煤礦巷道支護方案智能設計研究

文章編號：1671?251X（2024）08?0076?09 DOI：10.13272/j.issn.1671-251x.2024060044

關鍵詞：煤礦巷道支護；支護方案設計；案例推理；案例比選；深度學習；長短期記憶網絡

中圖分類號：TD355/67 文獻標志碼：A

0引言

隨著我國煤礦開采深度不斷增加，煤礦巷道支護難度倍增[1]。支護效率是影響煤礦巷道掘進速度的重要因素之一，合理的支護方案是巷道安全高效施工的重要保障[2]。

隨著煤礦智能化建設不斷推進，人工智能技術在礦井通信[3-4]、過程控制[5]、安全監測監控[6-7]、救援[8]、一體化能源系統等[9]領域廣泛應用。但是在煤礦巷道支護方案設計領域，目前仍以人工設計、工程類比、FLAC 模型模擬為主，如：張大明等[10]通過理論分析和數值模擬對薛虎溝煤礦2?106A2 巷道圍巖穩定性進行受力狀態分析，據此對巷道進行補強支護，實現了工作面高效回采；Wang Yajun 等[11]通過設計巷道變形力學模型，分析了深部煤礦開采過程中巷道和圍巖的穩定性，根據分析結果優化支護方案；呂彪等[12]通過實驗室試驗和數值模擬，制定了適用于大變形巷道的錨固系統外固元讓壓裝置設計準則，基于優化內固元參數輔以讓壓裝置，優化設計了大變形巷道支護方案。現有方法存在主觀性強、普適性低、未充分利用煤礦支護大數據等問題，無法適應當前煤炭行業智能化發展趨勢。人工智能技術在煤礦巷道支護方案設計中的應用尚處于起步階段。文獻[13]采用專家系統設計了巷道支護方案，但其采用基于規則的推理方式，規則設定程序繁瑣，工程量大，智能化程度較低。

本文基于煤礦支護規程、支護規范及煤礦巷道地質報告等文本大數據， 引入CBR（Case-BasedReasoning，案例推理）技術進行案例智能比選，采用LSTM（Long Short Term Memory，長短期記憶）網絡進行巷道支護方案自動生成，從而實現煤礦巷道支護方案智能設計。

1研究框架

煤礦巷道支護方案智能設計研究框架如圖1 所示。充分考慮影響煤礦巷道支護效果的因素，篩選與支護設計相關的參數并進行處理。基于處理后的參數，建立CBR 模型對待支護巷道進行歷史相似案例的比選推理。同時建立基于BP 神經網絡或LSTM 網絡的煤礦巷道支護方案自動生成模型，將處理后的參數作為模型的輸入，對應巷道的支護方式和支護參數作為模型的輸出，通過預測指標對比選擇最優模型。綜合CBR 模型與巷道支護方案自動生成模型，建立煤礦巷道支護方案智能設計系統。

2數據采集與處理

2.1參數獲取與分類

獲取煤礦巷道支護資料是進行支護方案智能比選和自動生成的重要前提。煤礦巷道支護資料包括煤礦巷道支護相關規程、煤礦地質報告、采煤作業手冊、工程設計圖紙等，主要通過現場調研和文獻分析獲取。收集612 份不同煤礦的巷道支護資料，其中內容較全的有效資料有346 份，抽取其中的結構化數據。

根據煤礦巷道支護資料中包含的支護參數及領域專家意見，將巷道支護的影響因素分為開采、頂板、煤層、底板、巷道、地應力、地下水、支護參數8 個類別，共35 個參數作為CBR 模型和支護方案自動生成模型的輸入參數。將支護方式、錨桿參數等7 類53 個參數作為輸出參數。

煤礦參數類型分為數值型和枚舉型。針對枚舉型參數，統一采用數值表示方法，如對于開采方法，用1—4分別表示炮采、普采、綜采、綜放。

2.2參數優化

選取的部分參數間存在一定的耦合關系，易導致模型計算過程中發生過度擬合現象，且過多的參數給數據采集帶來困難[14-15]。另外，參數過多會使支護方案自動生成模型復雜化，增加訓練時間。對此，采用特征工程方法進行參數優化，步驟如下。

