img

QQ群聊

img

官方微信

  • CN 62-1112/TF 
  • ISSN 1005-2518 
  • 创刊于1988年
高级检索

黄金科学技术, 2024, 32(1): 75-81 doi: 10.11872/j.issn.1005-2518.2024.01.108

采选技术与矿山管理

基于曲线拟合和神经网络的独头巷道CO浓度预测研究

周昌微,, 谢贤平,, 都喜东

昆明理工大学国土资源工程学院,云南 昆明 650000

Research on the Prediction of CO Concentration in Single-head Roadway Based on Curve Fitting and Neural Network

ZHOU Changwei,, XIE Xianping,, DU Xidong

Faculty of Land Resources Engineering,Kunming University of Science and Technology,Kunming 650000,Yunnan,China

通讯作者: 谢贤平(1965-),男,四川德阳人,副教授,从事矿井通风和安全工程研究工作。xxping@kmust.edu.cn

收稿日期: 2023-07-31   修回日期: 2023-11-07  

基金资助: 云南省基础研究计划项目“堆浸体系中氧化铜矿散体孔裂隙双重介质演化及渗流响应机制研究”.  202101BE070001-039
云南省教育厅科学研究基金项目“深部含水页岩储层CO2地质封存机制及其吸附特性响应规律研究”.  2022J0055

Received: 2023-07-31   Revised: 2023-11-07  

作者简介 About authors

周昌微(1997-),男,陕西安康人,硕士研究生,从事矿井通风和安全工程研究工作1655460339@qq.com , E-mail:1655460339@qq.com

摘要

为了准确预测矿山独头巷道CO浓度,基于云南老厂锡矿1800运输巷甩车场独头巷道掘进工作面CO浓度监测数据,运用MATLAB曲线拟合工具箱对该独头巷道中CO浓度随时间的变化情况进行曲线拟合,建立了该矿山独头巷道中CO浓度随时间变化的数学模型。通过该模型得到该独头巷道中CO浓度值达到安全规程要求所需的时间。然后,运用卷积神经网络时间序列预测模型(CNN模型)和BP神经网络时间序列预测模型(BP模型)对独头巷道CO浓度进行预测,并比较评价指标R2RMSE。结果表明:BP神经网络时间序列预测模型对该独头巷道CO浓度的预测效果更好,为该矿山独头巷道CO浓度值的监测和控制提供了准确可靠的理论依据。

关键词: 独头巷道 ; MATLAB ; 曲线拟合 ; 卷积神经网络 ; BP神经网络 ; 时间序列预测

Abstract

In order to realize the prediction of CO concentration in the single-head roadway of the mine,based on the monitoring data of CO concentration in the heading face of the single-head roadway in the 1800 transport lane of Laochang tin mine in Yunnan Province.Firstly,the MATLAB curve fitting toolbox was used to fit the curve of the change of CO concentration with time in the single-head roadway,and the mathematical model of the change of CO concentration with time in the single-head roadway of the mine was established.Through the model,the time required for the CO concentration value in the single-head roadway of the mine to reach the CO concentration value required by the safety regulations was obtained.Then,the convolutional neural network time series prediction model(CNN model) and the BP neural network time series prediction model(BP model) were used to predict the CO concentration,and the two evaluation indexes of R2 and RMSE were compared.The results show that the BP neural network time series prediction model has the better prediction effect on the CO concentration of the single-head roadway,which provides an accurate and reliable theoretical basis for the monitoring and control of the CO concentration value of the single-head roadway in the mine.

