李鑫靈，袁 梅，2，董 洪，陳國洪，許石青，2，隆能增

（1.貴州大學(xué) 礦業(yè)學(xué)院，貴州 貴陽 550025；2.復(fù)雜地質(zhì)礦山開采安全技術(shù)工程中心，貴州 貴陽 550025；3.貴州林華礦業(yè)有限公司，貴州 畢節(jié) 551700）

由于煤與瓦斯突出的發(fā)生機(jī)理復(fù)雜，各影響因素間相互作用、彼此制約，導(dǎo)致工作面突出預(yù)警面臨較大困難，如何有效實(shí)現(xiàn)突出風(fēng)險(xiǎn)快速、準(zhǔn)確預(yù)警是當(dāng)前亟待解決的難題。隨著突出前兆特性研究的不斷深入，部分學(xué)者發(fā)現(xiàn)突出發(fā)生前總伴隨著工作面瓦斯體積分?jǐn)?shù)異常波動的前兆現(xiàn)象[1-2]，可通過研究瓦斯體積分?jǐn)?shù)的變化信息來實(shí)現(xiàn)采掘工作面的突出風(fēng)險(xiǎn)的實(shí)時(shí)預(yù)測，該種預(yù)測方式具有數(shù)據(jù)來源準(zhǔn)確、時(shí)效性較好等優(yōu)勢，是突出風(fēng)險(xiǎn)實(shí)時(shí)預(yù)測的研究熱點(diǎn)之一[3-4]，肖丹[5]利用灰色理論構(gòu)建了基于瓦斯異常涌出的灰色預(yù)警模型；鄧明[6]在研究突出孕育階段瓦斯涌出量的動態(tài)變化特征及其內(nèi)在聯(lián)系的基礎(chǔ)上，建立了多層次預(yù)警指標(biāo)體系及突出預(yù)警的數(shù)學(xué)模型；關(guān)維娟[7]、陳亮[8]利用瓦斯體積分?jǐn)?shù)變化特征構(gòu)建了突出預(yù)警指標(biāo)并開發(fā)了突出實(shí)時(shí)預(yù)警系統(tǒng)；楊艷國[9]對工作面瓦斯體積分?jǐn)?shù)序列指標(biāo)進(jìn)行綜合評判，結(jié)合瓦斯涌出異常辨識模型，實(shí)現(xiàn)了突出危險(xiǎn)性分級預(yù)警。但上述研究缺乏對具體掘進(jìn)面突出主控影響因素及建立瓦斯體積分?jǐn)?shù)特征變化的突出預(yù)警指標(biāo)的針對性研究。對于海量監(jiān)測數(shù)據(jù)與突出風(fēng)險(xiǎn)間的內(nèi)在關(guān)聯(lián)信息挖掘深度不足，缺少高效、智能的預(yù)警判據(jù)確定方法，所建預(yù)警系統(tǒng)未能與預(yù)測模型有效融合，導(dǎo)致預(yù)警系統(tǒng)針對井下各類傳感器反饋的海量大數(shù)據(jù)信息堆積的計(jì)算能力弱且智能化程度較低的不足，在一定程度上制約了突出預(yù)警的可靠性及準(zhǔn)確度。針對上述問題，從地應(yīng)力、瓦斯及物理力學(xué)性質(zhì)3方面出發(fā)，根據(jù)工作面瓦斯異常涌出的突出前兆規(guī)律構(gòu)建反映“三因素”變化狀態(tài)的突出實(shí)時(shí)預(yù)警指標(biāo)體系，借助數(shù)據(jù)挖掘算法建立突出預(yù)警模型，借助Spark大數(shù)據(jù)平臺開發(fā)掘進(jìn)面突出預(yù)警系統(tǒng)，為高效準(zhǔn)確預(yù)警提供理論指導(dǎo)。

