丁瑩瑩，尹尚先,*，連會青，劉 偉，李啟興，祁榮榮，卜昌森，夏向學，李書乾

(1.華北科技學院 河北省礦井災害防治重點實驗室，北京 101601；2.吉林大學 建設工程學院，吉林 長春 130026；3.中國礦業(yè)大學(北京) 地球科學與測繪工程學院，北京 100083)

煤礦開采過程中，工作面涌水是威脅礦井安全生產的主要因素之一[1-2]。通過預測工作面的涌水量，可以提前了解工作面涌水情況，減少礦井發(fā)生災害的風險，保障礦工的生命安全[3]。因此，提高礦井工作面涌水量預測精度至關重要。

礦井涌水量預測是對整個礦井的涌水情況進行預測，這種預測研究較為常見[4]。劉慧等[5]運用時間序列預測模型對礦井涌水量進行預測，但該研究僅考慮涌水量數(shù)據(jù)，忽略了其他因素的影響。熊鵬等[6]利用數(shù)值模擬方法對礦井涌水量進行預測，但由于預測范圍較廣，出現(xiàn)了數(shù)據(jù)量不足、復雜性增加、干擾因素增加等問題，導致預測精度較低。因此，對礦井工作面涌水量的預測更具精確性和針對性。

目前常用的涌水量預測方法包括統(tǒng)計方法[7]、數(shù)值模擬方法[8]和人工智能方法[9]等。王檔良等[10]運用統(tǒng)計方法對涌水量進行預測，該方法簡單易行，但對數(shù)據(jù)及操作人員依賴性很強。侯恩科等[11]利用數(shù)值模擬方法對礦井水文地質條件分析和模擬，并預測涌水量。但數(shù)值模擬需要大量觀測數(shù)據(jù)和高精度地質信息，模型概化地質原型的程度決定預測的精度，預測偏差較大。涌水量數(shù)據(jù)是典型的時序數(shù)據(jù)，長短時記憶網(wǎng)絡是處理時序數(shù)據(jù)的主要模型[12]。吳衛(wèi)忠等[13]利用人工智能方法建立時間序列模型對涌水量進行預測，具有運算速度快、適應性強的特點，但僅利用涌水量歷史數(shù)據(jù)進行研究預測，精確度低且穩(wěn)定性弱。王曉蕾[14]針對涌水量預測研究，提出應當建立多因素綜合模型，擴展傳統(tǒng)的單一模型的建議。但現(xiàn)階段研究中較少有將多因素模型運用到涌水量預測領域的成果報道。

微震監(jiān)測技術在煤礦突水監(jiān)測預警中的應用已非常廣泛，其在預測涌水量方面也發(fā)揮了重要作用[15]。微震監(jiān)測系統(tǒng)能夠實時監(jiān)測底板斷層和裂隙帶的發(fā)育情況，確定斷層尖端的擴展情況，從而為預測涌水量提供了重要依據(jù)[16]。微震監(jiān)測數(shù)據(jù)可以反映出地下巖體的應力狀態(tài)和破裂活動，這些因素與涌水量的變化密切相關，當微震能量增大，巖石破裂增強，導水裂隙帶更發(fā)育，導致涌水量的增加[17]，例如，陜西亭南煤礦具有完善的水情監(jiān)測系統(tǒng)，結合礦井實際監(jiān)測情況可以確定水害風險監(jiān)測指標，并指出在頂板發(fā)生突水過程中，含水層水位、工作面涌水量以及頂板導水裂隙帶發(fā)育高度在極短時間內都發(fā)生了較大的變化，這些變化與微震數(shù)據(jù)的變化密切相關[18]。此外，微震數(shù)據(jù)還可以與其他監(jiān)測數(shù)據(jù)結合，如水位數(shù)據(jù)，來提高預測的準確性，通過對水位和能量數(shù)據(jù)的監(jiān)測分析，可以有效地預測涌水量的變化趨勢，這種方法已經(jīng)被證明在實際應用中是可行的[19]。