Keywords: single-head roadway ; MATLAB ; curve fitting ; convolutional neural network ; BP neural network ; time series prediction

PDF (1344KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

周昌微, 谢贤平, 都喜东. 基于曲线拟合和神经网络的独头巷道CO浓度预测研究[J]. 黄金科学技术, 2024, 32(1): 75-81 doi:10.11872/j.issn.1005-2518.2024.01.108

ZHOU Changwei, XIE Xianping, DU Xidong. Research on the Prediction of CO Concentration in Single-head Roadway Based on Curve Fitting and Neural Network[J]. Gold Science and Technology, 2024, 32(1): 75-81 doi:10.11872/j.issn.1005-2518.2024.01.108

独头巷道爆破后会产生大量的一氧化碳(CO)有毒有害气体(纪洪广等,2014)。由于独头巷道没有贯穿风流,导致通风不畅,CO浓度很高,且难以排出(王时彬等,2014)。如果CO浓度超过安全标准,就会对工作人员产生严重的危害,甚至可能引起中毒窒息,造成生产安全事故。因此,在爆破后,必须等到CO浓度降低至24×10-6以下,才能让工作人员进入工作面(张舸等,2014)。若能对独头巷道中的CO浓度进行准确预测,评估CO浓度值达到矿山安全规程要求所需的时间,就能及时告知工作人员安全作业的时间,既保障了井下人员的生命安全,又缩短了等待时间,提高了生产效率(纪洪广等,2014张舸等,2014)。

CO浓度预测是一个重要的研究课题,学者们采用不同的方法和模型开展了CO浓度预测研究。在试验研究方面,张舸等(2014)对地下矿山独头巷道强制通风条件下的炮烟浓度进行了模型试验研究,通过数据拟合结果预测了巷道中CO浓度达到安全浓度所需的时间;Wu et al.(2021)采用封闭式反应器开展了煤氧化模拟试验,得到临界温度下CO产出速率,分析了工作面CO来源和产生机理,建立了工作面回风角CO浓度的数学预测模型;Cao et al.(2018)在CO质量浓度差异变化和固定场地CO扩散模型的基础上,开展了喷砂烟尘监测试验,为爆破后排烟时间的预测提供了参考。在理论分析方面,翟小伟等(2011)Wu et al.(2023)以煤氧化过程中CO气体产生机理和影响因素为依据,建立了工作面CO浓度值的数学计算模型;陈超等(2022)根据质量守恒定律和并联风路理论,提出了交通风条件下CO浓度分布特性预测模型构建方法。在机器学习方面,张志刚等(2022)利用随机森林模型预测了公路隧道内的CO气体浓度,该模型具有多输入特征;吕燕红等(2013)利用神经网络融合模型预测了隧道内的CO浓度,该模型利用BP和RBF神经网络提取信息特征,再利用最优均方误差加权融合算法进行二次融合,提高了预测精度;王时彬等(2014)运用灰色系统理论分析并预测了独头巷道中的CO浓度值,结果显示,灰色预测模型假设系统中变量间均呈线性关系,但在实际情况下,独头巷道中CO浓度变化趋势与时间变量之间的关系并非简单的线性关系。

针对上述问题,本文以云南老厂锡矿1800运输巷甩车场独头巷道爆破后CO浓度随时间变化的数据为研究对象,开展CO浓度预测。首先,通过实测数据拟合出CO浓度随时间变化的数学计算模型,通过该模型计算出矿山井下CO浓度值达到安全标准所需的时间。其次,建立融合时间序列与神经网络的预测模型,充分运用神经网络的非线性预测能力,分别采用CNN神经网络和BP神经网络时间序列预测模型对一段时间的CO浓度值进行预测,并与实测值进行比较,验证模型的有效性和合理性。最后,采用R2RMSE评价指标对预测结果进行评估,得出该独头巷道CO浓度时间序列预测的较优模型,为该独头巷道CO浓度值的监测和控制提供理论依据。

1 研究数据

本文以云南老厂锡矿1800运输巷甩车场独头巷道的CO浓度监测数据为研究对象,图1所示为独头巷内某监测点CO浓度随时间的变化曲线。

图1

图1   独头巷道内某监测点CO浓度时间序列图

Fig.1   Time series diagram of CO concentration at a measuring point in a single-head roadway


图1可以看出,在0~1 000 s范围内,CO浓度快速下降,而超过1 000 s后,CO浓度缓慢下降。

本文选择该矿山独头巷道某监测点的CO浓度数据进行分析,该测点共有181组数据,每隔20 s采集一次,将数据按照7∶3的比例划分为训练集和测试集。该测点的CO浓度随时间的变化数据如表1所示。