1 煤與瓦斯突出實(shí)時(shí)預(yù)警指標(biāo)體系

1.1 掘進(jìn)工作面概況

選取貴州金沙某礦掘進(jìn)工作面作為研究對象，工作面埋深為359～441 m，煤層傾角為10°，平均煤層厚度為3.3 m，平均煤層瓦斯含量為16.38 mL/g，工作面設(shè)計(jì)長度為1 264 m。在掘進(jìn)過程中，該工作面容易遇到隱伏斷層，地質(zhì)構(gòu)造比較復(fù)雜，且該煤層的瓦斯含量較高，曾經(jīng)發(fā)生過多次煤與瓦斯突出事故，突出危險(xiǎn)性較大。

前人研究表明，當(dāng)掘進(jìn)工作面通風(fēng)條件穩(wěn)定、風(fēng)量變化較小時(shí)，工作面瓦斯體積分?jǐn)?shù)受地應(yīng)力、瓦斯及煤體物理力學(xué)性質(zhì)共同作用的影響，且突出前瓦斯涌出特征的異常變化包含上述因素隨采掘作業(yè)的推進(jìn)而引起的時(shí)空演化信息，可實(shí)時(shí)反映工作面前方煤體的狀態(tài)變化信息。

1.2 實(shí)時(shí)預(yù)警指標(biāo)體系

根據(jù)工作面瓦斯涌出特征，建立了綜合體現(xiàn)地應(yīng)力、瓦斯及煤體物理力學(xué)性質(zhì)變化規(guī)律的突出實(shí)時(shí)預(yù)警指標(biāo)體系。

式中：GT為地應(yīng)力系數(shù)；ST為周期瓦斯平均體積分?jǐn)?shù)；Sn為移動平均線；Si為在時(shí)刻i時(shí)的瓦斯體積分?jǐn)?shù)；i為某時(shí)間段內(nèi)的記錄數(shù)；n為統(tǒng)計(jì)周期內(nèi)循環(huán)數(shù)；m為記錄值的個(gè)數(shù)。

2）瓦斯體積分?jǐn)?shù)。當(dāng)風(fēng)量穩(wěn)定時(shí)，工作面掘進(jìn)頭新暴露煤面的瓦斯體積分?jǐn)?shù)易受前方煤體的瓦斯含量（壓力）及滲透條件的影響，故將工作面的瓦斯體積分?jǐn)?shù)作為基礎(chǔ)參數(shù)反映瓦斯指標(biāo)的對煤與瓦斯突出影響程度。

3）瓦斯涌出系數(shù)N。當(dāng)工作面的落煤工藝與煤的破壞類型不變時(shí)，其落煤瞬間瓦斯最高體積分?jǐn)?shù)M就取決于煤層瓦斯含量，故將M與Sn之比N作為反映周期內(nèi)工作面前方瓦斯含量（壓力）動態(tài)變化的指標(biāo)，其計(jì)算公式如下：

4）乘冪系數(shù)j。根據(jù)煤的解吸特征研究結(jié)論可知，煤的解吸規(guī)律[10]一般遵循式（3）：

式中：V為t時(shí)刻煤的瓦斯解吸速度；V1是t1時(shí)刻煤的瓦斯速度；kt為負(fù)指數(shù)；t為解吸時(shí)間。

積分后得出乘冪方程如下：

式中：Q為累計(jì)瓦斯體積分?jǐn)?shù)；α為常數(shù)；j為乘冪系數(shù)。

而同一煤樣在不同瓦斯壓力下，kt與j是不變的，僅與煤體破壞類型有關(guān)；當(dāng)j減小時(shí)，煤體的破壞程度增加，造成落煤瞬間巷道瓦斯體積分?jǐn)?shù)升高，衰減速度加快，突出危險(xiǎn)性增加。因此通過j來間接表征煤體結(jié)構(gòu)類型對突出發(fā)生的影響。

5）偏離率DT。偏離率DT表示當(dāng)前時(shí)刻T的瓦斯體積分?jǐn)?shù)偏離移動平均線的程度，偏離率越高表明該時(shí)刻瓦斯體積分?jǐn)?shù)與下一時(shí)刻瓦斯體積分?jǐn)?shù)的發(fā)展趨勢一致性越低，異常程度也越大。計(jì)算公式如下：