基于以上研究，筆者結合微震數(shù)據(jù)和鉆孔水位2 個特征因素，提出SSA-CG-Attention(Sparrow Search Algorithm-Convolutional Neural Network，Gated Recurrent Unit-Attention)模型。其中卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)用于提取非線性特征，門控循環(huán)單元(Gated Recurrent Unit，GRU)用于捕捉序列信息，Attention 用于加強對重要信息的關注，麻雀搜索算法(Sparrow Search Algorithm，SSA)用于優(yōu)化參數(shù)。將微震能量數(shù)據(jù)和鉆孔水位作為特征變量輸入到SSACG-Attention 模型中，可以更全面地考慮工作面涌水量的關聯(lián)因素，從而提高預測的準確性和穩(wěn)定性，以期為工作面采取相應的排水措施提供依據(jù)，有利于保障工作面的安全。

1 模型結構

1.1 CNN 框架

卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)是深度學習的重要組成部分，不僅具有良好的自主學習能力，而且能夠有效提取局部特征，具有較強魯棒性，相較于傳統(tǒng)算法，其表現(xiàn)更加優(yōu)異[20]。本文模型中CNN框架用于自動提取礦井水害參數(shù)的內部特征。采用兩層一維卷積層提取微震能量數(shù)據(jù)、水位數(shù)據(jù)的非線性局部特征，中間使用最大池化層對提取到的微震能量數(shù)據(jù)和水位數(shù)據(jù)的特征壓縮并生成更重要的特征信息。經(jīng)典的卷積神經(jīng)網(wǎng)絡由卷積層、池化層和全連接層等[21]組成，典型的CNN 基本結構如圖1 所示。

圖1 經(jīng)典CNN 的基本結構Fig.1 Basic architecture of a typical Convolutional Neural Network

池化層可以有效地縮小參數(shù)矩陣的尺寸，從而減少最后連接層中的參數(shù)數(shù)量。池化層輸出大小的計算公式如下，本模型在每個池化窗口內取最大值。

1.2 GRU 隱藏層

門控循環(huán)單元(GRU)是一種常用的循環(huán)神經(jīng)網(wǎng)絡模型[22]，既能夠保證信息傳遞，也可以更好地處理長時序列數(shù)據(jù)，既可以用于單變量預測，也可進行多變量預測。本文模型構建GRU 時序特征層，學習通過CNN框架提取出的局部特征的內部動態(tài)變化規(guī)律，迭代提取更復雜的全局特征。GRU 是循環(huán)神經(jīng)網(wǎng)絡的一種，主要特點在于引入了重置門和更新門，重置門用于控制是否保留上一時刻的狀態(tài)，更新門用于控制是否更新當前時刻的狀態(tài)[23]。GRU 結構單元如圖2 所示。

圖2 GRU 結構單元Fig.2 Structural unit of the Gated Recurrent Unit

1.3 Attention 模塊

注意力機制是一種能夠處理輸入序列并產生單個輸出的序列到序列模型[24-25]。本文模型利用注意力機制自動對GRU 隱藏層所提取到的時間信息通過加權的方式進行重要程度區(qū)分，能夠有效減少丟失歷史信息，并突出關鍵歷史時間點的信息，以削弱冗雜信息對涌水量預測結果的影響?？梢愿行У乩糜克繑?shù)據(jù)自身的時間序列屬性，挖掘深層次的時間相關性，本文模型將注意力權重數(shù)量設置為50 以控制模型的性能和復雜度。Attention 單元結構如圖3 所示。

圖3 Attention 單元結構Fig.3 Unit structure of the Attention mechanism

1.4 SSA 算法

SSA 是一種新型的群體智能算法，以麻雀的捕食策略為基礎，通過仿真麻雀在尋找食物時的行為尋找最優(yōu)解[26-27]。主要步驟為：初始化種群、適應度計算、更新位置、保存參數(shù)、判斷終止條件。根據(jù)實驗得到超參數(shù)趨于穩(wěn)定的迭代次數(shù)，設置為終止條件。