表1   某监测点的CO浓度随时间的变化

Table 1  Variation of CO concentration with time at a measuring point

时间/sCO浓度/(×10-6时间/sCO浓度/(×10-6时间/sCO浓度/(×10-6时间/sCO浓度/(×10-6时间/sCO浓度/(×10-6
09047401921 4801352 220922 96039
208867601951 5001352 240902 98037
408777802031 5201352 260923 00039
608848002051 5401352 280913 02039
808888202111 5601352 300903 04038
1007438401931 5801332 320903 06040
1207418601971 6001272 340923 08037
1407308801951 6201262 360863 10038
1607399001961 6401262 380833 12038
1807439201961 6601262 400843 14040
2007209401961 6801262 420843 16040
2205359601841 7001252 440823 18039
2405169801801 7201212 460843 20039
2605011 0001791 7401202 480783 22041
2804891 0201781 7601192 500763 24043
3004711 0401791 7801202 520753 26042
3204621 0601781 8001182 540763 28043
3402831 0801791 8201182 560753 30042
3602791 1001631 8401182 580753 32043
3802631 1201631 8601142 600753 34045
4002691 1401641 8801142 620683 36048
4202701 1601641 9001132 640683 38047
4402741 1801641 9201122 660673 40046
4601881 2001641 9401122 680693 42048
4801771 2201511 9601112 700683 44049
5001941 2401511 9801062 720673 46049
5202001 2601512 0001072 740563 48051
5402151 2801512 0201062 760533 50052
5602231 3001522 0401062 780523 52053
5802331 3201522 0601072 800563 54052
6001741 3401432 0801072 820503 56051
6201871 3601432 1001052 840483 58053
6401911 3801432 1201042 860423 60038
6602041 4001432 1401022 88038
6802101 4201432 1601012 90036
7002201 4401432 1801012 92037
7201841 4601372 2001002 94038

新窗口打开| 下载CSV


2 研究方法

2.1 时间序列预测

时间序列预测是利用历史数据统计进行建模并预测未来数据的方法,在金融、气象、交通和能源等领域都均具有广泛应用(曾俊晖等,2019)。

t个时间序列数据直接预测未来m个数据,其中m是预测样本数,其数学表达式为

yt+1'=f1(yt,yt-1,,yt-m+1)yt+2'=f2(yt+1,yt,,yt-m+2)yt+m'=fm(yt+m-1,yt+m,,yt)

式中:yt'为独头巷道t时刻CO浓度预测值;ytt时刻CO浓度实测值。

2.2 曲线拟合

曲线拟合是运用连续函数来表示离散数据的方法,使得函数与数据点之间的误差最小。通过曲线拟合,可以探索实测数据的变化趋势,并用数学函数来描述数据的变化规律(李篷等,2014)。

假设有n个观测值(xk,yk)k=1,2,,n,拟合函数y=f(x)应该满足:

y=minf(xk)-yk2

利用“最小二乘”原则,将其作为数据拟合精度的一个标准(高秋英等,2021)。

数据拟合的关键在于拟合函数的选择。对于独头巷道爆破后CO浓度的变化情况,拟合函数既要较好地贴近独头巷道CO浓度的实际变化情况,也要反映图1中CO浓度随时间的发展趋势。

2.3 卷积神经网络

卷积神经网络是一种端到端的预测模型,用卷积核在数据上滑动来提取特征,然后输出结果(杨婷婷等,2022)。卷积网络的运算公式为

yk=f(wkixk-1+bi)

式中:yk为第k层输出的特征图;wki为第k层第i个卷积核;xk-1为上一层的特征,即本层的输入;bi为第i个特征图的偏置;f()为激活函数。

池化计算是一种数据压缩的方法,能够保留数据的特征,防止过拟合,增强模型的稳健性(吴敏等,2023)。池化计算常与卷积层配合,对卷积层的输出进行筛选。本文采用最大池化计算,表示为

zk=maxi1,l(Wkiyk-1+Bi)