其次，兜底條款并非著作權(quán)法設(shè)權(quán)的基礎(chǔ)性規(guī)則，而是法定類型的從屬規(guī)則。只有在主要權(quán)利類型不能適用時(shí)，從屬規(guī)則才有適用的空間。法院在適用法律時(shí)，既要保護(hù)權(quán)利人的合法權(quán)益，同時(shí)也要給予社會公眾某種程度的關(guān)懷。因?yàn)槔嫫胶馐冀K是著作權(quán)保護(hù)的重要支點(diǎn)。? 孔祥俊著：《網(wǎng)絡(luò)著作權(quán)保護(hù)法律理念與裁判方法》， 中國法制出版社2015年版，第3頁。著作權(quán)法一方面要維護(hù)權(quán)利人的合法權(quán)益；另一方面也要促進(jìn)知識的廣泛傳播，保障作品使用者的利益。易言之，對于被訴行為，法官首先應(yīng)當(dāng)尋找法律明確規(guī)定的條文進(jìn)行適用，在法律條文未明確規(guī)定且通過法律解釋仍不能適用的情形下，再適用兜底條款。

式中：DT為偏離率；T為當(dāng)前時(shí)刻。

6）標(biāo)準(zhǔn)差S。標(biāo)準(zhǔn)差S可靈敏地反映工作面瓦斯體積分?jǐn)?shù)值偏離正常值時(shí)的異常變化，標(biāo)準(zhǔn)差越大，表明瓦斯體積分?jǐn)?shù)異常變化的幅度越大，突出危險(xiǎn)性越高。

式中：S為標(biāo)準(zhǔn)差；S軈為在統(tǒng)計(jì)周期內(nèi)的平均瓦斯體積分?jǐn)?shù)。

2 基于數(shù)據(jù)挖掘的突出預(yù)警模型

2.1 突出預(yù)警模型的構(gòu)建

由于煤礦井下傳感器監(jiān)測的數(shù)據(jù)量龐大，在監(jiān)測過程中易受作業(yè)復(fù)雜環(huán)境因素影響，導(dǎo)致采集的數(shù)據(jù)含噪性較高、易產(chǎn)生錯(cuò)漏和缺失，因此在選用數(shù)據(jù)挖掘算法進(jìn)行分析預(yù)測時(shí)，需考慮算法的適用性。對比常用數(shù)據(jù)挖掘算法后發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)算法對輸入樣本的質(zhì)量要求較高，預(yù)測結(jié)果不穩(wěn)定；決策樹算法對缺失樣本數(shù)據(jù)敏感，易忽略數(shù)據(jù)間的關(guān)聯(lián)；樸素貝葉斯算法的運(yùn)算框架復(fù)雜，學(xué)習(xí)及訓(xùn)練效率較低，不適用于突出風(fēng)險(xiǎn)實(shí)時(shí)預(yù)測；而支持向量機(jī)SVM算法只需少數(shù)支持向量便可決定最終結(jié)果，還可迅速抓住關(guān)鍵樣本、“剔除”大量冗余樣本，且算法編程簡單，具有較好的“魯棒”性，預(yù)測精度較高，對突出危險(xiǎn)性實(shí)時(shí)預(yù)測的適用性較強(qiáng)。

但SVM算法的核函數(shù)對整個(gè)模型的影響較大，核函數(shù)的基本參數(shù)控制著SVM的經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍[11]，而人為選取核函數(shù)參數(shù)取值易造成模型運(yùn)算速度慢、預(yù)測結(jié)果不穩(wěn)定等問題。因此，利用PSO不易陷入局部最優(yōu)、粒子搜索范圍大的優(yōu)勢增強(qiáng)SVM模型的全局搜索范圍，重新分配解空間，引導(dǎo)粒子群跳出局部最優(yōu)加速收斂，從而獲得最佳、最穩(wěn)定的預(yù)測結(jié)果。將PSO及SVM 2種算法的應(yīng)用特點(diǎn)相結(jié)合建立基于數(shù)據(jù)挖掘的突出風(fēng)險(xiǎn)預(yù)警模型。

