摘 要：【目的】瓦斯爆炸事故是煤礦面臨的重大安全隱患之一，考慮到煤礦井下環(huán)境的復(fù)雜性以及瓦斯災(zāi)害發(fā)生時(shí)環(huán)境的突變性，優(yōu)化逃生路徑變得至關(guān)重要。【方法】通過LSTM模型實(shí)現(xiàn)對井下各節(jié)點(diǎn)瓦斯?jié)舛鹊念A(yù)測，并結(jié)合邏輯回歸模型判別該節(jié)點(diǎn)是否存在風(fēng)險(xiǎn)，根據(jù)判別結(jié)果實(shí)時(shí)更新巷道拓?fù)浣Y(jié)構(gòu)，實(shí)現(xiàn)基于預(yù)測結(jié)果的最優(yōu)避災(zāi)路線規(guī)劃?！窘Y(jié)果】該系統(tǒng)重新生成的最佳逃生路線更加科學(xué)、有效，可為井下人員提供更加安全、可靠的逃生路線。【結(jié)論】在模型的綜合作用下，路線規(guī)劃更加合理，增加了人員逃生成功的概率。

關(guān)鍵詞：瓦斯?jié)舛龋籐STM模型；邏輯回歸模型；避災(zāi)路線；動態(tài)調(diào)整

中圖分類號：TD712 文獻(xiàn)標(biāo)志碼：A 文章編號：1003-5168（2024）16-0017-05

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.004

The Best Escape Route Calculation System Based on Gas Risk Warning

DING Weiyou LIU Xiaoli

（North China University of Science and Technology， Tangshan 063000，China）

Abstract： [Purposes] Since gas explosion accident is one of the major safety hazards faced by coal mines， optimizing escape routes has become crucial due to the complexity of the underground environment in coal mines and the sudden changes in the environment during gas disasters.[Methods] The best escape route regenerated by this system is more scientific and effective， providing reliable escape routes for underground personnel， which will effectively increase the probability of escape for underground personnel.[Findings] The best escape route regenerated by the system is more scientific and effective， which can provide safer and more reliable escape routes for underground personnel.[Conclusions] Under the comprehensive effect of the model， route planning is more reasonable， and finally increases the probability of success of personnel escape.

Keywords： gas concentration; LSTM model; logistic regression model; disaster avoidance route; dynamic adjustment

0 引言

我國作為世界能源大國，能源結(jié)構(gòu)在相當(dāng)長的時(shí)間內(nèi)以煤炭為主，煤炭的消耗量占一次性能源構(gòu)成的70%以上［1］。煤礦瓦斯是煤層開采過程中產(chǎn)生的高危氣體，主要由甲烷、二氧化碳、氮?dú)獾冉M成，瓦斯爆炸事故是煤礦面臨的重大安全隱患之一。

生產(chǎn)礦井通常根據(jù)已有經(jīng)驗(yàn)、實(shí)際情況和災(zāi)害種類提前制定應(yīng)急預(yù)案，規(guī)劃避災(zāi)路線。對于井下工作人員，在事故發(fā)生后選擇正確、合理的避災(zāi)路線可以大大提高生還概率。然而，由于礦井下巷道環(huán)境的復(fù)雜性以及災(zāi)害發(fā)生時(shí)環(huán)境的突變性，既定避災(zāi)路線很可能已經(jīng)不是當(dāng)前的最優(yōu)路徑，按照既定路線逃生很有可能會有新的危險(xiǎn)。因此，許多專家、學(xué)者在避災(zāi)路線規(guī)劃方面展開了諸多研究。徐志奇［2］根據(jù)井下有害氣體蔓延趨勢，并結(jié)合實(shí)時(shí)監(jiān)測得到的有害氣體濃度、風(fēng)向等數(shù)據(jù)，生成動態(tài)的避災(zāi)路線；楊林等［3］探討了井下瓦斯突出前后最佳避災(zāi)路線的異同，利用Dijkstra算法求解最佳路徑，指導(dǎo)人員逃生；黃運(yùn)爽等［4］通過綜合考慮影響工作人員正常通行的因素（包括巷道因素和災(zāi)害因素），以求得最短逃生時(shí)間為目標(biāo)，構(gòu)建避災(zāi)模型，規(guī)劃避災(zāi)路線；郭昕曜［5］探討了瓦斯爆炸直接傷害、次生傷害與避難硐室的位置關(guān)系，基于Flody算法分析了最優(yōu)疏散路徑。盡管以上研究考慮了有害氣體蔓延趨勢、爆炸次生災(zāi)害等因素對最優(yōu)逃生路徑的影響，但仍然是建立在固有模型的基礎(chǔ)上，無法根據(jù)實(shí)際情況和潛在危險(xiǎn)進(jìn)行實(shí)時(shí)調(diào)整［6］。