式中:zk为第k层池化后的输入;Wki为第k层池化矩阵;yk-1为上一层的特征图,即本层的输入;Bi为池化层的偏置。

2.4 BP神经网络

神经网络法的训练和学习过程有正向传播和反向传播2个步骤。正向传播时,样本数据从输入层经过隐藏层传递到输出层,若输出不达标,就反向传播误差信号,用均方误差和梯度下降法更新权重,减小输出误差(史秀志等,2016谢饶青等,2022蒋锋等,2023龚晓燕等,2023)。重复此过程,直至误差满足要求或达到最大训练次数(周凯红等,2023)。神经网络模型的基本原理如图2所示。

图2

图2   神经网络原理示意图

Fig.2   Schematic diagram of neural network principle


本次选用的BP神经网络结构如图3所示。数据集为CO浓度时间序列的单列数据,将该数据集的前15个历史数据作为自变量,可以提高预测效果。因此在后续的预测结果中,将该数据集的15个历史数据作为输入层,隐含层层数为5层,输出层为1层。

图3

图3   BP神经网络结构

Fig.3   Structure of BP neural network


2.5 模型评价指标

(1)决定系数(R2)表示自变量对因变量的解释能力,其值越高越好(Piepho,2019)。

(2)均方根误差(Root Mean Square Error,RMSE)表示观测值与真实值之间的差距,其值越小越好(Adedi-pupo et al.,2022)。

决定系数和均方根误差的计算公式分别为

R2=1-i=1n(y^i-yi)2in(y¯-yi)2
RMSE=1ni=1n(y^i-yi)2

式中:y^i为预测值;yi为真实值;y¯为真实值的平均值;i=1,2,,n

3 结果分析

使用MATLAB曲线拟合工具箱对该独头巷道CO浓度进行拟合。前人研究表明独头巷道内CO浓度随时间呈现e 指数形式衰减(张舸等,2014),因此本次数据选用指数函数进行拟合。通过决定系数R2来衡量拟合模型的优度,R2越接近于1,意味着拟合优度越高。通过曲线拟合得到该独头巷道CO浓度随时间的指数拟合曲线,其中拟合优度高达0.9626。

通过拟合得到独头巷道CO浓度随时间变化的指数函数为

f(x)=805.4e-0.004324x+236.7e-0.000447x

式中:x为时间(s);f(x)为CO浓度(×10-6)。当f(x)为24×10-6时,利用式(7)计算得到x为5 120 s,即该矿山井下独头巷道中CO浓度值达到安全标准(24×10-6)以下所需时间为5 120 s。

CNN神经网络和BP神经网络时间序列模型预测结果分别如图4图5所示。

图4

图4   CNN神经网络模型预测结果

Fig.4   Prediction results of CNN neural network model


图5

图5   BP神经网络模型预测结果

Fig.5   Prediction results of BP neural network model


图4图5可知,CNN神经网络和BP神经网络预测模型对该独头巷道CO浓度值及其变化趋势均具有较好的预测效果,其中BP预测模型的拟合性能和泛化性能高于CNN预测模型。从表2可以看出,CNN、BP预测模型的R2值分别为0.9056和0.9579;RMSE值分别为4.4643和2.9821。

表2   各预测模型的R2RMSE

Table 2  R2 and RMSE of each prediction model

模型类型R2RMSE
CNN神经网络模型0.90564.4643
BP神经网络模型0.95792.9821

新窗口打开| 下载CSV


通过对比图4图5中2个模型CO浓度预测结果,并分析表2中的RMSER2值,BP神经网络CO浓度时间序列预测模型的表现更优。该模型的预测值与实际值非常接近,RMSE值最小,仅为2.9821,反映了较高的预测精度。同时,其R2值最大,达到0.9579,说明预测值与真实值的相似度很高,模型拟合效果好。因此,BP神经网络时间序列预测模型适用于该独头巷道CO浓度预测,能够为该独头巷道提供有效的CO浓度参考值,对于防止CO浓度超标具有重要意义。