模型的具體流程描述為：①收集需預(yù)測掘進(jìn)工作面的原始瓦斯體積分?jǐn)?shù)數(shù)據(jù)，獲取煤與瓦斯突出風(fēng)險(xiǎn)識別指標(biāo)數(shù)據(jù)；②對突出風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)進(jìn)行預(yù)處理，隨機(jī)將數(shù)據(jù)分為訓(xùn)練集及測試集，其中80%的數(shù)據(jù)為訓(xùn)練集，20%的數(shù)據(jù)為測試集，隨機(jī)抽取后輸入模型，將測試集數(shù)據(jù)作為結(jié)果測試的驗(yàn)證；③運(yùn)用粒子群算法對支持向量機(jī)算法的參數(shù)C、g進(jìn)行尋優(yōu)計(jì)算，先設(shè)置粒子群算法的初始參數(shù)，根據(jù)適應(yīng)度函數(shù)計(jì)算粒子最佳位置，并記錄其對應(yīng)的最佳位置，從而獲得最優(yōu)的C、g參數(shù)組合；④把優(yōu)化后的C、g參數(shù)賦予支持向量機(jī)算法，訓(xùn)練樣本輸入至SVM算法進(jìn)行訓(xùn)練，通過不斷更新C、g初始取值，不斷提高PSO算法的迭代精度，當(dāng)?shù)冗_(dá)到最佳精度則訓(xùn)練完成，并保存PSO-SVM模型；⑤將測試樣本輸入訓(xùn)練好的PSO-SVM模型，該模型的分類器進(jìn)行預(yù)測分類后輸出最終的分類預(yù)測結(jié)果，觀察預(yù)測結(jié)果和實(shí)際結(jié)果的誤差和預(yù)測等級的擬合程度，并進(jìn)行評價(jià)。PSO-SVM突出預(yù)警模型運(yùn)行流程如圖1。

圖1 PSO-SVM突出預(yù)警模型運(yùn)行流程Fig.1 Outburst risk prediction model based on PSO-SVM

2.2 突出預(yù)警等級標(biāo)簽劃分原則

由于前述所建模型在進(jìn)行數(shù)據(jù)挖掘時(shí)需提前設(shè)定所需的分類學(xué)習(xí)對象，即實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)的對應(yīng)突出預(yù)警等級，故參考《防治煤與瓦斯突出規(guī)定》[12]將掘進(jìn)工作面的整個(gè)掘進(jìn)過程劃分為安全、威脅及危險(xiǎn)3個(gè)突出預(yù)警等級，突出預(yù)警等級劃分原則見表1，其中p為瓦斯壓力；W為瓦斯含量；K1為鉆屑瓦斯解吸指標(biāo)；Smax為鉆屑量；Q為風(fēng)排瓦斯量。

表1 突出預(yù)警等級劃分原則Table 1 Principle of outburst early warning classification

其劃分原則主要根據(jù)該礦現(xiàn)有的日常防突預(yù)警指標(biāo)及工作面在采掘過程中實(shí)際發(fā)生的突出動力現(xiàn)象規(guī)定各等級的劃分原則。且該礦在區(qū)域防突中工作面突出風(fēng)險(xiǎn)預(yù)測主要是依據(jù)煤層瓦斯壓力p和煤層瓦斯含量W進(jìn)行預(yù)測，局部防突則主要是依據(jù)K1值和鉆屑量Smax進(jìn)行突出風(fēng)險(xiǎn)預(yù)報(bào)。而按照《礦井瓦斯抽采達(dá)標(biāo)暫行規(guī)定》[13]掘進(jìn)工作面絕對瓦斯涌出量大于3 m3/min的礦井必須進(jìn)行瓦斯抽采，實(shí)現(xiàn)抽采達(dá)標(biāo)，且在掘進(jìn)過程中，一條巷道的絕對瓦斯涌出量在數(shù)值上等于風(fēng)排瓦斯量Q，同時(shí)根據(jù)貴州?。?019］147號文件規(guī)定[14]煤層瓦斯參數(shù)達(dá)到消突判定標(biāo)準(zhǔn)80%以上。

