一種煤層瓦斯含量自動化及可視化預測方法
【專利摘要】本發明涉及一種煤層瓦斯含量自動化及可視化預測方法，整個瓦斯含量預測過程分為六個步驟：獲取瓦斯含量原始數據；對模型建立所需的相關參數進行設置；選擇灰建模、數量化理論或神經網絡算法自動建立瓦斯含量多變量預測模型；選擇瓦斯含量預測方法(點擊或批量預測)對未知區域進行交互式預測；顯示瓦斯含量模型建立及預測的結果。
【專利說明】一種煤層瓦斯含量自動化及可視化預測方法

【技術領域】
[0001]本發明涉及一種煤層瓦斯含量自動化及可視化預測方法。

【背景技術】
[0002]煤層瓦斯含量是單位質量煤中所含的瓦斯體積(換算為標準狀態)的量。它是研究煤層瓦斯賦存狀況的一個主要參數，是礦井瓦斯涌出量預測、煤與瓦斯突出防治和瓦斯抽放的重要依據，也是礦井通風設計必不可少的資料，關系到礦井開拓系統、通風系統和方式、通風設備、采煤方法、主要巷道布置等一系列問題的合理解決。
[0003]研究和開發實踐表明，瓦斯含量的賦存與分布在一定范圍內，具有一定的分布規律性。目前，在生產實際過程中，建立瓦斯含量與煤層埋深的定量關系，利用直接梯度法和間接梯度法成為預測深部瓦斯含量的主要方法。這種方法雖然簡單、實用，但由于地質構造和蓋層巖性等條件的變化往往造成瓦斯含量梯度的顯著差異，僅考慮埋深的單因素瓦斯含量預測方法具有嚴重的應用局限性。
[0004]鑒于此，一些學者利用統計的方法，建立了多因素瓦斯含量線性預測模型。湯友誼等利用礦井采掘區煤層瓦斯含量實測值，在瓦斯地質定性分析基礎上，建立井田未采區適用的煤層瓦斯含量預測公式；王生全應用灰色系統理論的關聯分析方法，對影響煤層瓦斯含量的地質因素進行了分析，找出了主要控制因素，構造出了瓦斯含量回歸預測模型；鐘玲文等建立了接近原地煤層氣儲集條件(包括溫度、壓力、水分、灰分、煤變質)綜合影響下煤層瓦斯含量預測方法；粱亞林將測井資料中視電阻率及伽馬伽馬與實驗室分析出的煤樣瓦斯含量進行回歸分析，建立回歸方程，進而預測出其他煤層瓦斯含量并與實驗室分析結果對比等等。
[0005]許多情況下，煤層瓦斯含量與其影響因素之間的關系復雜，利用線性方程難以表達它們之間的內在聯系，這就需要采用非線性的預測方法。葉青、林柏泉應用灰色系統理論，建立了預測煤層瓦斯含量的灰色系統GM(1，1)模型，并用殘差模型對預測模型進行了修正，然后在測定煤層瓦斯含量的基礎上進行了實際應用；張克樹等利用灰色系統理論對影響煤層瓦斯含量的因素進行了關聯分析，找出了主要影響因素和次要因素，并利用GM(1，N)灰色預測模型對煤層瓦斯含量進行了多因素影響下的系統預測；崔剛、連承波等建立BP神經網絡來進行瓦斯含量預測，并證明該方法要優于多元線性回歸的方法；吳財芳、曾勇將神經網絡與遺傳算法有機地結合起來，以神經網絡理論為基礎，利用遺傳算法優化隱含層神經元個數和網絡中的連接權值，建立了瓦斯含量預測模型，等等。
[0006]雖然多變量非線性瓦斯含量預測模型的預測精度較高，但由于模型復雜，煤礦技術人員難以掌握，在煤礦工程實踐中的應用非常少。因此，需要建立一種瓦斯含量自動預測方法，提供幾種多變量瓦斯含量預測數值模型，實現瓦斯含量預測過程及預測結果的可視化，最終為煤礦技術人員提供一種方便、快捷、直觀、可靠的瓦斯含量預測新手段。
[0007]目前，在生產實際過程中，煤礦技術人員進行深部或未采區瓦斯含量預測的方法主要為單因素梯度法，具體實現過程如下:
[0008]I)統計礦井以往瓦斯含量實測數據；
[0009]2)分析瓦斯含量與煤層埋深的影響關系；
[0010]3)建立瓦斯含量與煤層埋深的線性回歸模型；
[0011]4)利用建立的回歸模型進行煤層瓦斯含量預測。
[0012]也有采用多元線性回歸或非線性理論建立煤層瓦斯含量預測模型，但應用較少，不普遍。
[0013]煤礦瓦斯含量是一個受諸多地質因素影響的參量，現階段煤礦普遍采用單因素梯度法來預測瓦斯含量，預測結果的可靠性不高，直接影響煤礦安全生產。
[0014]一些學者采用合適的建模方法建立多變量瓦斯含量預測模型，提高了預測的可靠性。研究者統計瓦斯含量數據，分析影響瓦斯含量的各種因素，篩選出主要控制因素，建立相應的預測模型，并對未采區域進行預測，最終把預測結果列表顯示。由于瓦斯含量預測涉及數據多，信息量大，所以這種預測過程和預測結果具有四個方面的不足:1)分析預測過程耗費大量的人力和物力，而且由于認識上的不同和主觀意識的差異，預測結果會因人而異；2)反映預測條件的瓦斯地質數據隨煤礦生產而不斷變化，但傳統的預測結果是靜態的，不能隨著瓦斯地質數據的累積而及時更新，所以也就不能及時提供最新、最準確的預測成果；3)預測方法不便于組合不同影響因素以分析其相關性；4)數據與結果(圖件)是分離的，不便于數據的一致性驗證和數據的歷史性分析與永久保存；5)預測過程及結果沒有實現自動化、可視化。