本研究針對既定逃生路線無法根據(jù)井下實(shí)際情況和潛在危險(xiǎn)進(jìn)行自動調(diào)整的局限，提出融合LSTM瓦斯?jié)舛阮A(yù)測、邏輯回歸風(fēng)險(xiǎn)判別、Dijkstra路徑規(guī)劃等方法，實(shí)現(xiàn)井下最佳逃生路線的規(guī)劃。具體而言，首先，基于LSTM模型實(shí)現(xiàn)井下瓦斯?jié)舛茸兓厔莸念A(yù)測；其次，基于邏輯回歸風(fēng)險(xiǎn)判別模型對預(yù)測數(shù)據(jù)進(jìn)行分析，判斷是否存在潛在風(fēng)險(xiǎn)；最后，基于Dijkstra算法更新最優(yōu)逃生路線，指導(dǎo)井下人員快速地逃生。

1 基于LSTM模型構(gòu)建瓦斯?jié)舛阮A(yù)測模型

1.1 LSTM模型

長短期記憶（Long short-term memory， LSTM）模型是RNN模型的變體，與經(jīng)典RNN相比能夠有效捕捉長序列之間的語義關(guān)聯(lián)， 緩解梯度消失或爆炸現(xiàn)象。LSTM的關(guān)鍵在于神經(jīng)單元的信息狀態(tài)，神經(jīng)單元的信息流傳通過遺忘門、輸入門、輸出門控制，其中遺忘門的任務(wù)是篩選細(xì)胞狀態(tài)中的信息，并將信息有選擇性地遺忘 ［7-8］，其公式見式（1）、式（2）。

[ft=sigmoidWf??t?1， xt+bf] （1）

[Ct=tanhWc??t?1， xt+bc] （2）

式中：[ft]為遺忘門；[xt]為時(shí)刻[t?1]神經(jīng)元的輸入；[?t?1]為時(shí)刻[t?1]神經(jīng)元的輸出；[Wf]代表遺忘門權(quán)重矩陣； [bf]代表遺忘門閾值向量；sigmoid為神經(jīng)元激活函數(shù)； [Ct]為t時(shí)刻的新信息；[Wc]代表單元信息更新權(quán)重矩陣； [bc]代表單元信息更新閾值向量；tanh為雙曲正切函數(shù)。LSTM原理示意如圖1所示。

輸入門的功能是有選擇地記錄新的信息到細(xì)胞狀態(tài)，并決定儲存哪種新信息到細(xì)胞狀態(tài)（單元模塊）中。輸入門包括sigmoid層和tanh層，sigmoid層確定何值的更新，tanh層生成新的候選記憶，添加補(bǔ)充丟棄的屬性信息。其公式見式（3）、式（4）。

[it=sigmoidWi??t?1， xt+bi] （3）

[Ct=ft?Ct?1+it?Ct] （4）

式中：[it]為輸入門；[Ct]為更新后的單元信息狀態(tài)；[Wi]代表輸入門權(quán)重矩陣；[bi]代表輸入門閾值向量；[it]決定[Ct]是否加入t時(shí)刻狀態(tài)。

