《Engineering Applications of Artificial Intelligence》:A combined air volume prediction model for hazardous mine tunnels using directed graph convolutional neural networks
编辑推荐:
在实际开采过程中,某些高危区域因安全因素难以由人员进入,导致形成风量预测的"盲区"。针对此问题,研究人员提出了一种面向矿井危险巷道的风量联合预测模型。首先,在数据增强模块中对原始巷道风量数据应用时变滤波经验模态分解(Time-Variant Filter Em
在实际开采过程中,某些高危区域因安全因素难以由人员进入,导致形成风量预测的"盲区"。针对此问题,研究人员提出了一种面向矿井危险巷道的风量联合预测模型。首先,在数据增强模块中对原始巷道风量数据应用时变滤波经验模态分解(Time-Variant Filter Empirical Mode Decomposition, TVFEMD)进行降噪处理。随后将处理后的数据作为初始特征节点嵌入图中,实现二维数据向图结构数据的转换。接着采用格兰杰因果性(Granger Causality)确定图中各巷道节点间的权重与方向。利用有向图卷积神经网络(Directed Graph Convolutional Neural Network, DGCN)学习图数据中的空间特征关系。为克服DCGN中全图卷积计算负担及固定邻接矩阵假设的限制,研究人员采用双向长短期记忆网络(Bidirectional Long Short-Term Memory, Bi-LSTM)、双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)及双向时序卷积网络(Bidirectional Temporal Convolutional Network, Bi-TCN)从危险巷道原始风量数据中学习时序特征,同时在三种双向深度学习算法中引入多种注意力机制(Attention Mechanism)以增强单体模型的预测能力。最终将三个单体预测模型集成为组合预测模型,并采用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化各单体模型在组合预测中的权重,以最小化预测误差,得到危险巷道的最终预测风量值。
论文解读:《A combined air volume prediction model for hazardous mine tunnels using directed graph convolutional neural networks》(发表于 Engineering Applications of Artificial Intelligence,作者:Zhen Wang, Erkan Topal, Yongli Li, Ke Gao, Chen Yang)
一、研究背景与意义
矿井通风系统是保障煤矿安全生产的核心设施,风量作为通风系统中最关键的动态参数,直接反映风流在巷道内的时空分布特征,是瓦斯稀释、传热及粉尘扩散的基础依据。研究中定义的"危险巷道(hazardous mine tunnels)"指高瓦斯积聚风险、围岩稳定性差或多灾耦合隐患的巷道,此类巷道因安全限制难以进行人工巡检及密集传感器布设,通常存在监测数据不完整、观测频率低或显著数据缺失,使传统依赖充足观测条件的通风分析与预测方法无法适用。
现有相关研究存在三方面局限:①火灾与灾害识别类研究多以风量为辅助变量,缺乏对风量连续演化定量预测;②瓦斯灾害预警模型侧重风险等级分类,未对风量等通风参数做精细预测且依赖多源传感器全面感知;③已有风量预测研究多未充分考虑非平稳扰动抑制、通风网络方向性及危险巷道数据缺失条件下的高精度预测。因此,实现对无法直接观测的危险巷道进行高精度风量预测,是矿井安全通风与智能化发展亟需解决的关键科学与工程瓶颈。
针对危险巷道风量序列存在的显著非平稳干扰、具有方向性的空间影响及受限观测条件,研究人员提出一种融合非平稳信号分解、有向空间特征学习和时序特征建模的联合预测框架,填补了危险巷道风量预测的理论与方法空白,为智能通风系统安全高效运行提供新技术路径。
二、主要关键技术方法概述
研究人员以内蒙古乌海市某G煤矿机械抽出式通风系统为工程背景获取实测数据。首先对28条巷道风量序列采用时变滤波经验模态分解(Time-Variant Filter Empirical Mode Decomposition, TVFEMD)降噪;基于格兰杰因果性(Granger Causality)分析危险巷道与相关巷道间因果关联,构建带权重与方向的有向加权通风网络图;利用有向图卷积神经网络(Directed Graph Convolutional Neural Network, DGCN)提取空间特征;同时分别以双向长短期记忆网络(Bi-LSTM)、双向门控循环单元(Bi-GRU)和双向时序卷积网络(Bi-TCN)对危险巷道原始风量序列建模时序特征,并在三者中集成多头注意力机制(Multi-head Attention Mechanism);最后以麻雀搜索算法(Sparrow Search Algorithm, SSA)自适应寻优三个基模型在组合预测中的权重,得到最终危险巷道风量预测值。通过对比实验验证各模块作用及模型整体性能。
三、研究结果
Decomposition method for integrating air volume sequence
研究人员将危险巷道风量预测定义为经典时间序列预测问题,基于历史观测预测未来时刻风量。经TVFEMD对原始非平稳风量序列进行分解降噪后,重构信号可有效削弱随机噪声对后续图结构与时序建模的干扰,为图节点初始特征提供较纯净输入。
Constructing mine ventilation systems using directed graph convolutional neural Networks (DGCN)
研究人员指出矿井风流具方向性传播特性——通常沿进风巷道→分支巷道→工作面→回风巷道单向传播,上游巷道对下游影响显著而反向影响弱或无。据此以巷道为节点、风量传递为边,用Granger因果检验确定边的存在性与方向及权重,构建有向加权图。DGCN通过有向邻接矩阵聚合邻居节点信息,突破传统图卷积网络(GCN)无向同权假设,有效刻画通风网络中非对称的空间依赖关系。
Directed graph neural networks with integrated multi-attention mechanisms to predict air volume
考虑到危险巷道自身时序动态变化,研究人员并行采用Bi-LSTM、Bi-GRU和Bi-TCN三种双向结构捕获长短时序依赖与前向/后向上下文信息,并在各网络中嵌入注意力机制以强化关键时间步权重。三组单体模型分别给出初步预测值,可互补不同网络在时序特征抽取上的优势。
Data description
实验数据来源于内蒙古乌海市海南区以南41 km处G煤矿,该矿采用机械抽出式通风系统,包含进风井(16号主井、主斜井、副斜井、进风井、缓坡副斜井)与回风井(北区、南区回风井),选取其中28条巷道的历史风量监测数据进行建模与验证。
Progressive modeling for tunnel air volume prediction
逐步消融与对比实验表明:单独引入TVFEMD降噪、构建有向图空间特征、引入注意力机制的双向时序网络及SSA赋权组合均对预测精度有递进提升作用;预测性能提升非各模块简单叠加,而是逐步揭示并缓解了地下矿井巷道风量预测问题中固有的非平稳性、空间方向耦合及数据受限复杂性。所提联合模型在MAE、RMSE、MAPE等评价指标上均优于单一模型及传统基准对比模型。
四、讨论与结论翻译
研究人员得出结论:
(1) 本研究针对危险矿井巷道现有方法难以直接获取风量实测值且预测精度不足的问题,提出了一种数据驱动的联合预测方法。研究首先依据风量平衡原理利用相邻巷道数据间接推估危险巷道风量,随后对28条巷道风量数据使用TVFEMD进行特征分解,从而……(原文结论段首要点)
(2) 建立了适配于危险矿井巷道观测约束的高精度风量预测框架;
(3) 提出了融合非平稳信号分解与有向时空特征学习的建模策略;
(4) 通过智能优化算法实现多模型预测结果的自适应融合。
该研究成果不仅填补了危险巷道风量预测理论与方法空白,也为地下采矿作业中智能通风系统的安全高效运行提供了新的技术途径。