【發明內容】

[0015]本發明提供一種瓦斯含量預測新方法，把圖形信息和數據信息有機統一起來，建立瓦斯含量多變量預測模型，實現預測過程及預測結果的自動化、可視化，不但提高了預測結果的可靠性，而且還提高了瓦斯含量預測的效率及決策的科學性，能夠被一般煤礦工程技術人員迅速掌握。
[0016]本發明涉及一種煤層瓦斯含量自動化及可視化預測方法，所述方法包括如下步驟:
[0017]整個瓦斯含量預測過程分為六個步驟:獲取瓦斯含量原始數據；對模型建立所需的相關參數進行設置；選擇灰建模、數量化理論或神經網絡算法自動建立瓦斯含量多變量預測模型；選擇瓦斯含量預測方法(點擊或批量預測)對未知區域進行交互式預測；顯示瓦斯含量模型建立及預測的結果。

【專利附圖】

【附圖說明】
[0018]通過參照附圖更詳細地描述本發明的示例性實施例，本發明的以上和其它方面及優點將變得更加易于清楚，在附圖中:
[0019]圖1為實現基于多變量數學模型的瓦斯含量自動化及可視化預測框架示意圖；
[0020]圖2為灰建模數值算法程序流程圖；
[0021]圖3為數量化理論I數值算法程序流程圖；
[0022]圖4為BP神經網絡建模數值算法程序流程圖。

