經元數量為8和11，相比于隱藏層神經元數量為11時，隱藏層神經元數量為8時的MAE減少0.072%，RMSE減少0.01%，因此，Bi-LSTM模型隱藏層神經元數量確定為8。

圖4 隱藏層神經元誤差分析

三、實驗與結果分析

模型實驗數據經數據整合和缺失數據插補處理后，得到有效時間序列數據共計104491 條，其中，前83590 條時間序列數據為訓練數據，后20897條時間序列數據為測試數據。

（一）不同模型預測性能對比。為了驗證模型的有效性，選取了相同參數下的LSTM 模型、RNN 模型和全連接（Full Connection, FC）神經網絡模型，將四種模型運行結果和原始數據對比分析。圖5為四種模型在測試集上的預測效果。

圖5 四種模型預測性能對比

由于樣本數據量較大，圖5只展示了第6200條至第7000條數據的實際值和預測值，圖中顯示，四種模型均對瓦斯濃度的時間變化趨勢做出了相應預測，但LSTM 模型、FC 模型和RNN模型預測較差，Bi-LSTM 模型對于瓦斯濃度峰值預測更好，預測曲線更加貼近原始數據曲線，預測效果更好。

為了更清晰地比較幾種瓦斯預測模型的有效性，采用MAE、RMSE和運行時間進一步評價模型預測效果。各模型在測試集上的預測誤差和運行時間如表3所示，四種模型中，Bi-LSTM 模型的MAE 比LSTM 模型和FC 模型均降低了66.7%，比RNN模型降低了72.3%；Bi-LSTM模型的RMSE比LSTM模型降低了2.6%，分別比FC模型和RNN模型降低了7.6%和4.7%，由此可知Bi-LSTM模型的準確性更高，預測效果更好。就模型運行時間來看，Bi-LSTM 模型運行時間最長，其次是LSTM 模型，FC模型運行時間最短。模型運行時間受模型的本身復雜程度影響，四種模型中，Bi-LSTM模型復雜程度較高，導致其耗時較長，但模型學習效果更好，預測精度更高。結合圖5和表3分析可得，相比于LSTM模型、FC模型和RNN模型，Bi-LSTM模型雖運行時間較長，但是模型的誤差較小，準確性更高，能夠實現煤礦瓦斯濃度的有效預測。

表3 各模型預測誤差及運行時間

（二）Bi-LSTM 模型瓦斯濃度多步預測。為了進一步驗證Bi-LSTM模型的瓦斯濃度預測性能，分別對瓦斯濃度未來時刻進行多步預測。設當前時刻為T，預測超前5、10、15、20、25 和30步時刻的瓦斯濃度，圖6為Bi-LSTM模型瓦斯濃度超前多步預測部分結果顯示，圖中顯示，隨著預測步數的增加，Bi-LSTM模型的預測曲線更加偏離原始數據，結合表4所示的超前多步預測誤差可知，Bi-LSTM模型超前5步預測效果最好，隨著超前時間步數的增加，數據之間時間相關性的降低，預測誤差不斷增加，預測精度也隨之下降。

表4 Bi-LSTM模型瓦斯濃度多步預測誤差

圖6 Bi-LSTM模型瓦斯濃度多步預測

四、結論

利用Bi-LSTM模型進行瓦斯濃度預測，以煤礦采煤工作面瓦斯濃度、風速和溫度數據為基礎，通過與LSTM模型、FC模型和RNN模型比較分析，Bi-LSTM模型預測的平均絕對誤差和均方根誤差分別為0.00061和0.00847，預測效果優于LSTM模型、FC模型和RNN模型。

在模型預測效率方面，Bi-LSTM 模型因其結構較為復雜，運行時間較長，但其模型預測精度更高，可有效預測瓦斯濃度，為了實現煤礦瓦斯濃度的準確預測，其時間的耗費是有價值的，基于Bi-LSTM 模型的煤礦瓦斯濃度預測，能為煤礦瓦斯事故的防治提供科學的決策依據。

Bi-LSTM模型對于煤礦瓦斯短期預測效果較好，對于長期預測誤差升高，預測精度下降，可能受時間關聯性下降的影響，另外，煤礦井下環境復雜，瓦斯濃度不僅受到時間、溫度和風速影響，還受到煤層賦存條件、開采速度、濕度等因素影響，在未來的瓦斯濃度預測研究中，應充分考慮這些因素，探究影響因素之間內在關聯性，進一步提高模型預測精度。