將二者進(jìn)行乘積，從而獲得最終輸出信息。其公式見式（5）、式（6）。

[ot=sigmoidWo??t?1，xt+bo] （5）

[?t=ot?tanh（Ct）] （6）

式中：[ot]為輸出門；[Wo]代表輸出門權(quán)重矩陣； [bo]代表輸出門閾值向量；[?t]為輸出門最后的輸出。

1.2 瓦斯?jié)舛阮A(yù)測

選取貴州某煤礦20916掘進(jìn)工作面2012年12月15日0時(shí)至2012年12月18日13時(shí)這一時(shí)間段內(nèi)，采集的800條以5 min/次為間隔的瓦斯?jié)舛仍急O(jiān)測數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)［9］。將數(shù)據(jù)庫中70 %的數(shù)據(jù)作為訓(xùn)練集，30 %作為測試集。對于LSTM模型，本研究設(shè)置隱藏層數(shù)目為4，隱藏層節(jié)點(diǎn)單元數(shù)目為75，激活函數(shù)選擇線性函數(shù)。權(quán)值初始化采用Xavier方法，利用Adam算法優(yōu)化梯度下降的過程。采用均方誤差（MSE）作為評價(jià)指標(biāo)，定義為[MSE=1ni=1n（yi?yi）2]，其中[yi]為實(shí)際值，[yi]為預(yù)測值。如圖2所示，經(jīng)過訓(xùn)練，預(yù)測模型的MSE從最初的0.055降低到了0.0003。

圖3是訓(xùn)練初期（epoch=10，MSE=0.021）的結(jié)果，黑色為真實(shí)值，灰色為預(yù)測值?？梢钥吹剑藭r(shí)訓(xùn)練集有了初步擬合，但是對于測試集，預(yù)測值和真實(shí)值仍有很大差距。圖4是訓(xùn)練中期（epoch=40，MSE=0.020）的結(jié)果，可以看到此時(shí)訓(xùn)練集和測試集的效果都有了進(jìn)一步提高。圖5是訓(xùn)練最終結(jié)果（epoch=72，MSE=0.0003），可以看到此時(shí)測試集準(zhǔn)確率趨于穩(wěn)定不再上升。結(jié)果表明，經(jīng)過訓(xùn)練的LSTM模型可以有效預(yù)測該地點(diǎn)下一時(shí)刻氣體中瓦斯?jié)舛鹊闹怠?/p>

2 基于邏輯回歸模型實(shí)現(xiàn)風(fēng)險(xiǎn)判別

邏輯回歸（ Logistic Regression） 是一種廣義的線性回歸分析模型，假設(shè)[yx]服從伯努利分布，且自變量x與因變量y存在線性關(guān)系。邏輯回歸通過sigmoid函數(shù)引入了非線性因素，是一種用于解決二分類（0/1分類）問題的機(jī)器學(xué)習(xí)方法［10］。

本研究將上述數(shù)據(jù)中80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。當(dāng)工作面的瓦斯?jié)舛葦?shù)據(jù)異常但未達(dá)到報(bào)警濃度為1%的閾值，通過邏輯回歸模型對數(shù)據(jù)進(jìn)行分析。異常數(shù)據(jù)為正向類，正常數(shù)據(jù)為負(fù)向類。在求解模型的過程中，定義了sigmoid作為激活函數(shù)，定義交叉熵作為損失函數(shù)，選用梯度下降法求解模型參數(shù)（alpha=0.001，迭代次數(shù)=15 000）。圖6展示了經(jīng)過訓(xùn)練的模型在測試集上的表現(xiàn)，預(yù)測準(zhǔn)確率為100%。