【具體實施方式】
[0023]在下文中，現在將參照附圖更充分地描述本發明，在附圖中示出了各種實施例。然而，本發明可以以許多不同的形式來實施，且不應該解釋為局限于在此闡述的實施例。相反，提供這些實施例使得本公開將是徹底和完全的，并將本發明的范圍充分地傳達給本領域技術人員。
[0024]在下文中，將參照附圖更詳細地描述本發明的示例性實施例。
[0025]整個瓦斯含量預測過程分為六個步驟:獲取瓦斯含量原始數據；對模型建立所需的相關參數進行設置；選擇某種算法(灰建模、數量化理論或神經網絡)自動建立瓦斯含量多變量預測模型；選擇瓦斯含量預測方法(點擊或批量預測)對未知區域進行交互式預測；顯示瓦斯含量模型建立及預測的結果。
[0026]由圖1可知，瓦斯含量多變量預測模型建立所需要的原始數據直接來指于數字化瓦斯地質圖，預測結果又自動添加在平臺上，建模及預測通過動態鏈接庫(dll)也與瓦斯地質圖平臺發生聯系，這就保證整個模型建立及預測瓦斯的過程與圖件有機結合起來，實現預測的非線性操作及可視化。另外，根據預測結果，可以調整模型參數(如重新選擇瓦斯含量的影響因素、增加或刪減建模所需的瓦斯含量原始數據等)，重新進行建模及預測。
[0027]本發明采用圖形處理技術、計算機編程技術、數據庫技術及GIS方法，把多變量建模預測過程與數字化瓦斯地質圖件有機結合起來，實現瓦斯含量的動態預測及可視化，提高預測的效率及決策的科學性，最終煤礦技術人員提供一種方便、快捷、直觀、可靠的瓦斯含量預測新手段。
[0028]1、自動化預測的動態鏈接庫開發
[0029]瓦斯含量多變量建模的動態鏈接庫為整個自動化可視化預測的核心，它實現了模型建立及預測的數值算法，并通過其提供的接口函數實現與瓦斯地質圖編繪平臺進行交互。本發明專利提供了三種動態鏈接庫:gstpredict.dll、quantipredict.dll和bpnetpredict.dll,分別實現了灰建模、數量化理論I及BP神經網絡的數值算法。
[0030]I)灰建模動態鏈接庫
[0031]灰建模動態鏈接庫實現了原始數據處理、構造系數矩陣、求解系數向量等整個建模過程，并通過接口函數與瓦斯地質圖編繪平臺進行交互。
[0032]在所開發的灰建模動態鏈接庫(gstpredict.dll)文件中，提供了以下2個灰建模接口函數。
[0033](I)GMlN 函數
[0034](2) GMON 函數
[0035]該動態鏈接庫實現灰建模數值算法的程序流程如圖2所示。
[0036]2)數量化理論I動態鏈接庫
[0037]數量化理論I動態鏈接庫實現了原始數據處理、構造系數矩陣、求解系數向量、檢驗精度等整個建模過程，并通過接口函數與瓦斯地質圖編繪平臺進行交互。在所開發的數量化理論I動態鏈接庫(quantipredict.dll)文件中，提供了 quantifyl接口函數。
[0038]該動態鏈接其實現數量化理論I建模的數值算法程序流程如圖3所示。
[0039]3) BP神經網絡動態鏈接庫
[0040]BP神經網絡動態鏈接庫實現了樣本數據的歸一化、對各種權值進行初始化、誤差計算、權值調整等整個建模過程，并通過接口函數與瓦斯地質圖編繪平臺進行交互。在該動態鏈接庫(bpnetpredict.dll)文件中，提供了以下2個接口函數。
[0041](I)BpTrain 函數
[0042](2) BpPredict 函數
[0043]其實現BP網絡建模的數值算法程序框圖如圖4所示。
[0044]以上所述僅為本發明的實施例而已，并不用于限制本發明。本發明可以有各種合適的更改和變化。凡在本發明的精神和原則之內所作的任何修改、等同替換、改進等，均應包含在本發明的保護范圍之內。
【權利要求】
1.一種煤層瓦斯含量自動化及可視化預測方法，其特征在于: 整個瓦斯含量預測過程分為六個步驟:獲取瓦斯含量原始數據；對模型建立所需的相關參數進行設置；選擇灰建模、數量化理論或神經網絡算法自動建立瓦斯含量多變量預測模型；選擇瓦斯含量預測方法(點擊或批量預測)對未知區域進行交互式預測；顯示瓦斯含量模型建立及預測的結果。
【文檔編號】G06Q10/04GK104182802SQ201410362689
【公開日】2014年12月3日 申請日期:2014年7月28日 優先權日:2014年7月28日
【發明者】郝天軒, 史玲 申請人:河南理工大學