2.3 突出預(yù)警模型的訓(xùn)練及結(jié)果分析

為驗(yàn)證實(shí)時(shí)預(yù)警指標(biāo)體系及所建突出預(yù)警模型的準(zhǔn)確性，收集了該掘進(jìn)面2019年4月至5月的瓦斯體積分?jǐn)?shù)監(jiān)測數(shù)據(jù)，根據(jù)上述突出等級劃分原則，以0.5 h為日常防突預(yù)測指標(biāo)及突出動力現(xiàn)象的控制時(shí)長，篩選其中最具代表性的1 059組實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)及相應(yīng)的突出預(yù)警等級標(biāo)簽，導(dǎo)入預(yù)警模型進(jìn)行訓(xùn)練及預(yù)測，其中安全、威脅及危險(xiǎn)3個(gè)突出預(yù)警等級依次用數(shù)字1、2、3表示，掘進(jìn)工作面突出實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)見表2。

設(shè)置PSO算法初始參數(shù)，設(shè)置種群數(shù)量為40、迭代次數(shù)為100，輸入標(biāo)準(zhǔn)化后的表2數(shù)據(jù)進(jìn)行PSO-SVM模型訓(xùn)練，將共1 059組數(shù)據(jù)隨機(jī)切分成3份，每份數(shù)據(jù)抽取80%作為訓(xùn)練集，剩余20%為測試集用于驗(yàn)證模型預(yù)測精度，模型準(zhǔn)確率為3份數(shù)據(jù)對應(yīng)的平均值，測試集迭代精度如圖2，測試集結(jié)果與實(shí)際結(jié)果對比如圖3。

表2 掘進(jìn)工作面突出實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)Table 2 Outburst real-time warning index data of heading face

圖3 測試集結(jié)果與實(shí)際結(jié)果對比Fig.3 Comparison of test set results with actual results

由圖2可知，在迭代過程中，PSO算法種群適應(yīng)度在第56次迭代時(shí)達(dá)到最佳迭代精度，迭代的速度較快，收斂性較強(qiáng)，比較適合SVM算法的參數(shù)尋優(yōu)。在預(yù)測結(jié)果中顯示測試集的樣本訓(xùn)練精度的最佳為92%，分類預(yù)測精度較高。

從圖3可知，測試集樣本的預(yù)測等級與實(shí)際的突出風(fēng)險(xiǎn)等級重疊性較高，表明PSO算法在尋找SVM算法最優(yōu)組合參數(shù)時(shí)，可有效地降低和避免陷入局部最優(yōu)。另外，PSO-SVM模型在搜索全局最優(yōu)解的過程中表現(xiàn)出較好的迭代性能和更高的分類準(zhǔn)確率，適合該工作面的突出預(yù)警。

3 掘進(jìn)工作面突出預(yù)警系統(tǒng)應(yīng)用

3.1 系統(tǒng)功能設(shè)計(jì)及開發(fā)

由于突出事故發(fā)生的復(fù)雜、瞬時(shí)性，單純的非接觸式的突出預(yù)警已很難滿足礦井智能化需求，而礦井監(jiān)測監(jiān)控系統(tǒng)每天都會采集如瓦斯、風(fēng)速傳感器等各類海量數(shù)據(jù)，若上述數(shù)據(jù)的計(jì)算仍在單機(jī)中進(jìn)行，會產(chǎn)生計(jì)算量大，耗時(shí)及浪費(fèi)資源等缺陷。為提高突出預(yù)警模型的計(jì)算速度及效率，在設(shè)計(jì)煤與瓦斯突出預(yù)警系統(tǒng)時(shí)引入Spark大數(shù)據(jù)平臺作為并行計(jì)算框架來加強(qiáng)對數(shù)據(jù)的計(jì)算及模型的調(diào)用。