3 基于Dijkstra算法更新最優(yōu)逃生路線

3.1 構(gòu)建井下巷道帶權(quán)重拓?fù)鋱D

本研究使用煤礦巷道的拓?fù)鋱D為逃生路線規(guī)劃示意圖，巷道拓?fù)淙鐖D7所示。圖中點(diǎn)12、15、16為避難硐室。

拓?fù)鋱D中線段長度代表巷道長度，但逃生路線規(guī)劃并不能僅依賴于巷道長度，而是一種融合巷道逃生困難程度的當(dāng)量長度。各路段當(dāng)量長度見表1。

3.2 基于Dijkstra算法規(guī)劃避災(zāi)路線

Dijkstra算法是一種典型的基于貪心策略的最短路徑規(guī)劃算法，用于計(jì)算一個節(jié)點(diǎn)到其他所有節(jié)點(diǎn)的最短路徑，常用于解決非負(fù)權(quán)重圖的單元最短路徑問題。該算法的核心思想是將圖所有點(diǎn)的集合S分為2部分，V和U。V集合是已經(jīng)得到最短路徑的點(diǎn)的集合，在初始情況下V中只有源點(diǎn)s；U集合是還未得到最短路徑點(diǎn)的集合，在初始情況下是除s的所有點(diǎn)。因?yàn)槊看蔚枰该鳟?dāng)前正在迭代的V集合中的某點(diǎn)，所以將該點(diǎn)設(shè)為中間點(diǎn)。因此應(yīng)先將s設(shè)為中間點(diǎn)k，再開始迭代。在每一次迭代過程中，取得U中距離k最短的點(diǎn)k，將k加到V集合中，將k從U集合刪除，并設(shè)為中間點(diǎn)v。重復(fù)此過程直到U集合為空［11］。

本研究中，為了實(shí)現(xiàn)根據(jù)井下實(shí)際情況及潛在危險(xiǎn)情況進(jìn)行避災(zāi)路線的自動調(diào)整，將先根據(jù)上述LSTM模型預(yù)測的各個節(jié)點(diǎn)的瓦斯氣體濃度和風(fēng)險(xiǎn)識別結(jié)果對拓?fù)鋱D進(jìn)行更新，再基于Dijkstra算法更新最佳逃生路線。具體而言，正常情況下，巷道權(quán)重為距離長度，一旦出現(xiàn)風(fēng)險(xiǎn)識別結(jié)果為高風(fēng)險(xiǎn)的情況，則該節(jié)點(diǎn)巷道權(quán)重記為無窮大，判定相應(yīng)路段可能無法安全通行，隨后進(jìn)行路徑重新計(jì)算與修正提示。

如圖8所示，井下危險(xiǎn)發(fā)生后，系統(tǒng)提示井下人員最佳逃生路線為1—2—3—19—14—13—12；然而在下一時(shí)段，系統(tǒng)經(jīng)過動態(tài)刷新，判斷路線3—4及路線19—14有危險(xiǎn)預(yù)警，此時(shí)系統(tǒng)更新最佳逃生路線為1—2—3—19—4—5—6—7—12，逃生路線如圖9所示；如果點(diǎn)12不能再作為安全避難點(diǎn)，系統(tǒng)自動規(guī)劃其臨近的點(diǎn)15為最終目標(biāo)，此時(shí)更新逃生路線為1—2—3—4—5—6—15，逃生路線如圖10所示；同理，若下一時(shí)段系統(tǒng)檢測到路線3—4及路線19—14有危險(xiǎn)預(yù)警，將重新規(guī)劃路線為1—2—3—19—4—5—6—15，逃生路線如圖11所示。如果點(diǎn)12、點(diǎn)15都不能再作為安全避難點(diǎn)，系統(tǒng)將選定距離較遠(yuǎn)的點(diǎn)16作為最終目標(biāo)，并以類似上述方式進(jìn)行路線規(guī)劃。經(jīng)過重復(fù)試驗(yàn)表明，融合了預(yù)測模型輸出和風(fēng)險(xiǎn)判別模型輸出的系統(tǒng)，重新生成的最佳逃生路線科學(xué)、有效，能夠?yàn)榫氯藛T提供可靠的逃生路線，將有效提高井下人員脫險(xiǎn)的概率。