4 结论

(1)利用MATLAB曲线拟合工具箱对云南老厂锡矿独头巷道中CO浓度随时间的变化情况进行曲线拟合,得到了拟合优度高达0.9626的CO浓度随时间的指数拟合曲线,同时通过拟合得到的指数函数计算得出该矿山井下独头巷道中CO浓度值达到安全标准(24×10-6)以下所需时间为5 120 s。

(2)采用CNN预测模型和BP预测模型对云南老厂锡矿1800运输巷甩车场独头巷道CO浓度进行时间序列预测,这2种预测模型的R2值分别为0.9056和0.9579,RMSE值分别为4.4643和2.9821。BP神经网络时间序列预测模型的预测效果更好。

新华社)

http://www.goldsci.ac.cn/article/2024/1005-2518/1005-2518-2024-32-1-75.shtml

参考文献

Adedipupo O OAyodele A AAbideen L Tet al2022.

Detection of appropriate model for nigeria population growth using Root Mean Square Error (RMSE)

[J].International Journal of Systems Science and Applied Mathematics,73):46-51.

Cao YJi HZhang Yet al2018.

Study on distribution of CO and concentration prediction in blind gallery after blasting operation

[J].Archives of Mining Sciences,632):283-300.

[本文引用: 1]

Chen ChaoNie HexiangLi Qionget al2022.

Prediction model of CO pollutant concentration distribution characteristics in urban underground roads based on traffic wind conditions

[J].China Journal of Highway,355):161-169.

Gao QiuyingWang LiliWang Rongzhong2021.

Research on least squares curve fitting and optimization algorithm

[J].Industrial Control Computer,3411):100-101.

Ji HongguangCao YangZhang Geet al2014.

Prediction of smoke exhaust time during excavation of single-head roadway

[J].Metal Mine,435):142-145.

Gong XiaoyanSun YuhengLiu Zhuangzhuanget al2023.

Study on airflow intelligent control model of fully mechanized heading face based on BP neuralnet work

[J].Safety and Environmental Engineering,3030):138-145.

Jiang FengHan XingyuWang Hui2023.

Prediction of PM2.5 concentration in Yangtze River Economic Belt based on graph neural network

[J].Environmental Science and Te-chnology,4611):90-101.

Li PengDuan ShuqingWang Kunet al2014.

Grey model and curve fitting settlement prediction and correlation analysis

[J].Journal of Underground Space and Engineering,101):109-115.

Yanhong Wang Qin2013.

Research on tunnel CO concentration prediction based on neural network information fusion

[J].Information Technology,379):128-131.

Piepho H P2019.

An adjusted coefficient of determination (R2) for generalized linear mixed models in one go

[J].Biometrical Journal,614):860-872.

[本文引用: 1]

Shi XiuzhiFan YuqianShang Xueyi2016.

Filling strength prediction based on PCA-BP neural network model

[J].Gold Science and Technology,243):64-69.

Wang ShibinChen RihuiLiu Shitaoet al2014.

Analysis and prediction of CO concentration change after blasting in heading face

[J].Science and Technology and Engineering,146):101-103107.

Wu FShi SLu Yet al2023.

Analysis of CO source and prediction model of gushing concentration at the return air corner of working face in shallow coal seam mine

[J].Combustion Science and Technology:1-16.

[本文引用: 1]

Wu MinPan Chunrong2023.

Application of one-dimensional convolutional neural network in magnetite separation

[J / OL].Nonferrous Metals(Mineral Processing Section): 1-62023-07-28 ].

Wu YZhang YZhou Cet al2021.

Study of CO sources and early-warning concentration of spontaneous combustion at air return corner in fully mechanized mining faces

[J].Combustion Science and Technology,1939):1587-1604.

[本文引用: 1]

Xie RaoqingChen JianhongXiao Wenfeng2022.

Prediction method of stope stability based on NPCA-GA-BP neural network

[J].Gold Science and Technology,302):272-281.

Yang TingtingGao QianLi Haoqianet al2022.