更新位置時分為3 種情況：

(1) 更新適應度靠前麻雀的位置，即發(fā)現(xiàn)者的位置：

(2) 更新適應度靠后麻雀的位置，即跟隨者的位置：

(3) 更新部分麻雀位置，即警戒者的位置：

使用SSA 搜索全局最優(yōu)解，收斂速度更快，收斂能力更高，算法簡單易用，需要迭代次數(shù)更少。

1.5 SSA-CG-Attention 模型構建

本文基于以上4 個模塊提出一種基于SSA-CGAttention 模型的礦井工作面涌水量多因素預測方法，具體實現(xiàn)流程如圖4 所示。

圖4 SSA-CG-Attention 模型流程Fig.4 Flow chart of the SSA-CG-Attention model

模型的構建過程主要包括以下步驟：

(1)數(shù)據(jù)處理與劃分。將采集到的水位數(shù)據(jù)、微震能量數(shù)據(jù)以及涌水量數(shù)據(jù)進行預處理，并劃分數(shù)據(jù)集。其中數(shù)據(jù)的70%作為訓練集，15%作為驗證集，15%作為測試集。

(2)構建CG-Attention 模型。主要由CNN 框架和GRU 隱藏層融合形成新的網(wǎng)絡結構。兩類結構間加入隨機失活(Dropout)層防止過擬合現(xiàn)象的同時，還可以提升模型的泛化性，并且減少模型的訓練時間，本模型中drop 值為0.2。最后通過全連接層將前面提取的特征，經(jīng)過非線性變化，提取這些特征之間的關聯(lián)，最后輸出最終涌水量預測結果，其核心操作就是向量乘積。

CG-Attention 模型的模型結構如圖5 所示。

圖5 CG-Attention 模型結構Fig.5 Structure of the CG-Attention model

(3)參數(shù)優(yōu)化。采用麻雀搜索算法(SSA)更新模型各層的網(wǎng)絡參數(shù)。本模型中使用驗證集的均方差(EMS)為適應度函數(shù)，作為判斷優(yōu)化程度的標準，適應度fi計算公式如下：

(4)結果輸出。通過評價指標對模型驗證集驗證尋優(yōu)輸出預測結果。

2 研究區(qū)概況及數(shù)據(jù)來源

2.1 充水條件

亭南煤礦位于黃隴侏羅紀煤田彬長礦區(qū)中部，陜西省咸陽市長武縣亭口鎮(zhèn)。207 工作面位于礦井北部二盤區(qū)中部，所采煤層為侏羅系延安組4 煤，煤層上覆含、隔水層自上而下為：第四系松散層孔隙含水層，平均層厚93 m；白堊系下統(tǒng)宜君、洛河組孔隙-裂隙承壓含水層組，平均層厚280 m；中侏羅統(tǒng)安定組隔水層，平均層厚34 m；中侏羅統(tǒng)直羅組孔隙-裂隙承壓含水層組，平均層厚11 m；中、下侏羅統(tǒng)延安組孔隙-裂隙承壓含水層組，平均層厚13 m。

參照工作面內ZK8-1、3-1 號鉆孔(表1)，207 工作面4 煤頂板至洛河組底界距離173～182 m，回采后導水裂隙帶溝通洛河組。洛河組含水層巖性主要以中粒砂巖、粗粒砂巖和粗礫巖為主，滲透系數(shù)為0.024 1 m/d。雖然滲透性及富水性均較弱，但巨厚含水層靜儲量豐富，導致工作面涌水量居高不下，起伏劇烈。

表1 207 工作面鉆孔地層厚度數(shù)據(jù)Table 1 Thicknesses of strata in boreholes along the mining face 207 單位：m