4 結(jié)論

針對煤礦井下瓦斯?jié)舛任ｋU(xiǎn)性對工作人員帶來的潛在危險(xiǎn)，本研究通過LSTM模型實(shí)現(xiàn)對井下各節(jié)點(diǎn)瓦斯?jié)舛鹊念A(yù)測，并結(jié)合邏輯回歸模型判別該節(jié)點(diǎn)是否存在風(fēng)險(xiǎn)，進(jìn)而根據(jù)判別結(jié)果實(shí)時(shí)更新巷道拓?fù)浣Y(jié)構(gòu)，從而實(shí)現(xiàn)基于預(yù)測結(jié)果的最優(yōu)避災(zāi)路線規(guī)劃。模擬結(jié)果表明：①在瓦斯?jié)舛阮A(yù)測模型和風(fēng)險(xiǎn)判別模型的綜合作用下，可以使得路線規(guī)劃更加合理，增加人員逃生成功概率；②該系統(tǒng)可以最大限度地減少因逃生過程中危險(xiǎn)規(guī)避不及時(shí)造成的人員傷亡和財(cái)產(chǎn)損失。

參考文獻(xiàn)：

［1］劉業(yè)嬌，袁亮，薛俊華，等. 2007—2016年全國煤礦瓦斯災(zāi)害事故發(fā)生規(guī)律分析［J］. 礦業(yè)安全與環(huán)保，2018，45（3）：124-128.

［2］徐志奇. 井下瓦斯蔓延趨勢分析與避災(zāi)路線動態(tài)規(guī)劃方法［J］. 內(nèi)蒙古煤炭經(jīng)濟(jì)，2017（13）：128-129.

［3］ 楊林，劉勇，江成玉. 煤與瓦斯突出后最佳避災(zāi)路線的研究［J］. 煤炭技術(shù)，2014，33（12）：213-215.

［4］ 黃運(yùn)爽，劉陽，張良良，等. 煤礦采場災(zāi)害人員疏散模型及避災(zāi)硐室布置［J］. 煤礦安全，2017，48（6）：112-115.

［5］ 郭昕曜. 高突礦井瓦斯風(fēng)險(xiǎn)評估方法與管控技術(shù)研究［D］.武漢：武漢理工大學(xué)，2019.

［6］趙慧敏，李超，曾慶田.煤礦井下應(yīng)急逃生最優(yōu)路徑規(guī)劃算法研究綜述［J］.軟件導(dǎo)刊，2018，17（5）：1-5.

［7］ 荀曉玉，蘇璨，李威，等. 基于CNN-LSTM的煤礦瓦斯?jié)舛阮A(yù)測［J］.現(xiàn)代信息科技，2020，4（20）：149-152.

［8］ 劉瑩，楊超宇. 基于多因素的LSTM瓦斯?jié)舛阮A(yù)測模型［J］. 中國安全生產(chǎn)科學(xué)技術(shù)，2022，18（1）：108-113.

［9］ 張震，朱權(quán)潔，李青松，等. 基于Keras長短時(shí)記憶網(wǎng)絡(luò)的礦井瓦斯?jié)舛阮A(yù)測研究［J］.安全與環(huán)境工程，2021，28（1）：61-67，78.

［10］ 廖英雷. 基于邏輯回歸模型的瓦斯?jié)舛犬惓Ｖ禉z測與預(yù)警［J］. 陜西煤炭，2020，39（4）：13-18，44.

［11］ 康寧. 基于改進(jìn)Dijkstra算法的煤礦井下應(yīng)急路徑規(guī)劃研究［D］.西安：西安科技大學(xué)，2020.