Fault warning of coal mill based on convolutional neural network-long short-term memory neural network

[J].Thermal Power Generation,5110):122-129.

Zeng JunhuiLi Xibing2019.

Prediction of mine subsidence area based on chaotic time series analysis method

[J].Gold Science and Technology,272):249-256.

Zhai XiaoweiMa LingjunDeng Jun2011.

Research and application of CO concentration prediction model in upper corner of working face

[J].Coal Science and Technology,3911):59-62.

Zhang GeCao YangJi Hongguanget al2014.

Model test study on the emission law and concentration prediction of gun smoke in single-head roadway

[J].Modern Tunnel Te-chnology,514):150-154.

Zhang ZhigangXu YingZhang Jinqiuet al2022.

Prediction model of CO gas concentration in highway tunnel based on random forest

[J].Science and Technology and Engineering,2226):11729-11735.

Zhou KaihongRan HongmeiJiang Qingguet al2023.

Nonlinear error compensation of digital dial gauge based on improved BP neural network

[J].Modern Manufacturing Engineering,(7 ):117-122.

陈超聂鹤翔李琼2022.

基于交通风条件多点进出城市地下道路CO污染物浓度分布特性预测模型

[J].中国公路学报,355):161-169.

[本文引用: 1]

高秋英王丽丽王荣忠2021.

最小二乘法曲线拟合及优化算法研究

[J].工业控制计算机,3411):100-101.

[本文引用: 1]

纪洪广曹杨张舸2014.

独头巷道掘进过程中排烟时间预测

[J].金属矿山,435):142-145.

[本文引用: 6]

龚晓燕孙育恒刘壮壮2023.

基于BP神经网络的煤矿综掘面风流智能调控模型研究

[J].安全与环境工程,3030):138-145.

[本文引用: 1]

蒋锋韩兴钰王辉2023.

基于图神经网络的长江流域经济带PM2.5浓度预测

[J].环境科学与技术,4611):90-101.

[本文引用: 1]

李篷段淑清王堃2014.

灰色模型与曲线拟合沉降预测及相关性分析

[J].地下空间与工程学报,101):109-115.

[本文引用: 1]

吕燕红王芹2013.

基于神经网络信息融合隧道CO浓度预测研究

[J].信息技术,379):128-131.

[本文引用: 1]

史秀志范玉乾尚雪义2016.

基于PCA-BP神经网络模型的充填体强度预测

[J].黄金科学技术,243):64-69.

[本文引用: 1]

王时彬陈日辉刘世涛2014.

独头掘进面爆破后CO浓度变化分析及预测

[J].科学技术与工程,146):101-103107.

[本文引用: 2]

吴敏潘春荣2023.

一维卷积神经网络在磁铁矿分选中的应用

[J/OL].有色金属(选矿部分):1-62023-07-28].

[本文引用: 1]

谢饶青陈建宏肖文丰2022.

基于NPCA-GA-BP神经网络的采场稳定性预测方法

[J].黄金科学技术,302):272-281.

[本文引用: 1]

杨婷婷高乾李浩千2022.

基于卷积神经网络—长短时记忆神经网络的磨煤机故障预警

[J].热力发电,5110):122-129.

[本文引用: 1]

曾俊晖李夕兵2019.

基于混沌时间序列分析方法的矿山塌陷区范围预测

[J].黄金科学技术,272):249-256.

[本文引用: 1]

翟小伟马灵军邓军2011.

工作面上隅角CO浓度预测模型的研究与应用

[J].煤炭科学技术,3911):59-62.

[本文引用: 1]

张舸曹杨纪洪广2014.

独头巷道中炮烟散发规律及浓度预测模型试验研究

[J].现代隧道技术,514):150-154.

张志刚徐莹张锦秋2022.

基于随机森林的公路隧道CO气体浓度预测模型

[J].科学技术与工程,2226):11729-11735.

[本文引用: 1]

周凯红冉红梅蒋青谷2023.

基于改进BP神经网络的数显千分表非线性误差补偿

[J].现代制造工程,(7):117-122.

[本文引用: 1]

/