2.2 數(shù)據(jù)來源

數(shù)據(jù)來源于陜西某煤礦207 工作面，針對微震能量數(shù)據(jù)、水位數(shù)據(jù)和涌水量數(shù)據(jù)進行研究。收集整理了2017-2019 年數(shù)據(jù)，其中，水位數(shù)據(jù)來自該工作面白堊系洛河組3-1 觀測孔，該觀測孔距離工作面最近且數(shù)據(jù)最全；微震數(shù)據(jù)由覆蓋整個207 工作面作業(yè)區(qū)域的1 個監(jiān)測探頭和4 個拾震器獲取得到。使用線性插值補齊缺失數(shù)據(jù)，具體的微震數(shù)據(jù)、水位數(shù)據(jù)與涌水量數(shù)據(jù)及其關系如圖6 所示。

圖6 微震能量、水位與工作面涌水量關系Fig.6 Relationships of microseismic energy,water level,and mine water inflow

2.3 相關性可行性分析

評價相關性常用的方法有皮爾遜相關系數(shù)、斯爾曼(Spearman)相關系數(shù)和肯德爾相關系數(shù)[28]。Spearman相關系數(shù)為r(p)的形式，r為相關性系數(shù)，p為顯著性水平，相關系數(shù)范圍為-1 到1，數(shù)值越接近-1 或1，表示相關性越強；顯著性水平表明了相關系數(shù)的顯著性，p值小于預設的顯著性水平時，認為兩個變量之間存在顯著的相關性；否則認為兩個變量之間無顯著的相關性。本文使用SPSS 對涌水量、微震能量和水位數(shù)據(jù)進行Spearman 相關性分析。相關系數(shù)見表2。

表2 微震能量、水位和涌水量數(shù)據(jù)Spearman 相關系數(shù)Table 2 Spearman correlation coefficients between microseismic energy,water level,and mine water inflow

實驗數(shù)據(jù)中，水位和涌水量之間的相關性系數(shù)為0.708，且顯著性水平小于0.01，說明水位和涌水量之間存在顯著相關性。涌水量和能量級之間的相關性系數(shù)為0.534，且顯著性水平小于0.01，說明二者之間存在顯著相關性。

對圖6 微震能量、水位和工作面漏水量數(shù)據(jù)趨勢分析如下：

(1) 2017-12-05-2018-02-20 期間，工作面處于底板應力變化劇烈及導水通道擴展、發(fā)展期。這一階段水位變化幅度較小，涌水量相對穩(wěn)定，微震事件能量級整體處于較低水平。

(2) 2018-02-28-2018-07-30 期間，礦壓影響逐步增強，水位下降、水量增加，且微震事件能量級變化趨勢與涌水量變化趨勢基本吻合，微震事件能量級整體處于較低水平。2018-03-25 微震能量增大，能量級為1×105，涌水量劇增至769 m3/h，水位下降幅度也比較明顯。

(3) 2018-08-31-2018-11-06 期間，礦山應力劇烈變化，引發(fā)地下水再度活躍，水位下降，水量增加。2018-09-15 微震事件能量級開始突增，形成第一個高峰，能量級達到6.4×105[29]。

由以上分析可得，鉆孔水位和微震能量與涌水量密切相關。因此，將鉆孔水位和微震能量數(shù)據(jù)作為涌水量預測的兩個特征因素預測涌水量具有可行性。

2.4 模型評估

為了更好地評估預測結果，本文采用平均絕對誤差(EMA)、均方根誤差(ERMS)以及平均絕對百分比誤差(EMAP)作為模型評價指標[30-31]。EMA用來衡量模型預測值與真實值之間的平均差異，值越小，說明模型的預測效果越好。ERMS是一種用于度量預測值與真實值之間誤差的指標，值越小，說明預測值與真實值之間的誤差越小。EMAP用來計算百分比誤差，值越小，表示預測模型的準確性越高。計算公式如下：