Spark大數(shù)據(jù)平臺目前在礦業(yè)領(lǐng)域應(yīng)用比較少，而Spark平臺在迭代計(jì)算、交互式查詢及突出實(shí)時(shí)預(yù)警指標(biāo)等流式數(shù)據(jù)處理等工作及模型的加載上擁有優(yōu)越的性能，主要優(yōu)勢為[15]：運(yùn)算速度快、易于實(shí)現(xiàn)、通用性強(qiáng)、運(yùn)行模式多樣及容錯(cuò)性高等，比較適用于突出預(yù)警系統(tǒng)的開發(fā)。因此在突出預(yù)警模型的基礎(chǔ)上，結(jié)合Spark大數(shù)據(jù)平臺，并借助Python程序設(shè)計(jì)語言、MyAQL數(shù)據(jù)庫及Amazeui可視化等計(jì)算機(jī)編程技術(shù)開發(fā)集成用戶管理、數(shù)據(jù)管理、模型管理、Spark配置、風(fēng)險(xiǎn)識別、實(shí)時(shí)風(fēng)險(xiǎn)報(bào)警、礦井管理及系統(tǒng)說明8個(gè)系統(tǒng)功能模塊的突出預(yù)警系統(tǒng)。

用戶管理可實(shí)現(xiàn)注冊、賬戶編輯管理等功能；礦井管理主要對工作面基本數(shù)據(jù)信息進(jìn)行管理；系統(tǒng)說明則提供系統(tǒng)的版本信息、記錄系統(tǒng)的更新日志及Bug反饋等。數(shù)據(jù)管理模塊主要功能是將實(shí)時(shí)預(yù)警指標(biāo)監(jiān)測數(shù)據(jù)導(dǎo)入至MySQL數(shù)據(jù)庫進(jìn)行存儲；模型管理模塊則將上述構(gòu)建的突出預(yù)警模型嵌入系統(tǒng)中，對儲存在數(shù)據(jù)庫的指標(biāo)數(shù)據(jù)進(jìn)行抽取，并在后臺分別加載PSO-SVM模型與SVM模型，在調(diào)整模型參數(shù)后對數(shù)據(jù)進(jìn)行智能化訓(xùn)練，輸出最優(yōu)的精度結(jié)果并進(jìn)行對比。

Spark配置模塊主要為系統(tǒng)的模型調(diào)用、數(shù)據(jù)計(jì)算提供平臺，在系統(tǒng)中配置Spark基本環(huán)境和設(shè)置Spark的基本運(yùn)行參數(shù)，能確保模型調(diào)用更順暢、數(shù)據(jù)計(jì)算快捷。Spark環(huán)境參數(shù)配置流程如圖4。

圖4 Spark環(huán)境參數(shù)配置流程Fig.4 Spark environment parameter configuration process

風(fēng)險(xiǎn)識別模塊的主要作用是將系統(tǒng)中的多個(gè)模塊串聯(lián)起來，形成一套集新數(shù)據(jù)導(dǎo)入、數(shù)據(jù)訓(xùn)練、數(shù)據(jù)可視化及風(fēng)險(xiǎn)報(bào)警的風(fēng)險(xiǎn)預(yù)測功能；實(shí)時(shí)數(shù)據(jù)風(fēng)險(xiǎn)報(bào)警模塊能將當(dāng)天工作面的實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)趨勢清晰呈現(xiàn)、并展示預(yù)警等級、報(bào)警提醒。

3.2 系統(tǒng)應(yīng)用實(shí)例

為檢驗(yàn)系統(tǒng)的突出預(yù)警效果，選用了該工作面2019年8月17日全天24 h的實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)，利用數(shù)據(jù)管理中的數(shù)據(jù)導(dǎo)入功能將上述實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)輸入數(shù)據(jù)庫中，借助Spark大數(shù)據(jù)平臺加載訓(xùn)練完成的突出預(yù)警模型，并通過風(fēng)險(xiǎn)識別模塊對實(shí)時(shí)預(yù)警指標(biāo)數(shù)據(jù)及預(yù)警等級進(jìn)行可視化展示。該系統(tǒng)將當(dāng)天突出預(yù)警指標(biāo)的監(jiān)測數(shù)據(jù)以折線圖的形式進(jìn)行了可視化展示，并根據(jù)每一時(shí)刻的數(shù)據(jù)信息快速進(jìn)行突出預(yù)警。

