摘要
煤矿开采现场所采集的瓦斯数据呈现着非线性、高维性和模糊复杂性的特点，就目前而言，对海量数据背后所隐藏的大量的信息和规律未做开发，对于瓦斯涌出量的预测，在可靠性、准确性和实时性方面还存在不足。深度学习可以通过内部的多个非线性层的处理阶段，来完成矿井下海量的多源异构数据信息的特征提取和转换，并能够通过自主学习来实现预测的目的，为瓦斯事故的预测预报和决策提供技术支撑。因此，本文利用深度神经网络(DNN)自身构造的多隐层模型对样本数据进行训练，完成自主学习过程，误差分析结果显示该模型性能较好；并实现TensorFlow框架的封装，完成瓦斯数据预测系统的设计，该系统可进行准确实时的预测，为智能化开采提供技术支持。本文主要完成了以下几个方面的研究内容： （1）对比几种典型深度学习模型的基本结构和训练方法，得出DNN模型更加适用于瓦斯涌出量的预测问题。 （2）分析了瓦斯涌出量影响因素，并利用SPSS对相关参数进行Bartlett球形检验和KMO检验，检验结果表明：所选择的参数间的偏相关性较弱，显著性为0，满足分析条件，具有可靠的信度和效度。从而，确定了预测模型的基本输入参数。 （3）提出了一种基于深度神经网络的瓦斯涌出量预测模型，并将该模型应用于高河矿的瓦斯涌出量预测中。把预处理后的数据进行划分，其中80%作为训练集，20%作为测试集，分别用于模型的训练和模型预测性能的评估。预测结果表明：总体预测曲线基本符合瓦斯涌出量的变化趋势，能够较为准确的反映涌出量的变化幅值。 （4）通过误差分析对模型效果进行检验，回采工作面预测误差的标准差为1.776921，掘进工作面预测误差的标准差为0.310803，预测误差值均都分布在0左右的范围内，向两侧呈递减趋势，说明模型精度较好。验证了该模型应用于瓦斯涌出量预测问题的适用性和优越性。 （5）在完成高河矿瓦斯涌出量数据预测模型的构建基础上，通过搭建分布式深度学习框架，完成了具有自主学习能力的精准、高效的瓦斯涌出量预测系统的设计。
NETL