3 實驗結果與分析

3.1 各模型預測結果對比

將本文SSA-CG-Attention 預測模型和隨機線性規(guī)劃模型(Stochastic Linear Programming，SLP)、多層感知機(Multilayer Perceptron，MLP)、回歸預測模型(Support Vector Regression，SVR)、GRU、長短期記憶網(wǎng)絡(Long-Short Term Memory，LSTM)模型在該數(shù)據(jù)集上進行對比實驗，得到結果如圖7 所示。

圖7 各模型預測結果Fig.7 Predicted results of various models

模型評價指標結果見表3。由表3 可以看出：SSACG-Attention 預測模型的EMA、ERMS和EMAP這3 個評價指標均優(yōu)于SLP、MLP、SVR、GRU、LSTM 模型；組合麻雀搜索算法尋找最優(yōu)超參數(shù)，GRU 和LSTM 模型的預測精度均有所提升，但CG-Attention 模型的提升效果最優(yōu)；SSA-CG-Attention 模型預測涌水量的ERMS僅為7.25 m3/h，比MLP、SLP、SVR、LSTM、GRU 以及SSA優(yōu)化的LSTM 和GRU 模型，分別降低了19.44、18.15、11.91、7.57、7.18、6.58、2.73 m3/h，進一步驗證了提出的SSA-CG-Attention 預測模型的有效性和優(yōu)越性。

表3 各預測模型評價指標結果Table 3 Results of evaluation indicators for each prediction model

3.2 多因素與單因素模型預測結果對比

礦井涌水量預測一般分為兩類，一類是單因素預測，使用歷史觀察數(shù)據(jù)，學習歷史數(shù)據(jù)特征進行預測。另一種是多因素預測，使用礦井水害數(shù)據(jù)進行預測。本實驗選取傳統(tǒng)的BP 神經(jīng)網(wǎng)絡與典型的時間序列模型LSTM和GRU 網(wǎng)絡，分別對同一時間內僅使用涌水量數(shù)據(jù)進行單因素模型預測，與使用鉆孔水位數(shù)據(jù)以及微震能量數(shù)據(jù)的多因素模型預測對比實驗，結果見表4。

表4 多因素、單因素預測模型評價指標結果Table 4 Results of evaluation indicators for multifactor and single-factor prediction models

由表4 可以看出，多因素預測模型評價指標較優(yōu)于單因素預測模型。這是因為使用涌水量歷史數(shù)據(jù)預測結果僅考慮了歷史趨勢和變化規(guī)律，僅能提供單一時間序列信息，容易出現(xiàn)誤判和漏判。而使用鉆孔水位和微震能量數(shù)據(jù)預測工作面涌水量，多因素輸入互為約束，信息獲取更全面，結果輸出更穩(wěn)定、更準確，可以大大降低誤報漏報概率，提高工作面涌水量預測可靠性、準確性。

3.3 多因素與單因素模型穩(wěn)定性對比

將同一時間內涌水量歷史數(shù)據(jù)與使用鉆孔水位和微震能量數(shù)據(jù)拆分為訓練集和測試集，并使用訓練集訓練模型。將測試集應用于訓練完成的模型，并記錄每個模型的結果。進行多次拆分和應用模型的迭代，以減少隨機性，提高結果的準確性。分析每次迭代的結果，并計算每個模型的評估指標方差和D。計算公式如下：

將數(shù)據(jù)集進行20 次拆分迭代，進行預測實驗獲取方差結果見表5。

表5 模型評估方差Table 5 Variances for model assessment

由表5 可以看出，多因素模型的方差和普遍較小，因此，多因素模型一般比單因素模型預測結果更穩(wěn)定。

4 實驗驗證

為確保新工作面的數(shù)據(jù)與已驗證模型的數(shù)據(jù)具有相關性，同時保證數(shù)據(jù)的質量和完整性良好，選取同礦區(qū)相鄰401 工作面的數(shù)據(jù)進行多因素涌水量預測模型驗證。模型預測結果如圖8 所示。