系統(tǒng)中瓦斯體積分?jǐn)?shù)曲線在當(dāng)天13:00—16:00時(shí)劇烈波動，忽大忽小的異常涌出現(xiàn)象明顯，并且其他指標(biāo)數(shù)據(jù)曲線的波動特征與瓦斯體積分?jǐn)?shù)曲線波動特征相對應(yīng)。而在當(dāng)天的10：30—12：30時(shí)段內(nèi)，系統(tǒng)的預(yù)警結(jié)果均為2級（即威脅等級），與該工作面早班在10：30—12：30測定的K1值指標(biāo)數(shù)據(jù)等級一致，此時(shí)工作面繼續(xù)往前掘進(jìn)，系統(tǒng)于13：33發(fā)出工作面危險(xiǎn)等級報(bào)警，而工作面于13：55突然發(fā)生突出動力現(xiàn)象，系統(tǒng)的突出預(yù)警結(jié)果與工作面的實(shí)際出現(xiàn)的突出動力現(xiàn)象情況相一致，且在此次預(yù)警中該系統(tǒng)在工作面開始出現(xiàn)突出動力現(xiàn)象的前22 min就已發(fā)出危險(xiǎn)等級情況下的預(yù)警信息，印證該系統(tǒng)在現(xiàn)場應(yīng)用的可靠性、準(zhǔn)確性。

4 結(jié)語

1）從地應(yīng)力、瓦斯及煤體物理力學(xué)性質(zhì)3方面出發(fā)，根據(jù)工作面突出3因素與瓦斯體積分?jǐn)?shù)的突然升高或“忽大忽小”的異常涌出的煤與瓦斯突出前兆特征關(guān)系，建立包括地應(yīng)力系數(shù)、瓦斯體積分?jǐn)?shù)、瓦斯涌出系數(shù)、乘冪系數(shù)、變動率及標(biāo)準(zhǔn)差6個(gè)風(fēng)險(xiǎn)識別指標(biāo)的掘進(jìn)工作面突出實(shí)時(shí)預(yù)警指標(biāo)體系。

2）經(jīng)數(shù)據(jù)挖掘算法對比分析，綜合SVM、PSO 2種算法特點(diǎn)，構(gòu)建了數(shù)據(jù)挖掘算法的掘進(jìn)面突出預(yù)警模型，將貴州某礦掘進(jìn)工作面1 059組突出指標(biāo)數(shù)據(jù)導(dǎo)入模型進(jìn)行智能化學(xué)習(xí)及訓(xùn)練，深入挖掘預(yù)警指標(biāo)數(shù)據(jù)與預(yù)警等級之間關(guān)系，運(yùn)算結(jié)果該預(yù)警模型測試集的預(yù)測精度為92%，預(yù)警準(zhǔn)確性較高。

3）為實(shí)現(xiàn)模型的迅速調(diào)用及大量監(jiān)測數(shù)據(jù)的快速運(yùn)算，將Spark大數(shù)據(jù)平臺與突出預(yù)警模型融合，開發(fā)了掘進(jìn)面突出預(yù)警系統(tǒng)，包括用戶管理、數(shù)據(jù)管理、模型管理、Spark配置、風(fēng)險(xiǎn)識別、實(shí)時(shí)數(shù)據(jù)風(fēng)險(xiǎn)報(bào)警、礦井管理及系統(tǒng)說明8個(gè)模塊。

4）為驗(yàn)證系統(tǒng)預(yù)警效果，將該掘進(jìn)工作面2019年8月17日全天的預(yù)警指標(biāo)數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫，調(diào)用突出預(yù)警模型分析該天的預(yù)警指標(biāo)數(shù)據(jù)及預(yù)警等級的可視化結(jié)果，并對預(yù)警系統(tǒng)進(jìn)行了應(yīng)用效果檢驗(yàn)。運(yùn)行結(jié)果表明，系統(tǒng)比當(dāng)天掘進(jìn)工作面發(fā)生突出動力現(xiàn)象提前22 min進(jìn)行報(bào)警。