1） 常屬性變量濾波。常屬性變量即數值恒定不變的量[16]。進行代碼運算時，在變量前加const，將其變成常屬性變量。所選參數中有部分為常屬性變量，如錨桿墊圈類型幾乎全為球形墊圈、錨桿減摩墊圈類型幾乎全為尼龍減磨墊圈、錨索墊圈類型幾乎全為球形墊圈。常屬性變量對支護方案比選和自動生成結果的影響較小，因此將其濾除。經過常屬性變量濾波，保留81個參數，包含35個輸入參數、46個輸出參數。

2） 高相關性濾波。高度相關的參數具有相似的趨勢并攜帶相似的信息，可能降低模型性能，通常需合并或刪除。使用皮爾遜相關系數法計算各參數之間的相關性，以選擇出相關性較高的參數[17]。

經過常屬性變量濾波和高相關性濾波過濾掉恒定參數及高相關性參數后，確定輸入參數為29個，輸出參數為37個，見表1。

3基于CBR 的相似案例比選

CBR能夠依據歷史支護經驗快速檢索到相似案例以解決新問題，且不斷更新和完善數據庫，從而提高數據庫決策效率[19]。本文采用Java 語言編寫的myCBR軟件建立CBR模型，并將從346份有效資料中抽取的結構化數據以.CSV 格式導入CBR模型，形成支護方案比選案例庫，實現巷道支護方案的相似案例比選。

CBR模型包含29個輸入參數，設置參數類型和函數形式。采用層次分析法對輸入參數權重進行分配。邀請5位專家對參數打分，通過構建判斷矩陣對參數進行權重賦值，結果見表2。

將各參數權重輸入CBR模型，之后調用支護方案比選案例庫，計算案例間的局部相似度。參數類型會對相似度計算產生直接影響，因此對不同類型的參數采用不同的局部相似度計算方法。對于數值型參數，局部相似度為

完成案例間相似度計算后，CBR模型輸出支護方案比選案例庫中與新支護方案相似度最高的3個方案。

4基于深度學習的巷道支護方案自動生成

4.1模型構建

綜合訓練效率和準確率，采用具有2個LSTM層的堆疊式LSTM 架構。每個LSTM 層使用200 個神經元。每個LSTM 層之后加入Dropout 層[20]，采用隨機Dropout 策略關閉部分神經元的傳輸，Dropout 率設置為0.1。遺忘門、輸入門、輸出門的門控函數均使用Sigmoid 函數，選擇Tanh 函數作為狀態和輸出的處理函數。設置優化器為Adam，學習率為0.005，學習率下降因子為0.2，迭代次數為200，批次大小為32。LSTM 模型結構見表3。

為保證網絡簡化和訓練時間減少的情況下實現模型精度最大化， BP神經網絡采用2 層隱含層結構[21]。隱含層節點個數為

式中：n，l 分別為輸入層和輸出層節點個數； 為經驗值，通常取1～10之間的整數，本文取7。

經計算，BP神經網絡的隱含層節點個數為13。經實驗驗證，設置第1 層隱含層節點個數為8，第2 層隱含層節點個數為5。同時，設置學習率為0.01，選代次數為1000，誤差為10^?6。

4.2實驗結果

依據前文設置的模型參數，分別構建基于BP 神經網絡和LSTM 的煤礦巷道支護方案自動生成模型。將346 組輸入參數隨機劃分為訓練集和測試集，其中306 份文本作為訓練集、40 份文本作為測試集。完成模型訓練后，采用40 組測試集數據進行測試。以支護方式、錨桿類型、錨桿直徑、錨桿長度、錨桿間距、錨桿排距、錨索直徑、錨索長度、錨索間距、錨索排距10 個參數為例， 預測結果如圖3 所示。可看出基于LSTM 模型的預測準確率高于基于BP 神經網絡模型。

采用擬合優度（R²） 、平均絕對誤差（MeanAbsolute Error， MAE） 及均方根誤差（Root" Mean Squared Error，RMSE）作為評價指標，R² 越大、MAE和RMSE 越小，說明模型預測效果越好[22]。2種模型評價指標對比見表4。可看出基于LSTM 模型的R²為0.8694，基于BP神經網絡模型的R²為0.3596，且基于LSTM 模型的MAE 和RMSE 均小于基于BP神經網絡模型，說明LSTM 具有更優的預測能力，更適用于處理具有復雜非線性關系的數據。因此，選用LSTM 構建煤礦巷道支護方案自動生成模型。