圖8 亭南煤礦401 工作面涌水量預測結果Fig.8 Predicted mine water inflow for the mining face 401 of the Tingnan Coal Mine

模型的EMA為9.5 m3/h、ERMS為1.9 m3/h、EMAP為8%。由模型的預測結果和評估指標可得：預測結果與實際觀測值的偏差相對較小，預測的準確性相對較高，說明模型在預測涌水量方面具有較好的性能。

需要注意的是，如果新數(shù)據(jù)與訓練數(shù)據(jù)有較大的特性差異，模型的性能可能會下降。在這種情況下，需復現(xiàn)整體實驗，根據(jù)礦井或工作面數(shù)據(jù)特性，確定相關性良好的若干影響因素，重新訓練模型、調整模型參數(shù)或者微調模型，以適應新數(shù)據(jù)的特點。

5 結論

a.鉆孔水位、微震能量與工作面涌水量數(shù)據(jù)之間存在強相關性，因此，可以通過分析鉆孔水位、微震能量數(shù)據(jù)預測涌水量變化規(guī)律。

b.將水位、微震能量數(shù)據(jù)作為工作面涌水量預測特征輸入到多因素涌水量預測模型中，涌水量預測的偶然性得到抑制，相比單因素預測模型，預測結果更加準確、可靠、穩(wěn)定。

c.SSA-CG-Attention 模型可用于涌水量多因素預測，提取時序特征，兼顧數(shù)據(jù)局部特征，將注意力集中在相關的輸入元素上，盡可能多地學習輸入數(shù)據(jù)特征，同時通過麻雀搜索算法優(yōu)化模型參數(shù)，以最少的迭代次數(shù)快速尋找網(wǎng)絡參數(shù)，避免局部最優(yōu)解的缺陷，提升了預測準確性。

d.該模型僅考慮了水位和微震能量數(shù)據(jù)，下一步將繼續(xù)獲取其他相關影響因素數(shù)據(jù)，如多組水位、降水量等，對多因素預測模型進行深入探究。

符號注釋：

ai為輸入向量的權重；A+=AT(AAT)-1，A為每個元素為1 或-1 的(1×d)維矩陣；D為指標方差和；fi為麻雀個體的適應度值；fg、fw分別為全局最佳和最差適應度值；h1，h2，···，hi為對應于輸入序列的隱藏層狀態(tài)；h'為最終的特征向量；ht、ht-1分別為當前和上一時刻隱藏層輸出；i為第i個麻雀；k為池化窗口大??；K、β均為隨機數(shù)，取[-1,1]；L為1×d的全1 矩陣；m為模型評價指標個數(shù)；n為樣本數(shù)量；N為迭代次數(shù)；Nmax為最大迭代次數(shù)；P為填充大?。籕為服從正態(tài)分布的隨機數(shù)；rt為t時刻重置門輸出；R2為警戒值；s為池化窗口的步長；S為安全閾值，S∈[0.5,1]；W為各特征值的權重向量；xc為輸入數(shù)組x的大?。粁1，x2，···，xi為輸入序列；為第i個麻雀在第j維的第N+1 次迭代，其他同位置信息；為發(fā)現(xiàn)者第N+1 次迭代占據(jù)的最佳位置；xt為t時刻輸入變量；為當前最差位置；為當前全局最優(yōu)位置；為每次迭代指標的平均值；X為提取出的特征向量；yc為輸出數(shù)組y的大小；y為樣本實際值；yi為樣本預測值；Y為最終的特征輸出向量；zt為t時刻更新門輸出；?為屬于[0,1]的隨機數(shù)；ε為常數(shù)；?為向量間的逐元素相乘；⊕為向量間的逐元素相加；δ為sigmoid 函數(shù)，可將數(shù)據(jù)變?yōu)閇0,1]；tanh 為雙曲正切函數(shù)，可將數(shù)據(jù)變?yōu)閇-1,1]。