5巷道支護方案智能設計

系統設計煤礦巷道支護方案智能設計系統主要包括信息抽取、知識庫、智能設計和人機交互4 大模塊。信息抽取模塊主要用于文本信息抽取、表格知識抽取和信息句知識抽取；知識庫模塊主要用于數據維護和存儲；智能設計模塊包含各種CBR 算法和模型，是生成相似案例和支護方案的核心部分；人機交互模塊用于展示系統界面。另外，系統還設置了管理模塊，主要用于用戶、權限和流程管理。系統運行流程如圖4 所示。

信息抽取模塊將煤礦巷道支護規程等文本中的非結構化知識轉換為結構化知識，需將優化參數（共66 個輸入、輸出參數）的數值提取出來。知識庫模塊包含文本存儲和數據存儲：文本存儲保存原始文本和信息句；數據存儲用來存儲提取后的結構化知識。知識庫模塊用來對數據進行檢查和更新，有利于領域數據庫由靜態向動態轉變，保證數據的完善性和準確性，如對新規程中支護方案的補充、已有規程的存儲、維護和管理均由知識庫模塊完成。智能設計模塊為系統核心，主要分為基于CBR 的支護方案智能比選和基于深度學習的支護方案自動生成2 個部分。該模塊包括模型庫和方案庫，其中模型庫用來調用智能生成和方案比選所需的模型，方案庫用于輸出最終方案。智能比選用于生成與目標方案最相似的3 個歷史案例，方案智能生成用于生成最優方案，與3 個相似案例對比，以加深用戶對設計方案的理解。人機交互模塊將文本、表格和圖片轉換為機器可理解的語言，實現機器自動解析，并在數據輸出時將計算機語言轉換為人可理解的語言，便于用戶更好地理解輸出內容，提升可讀性。系統界面如圖5所示。

6系統測試

內蒙古蒙泰不連溝煤業有限責任公司不連溝煤礦煤炭資源儲量為97 113.5 萬t，總體構造為走向北北西、傾向南西西的單斜構造，地層產狀平緩，其間發育寬緩的波狀起伏，波幅小于20 m，起伏角一般小于5°。煤層瓦斯含量較低，瓦斯涌出量較小，無煤與瓦斯突出等動力現象，為低瓦斯礦井。礦區內巖石以碎屑沉積巖為主，層狀結構，巖體各向異性；煤層頂底板巖石強度較低，以軟弱巖石為主，半堅硬巖石次之，巖體質量以一般中等為主，較穩定。巷道圍巖局部穩定性較差，開采過程中可能發生冒落、垮塌、底鼓等現象。該煤礦掘進F6226 工作面輔運巷，布置在6 號煤層內。煤層平均厚度為16.18 m，直接頂巖性為泥巖，基本頂為粗砂巖，煤柱寬度為100m。巷道埋深為306.85 m，設計長度為1 863.6 m，斷面寬度為5.5m、高度為4m。將礦方提供的相關參數輸入煤礦巷道支護方案智能設計系統，得到支護方式為錨桿錨索網片支護，輸出的3個相似案例和最優生成方案見表5。

對比人工設計方案和系統生成方案可看出，錨桿排距、錨桿設計錨固力、錨索長度、錨索間距、錨索排距、錨索設計錨固力和錨索托盤規格有細微差別，其他參數均相同。為驗證方案的可行性和支護效果，在F6226 工作面輔運巷分別進行人工設計方案和系統生成方案測試，對比2種方案下巷道頂板和兩幫變形量。經測點觀察，人工設計方案下兩幫變形量為350 mm，頂板最大位移為150 mm，未發生頂板事故；系統生成方案下巷道兩幫變形量為310 mm，頂板最大位移為126 mm，均小于人工設計方案，且巷道頂板及兩幫完整性較好，錨索和網片受力穩定，圍巖自身的承載能力增強，支護效果顯著。此外，邀請5名煤礦技術人員對生成方案進行審核，一致表示自動生成方案合理可行。

7結論

1）基于CBR技術對煤礦巷道支護方案進行歷史相似案例的生成，可為現場技術人員提供更多的設計參考。

2）與BP神經網絡相比，基于LSTM構建煤礦巷道支護方案自動生成模型具有更高的預測準確性。

3）基于CBR模型和煤礦巷道支護方案自動生成模型構建的支護方案智能設計系統充分利用煤礦巷道支護大數據，可生成科學、有效的支護方案，大大提高了設計過程的智能化水平和效率。該系統在不連溝煤礦的測試驗證了其實用性和有效性，可幫助決策人員快速制定科學、有效的巷道支護方案。