[发明专利]基于随钻测量技术的煤层冲击危险性实时评估方法

权利要求书

1.一种基于随钻测量技术的煤层冲击危险性实时评估方法，其特征在于，包括如下步骤：

第一步：样本信号采集

对于每个开采阶段水平，依据工作面布置和开采顺序，对于初次开采到的冲击地压危险性等级为弱冲击、中等冲击或强冲击的掘进工作面和回采工作面，分别对煤体钻孔，钻孔过程中从第一米开始每钻孔一米收集钻屑量数据，同步采集钻进时钻机的钻进参数；

所述的钻进参数包括：钻进速度、扭矩、推进力、击打频率、击打压力、钻比能量，其中钻进速度、扭矩、推进力、击打频率、击打压力为直接测得的钻进参数，钻比能量为钻进单位体积岩石所需要的能量，是间接计算得到的钻进参数，钻比能量的计算公式为：其中，E_d为钻进比能，A为钻杆截面积，L为钻杆冲程，N_s为击打压力，f为击打频率，v为钻进速度，S为钻孔直径，k为损失系数；

第二步：样本信号预处理

将步骤一采集到的每个等级的所有样本信号中的钻进参数按每一米分别取平均值，每一米的钻进参数平均值和相对应的1个钻屑量数据构成一个数据集，每个等级所有的数据集构成各自的样本数据库，将样本数据库中的6个钻进参数和相应的钻屑量数据均归一化到[0-1]数值；

第三步：确定最优预测模型及参数

将采集到的样本数据库分按80％和20％的比例划分为训练集和测试集，钻进参数作为预测模型的输入，钻屑量作为预测模型的输出，具体方法如下：

3.1：采用多元线性回归模型对钻屑量进行预测，得到最优的模型评价指标值；

对训练集进行多元线性回归拟合，得到拟合方程，再将测试集的钻进参数代入到得到的拟合方程，求出测试集对应的钻屑量预测值，根据测试集的钻屑量预测值和实际值分别计算模型评价指标值，即均方根误差RMSE、决定系数R²、方差占比VAF值,该模型评价指标值便是通过多元线性回归模型得到的最优的模型评价指标值；

3.2：采用神经网络模型对钻屑量进行预测，确定最优的神经网络模型参数，同时得到最优的模型评价指标值，具体方法分为：

3.2.1：采用试错法确定最优的神经网络的学习率、动量系数和激活函数；

3.2.2：对于神经网络的输入维度，设置对照试验，神经网络的输入维度分别设置为1至6，对于每一维数来说，具有不同的钻进参数组合，将神经网络的隐含层设置为1层，隐含层节点数设置为30，然后对训练集和测试集分别进行训练和测试，得到训练集和测试集对应的钻屑量预测值，根据训练集和测试集的钻屑量预测值和实际值分别计算它们的模型评价指标RMSE、R²、VAF值，分别对所有训练集和测试集得到的模型评价指标进行排序，排序原则为，越小的RMSE值、越大的R²和VAF值获得的排序序号值越大，将每个训练集或测试集的三个模型评价指标排序序号值分别进行相加，每个测试集或训练集都得到三个指标的总排序序号值，最大的序号值对应的结果即为最优的模型评价指标值，以此来确定最优的神经网络的最优输入维度，即确定最优的钻进参数组合；

3.2.3：设置对照试验，设置不同的隐含层节点数量，将步骤3.2.3中确定的最优钻进参数组合设置为神经网络的输入，神经网络的隐含层设置为1层，对训练集进行训练后，将测试集的钻进参数输入训练后的神经网络，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值同时确定最优的隐含层节点数；

3.3：采用遗传算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用遗传算法优化神经网络的初始权重和阈值，神经网络模型参数则采用步骤3.2中确定的最优的神经网络模型参数，以便确定遗传算法的主要参数，最终得到最优的模型评价指标值：

3.3.1：采用试错法确定最优的变异概率和交叉概率参数；

3.3.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的排序原则，确定最优的种群数量；

3.3.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为遗传算法最优的最大迭代次数；

3.3.4：采用步骤3.3.1、步骤3.3.2和步骤3.3.3中确定的最优遗传算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；

3.4：采用种群算法优化的神经网络模型对钻屑量进行预测，该优化也就是采用种群算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，以便确定种群算法的主要参数，最终确定最优的模型评价指标值：

3.4.1：采用试错法确定最优的自适应参数c₁,c₂和惯性因子参数；

3.4.2：对于种群数量，设置对照试验，分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的种群数量；

3.4.3：最大迭代次数的确定，设置对照试验，种群数量分别设置为25、50、75、100、150、200、250、300、350、400、450、500、550、600，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的种群数量相应的RMSE值不再继续降低的最大迭代次数即为种群算法最优的最大迭代次数；

3.4.4：采用步骤3.4.1、步骤3.4.2和步骤3.4.3中确定的最优种群算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的模型评价指标值；

3.5：采用帝国竞争算法优化的神经网络模型对钻屑量进行预测，该优化采用采用帝国竞争算法优化神经网络的初始权重和阈值，神经网络模型参数则同样采用步骤3.2中确定的最优的神经网络模型参数，从而确定帝国竞争算法的主要参数，最终得到最优的模型评价指标值：

3.5.1：采用试错法确定神经网络最优的随机数β、偏移方向θ和殖民地影响因子ξ参数；

3.5.2：对于总国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国数量为50，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的中的排序原则，确定最优的总国家数量；

3.5.3：对于帝国主义国家数量，设置对照试验，分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，总国家数量设置为3.5.2中确定的最优总国家数量，最大迭代次数设置为100，对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的的排序原则，确定最优的帝国主义国家数量；

3.5.4：最大迭代次数的确定，设置对照试验，总国家数量分别设置为50、75、100、150、200、250、300、350、400、450、500、550、600，帝国主义数量设置为步骤3.5.3中确定的最优帝国主义国家数量，最大迭代次数设置为1000，对训练集进行训练，记录训练集对应的钻屑量预测值，根据钻屑量预测值和实际值计算训练集的模型评价指标RMSE值，对于所有的总国家数量相应的RMSE值不再继续降低的最大迭代次数即为帝国竞争算法最优的最大迭代次数；

3.5.5：采用步骤3.5.1到步3.5.4中确定的最优帝国竞争算法参数，再次对训练集和测试集分别进行训练和测试，分别记录训练集和测试集对应的钻屑量预测值，根据钻屑量预测值和实际值分别计算训练集和测试集的模型评价指标RMSE、R²、VAF值，利用步骤3.2.2中的排序原则，确定最优的模型评价指标值；

3.6：对步骤3.1到步骤3.5获得的多元线性回归模型、神经网络模型、遗传算法优化的神经网络模型、种群算法优化的神经网络模型、帝国竞争算法优化的神经网络模型获得的最优模型评价指标值进行对比，同样利用步骤3.2.2中的排序原则，最终确定最优的模型评价指标值，进而确定最优的钻屑量预测模型及参数；

第四步：冲击危险性快速实时评估

当开采到下一个相同冲击地压危险性等级工作面时，仅对预监测评估的工作面煤体进行钻孔作业和采集每米钻机钻进参数，不记录钻屑量，采集的钻进参数采用第二步中的信号预处理对钻进参数求平均并归一化，再利用最优预测模型对预处理后的钻进参数进行分析，预测出相对应的钻屑量；将预测得的钻屑量与事先设定的临界值进行对比，进而对冲击危险性等级进行评定；

第五步：在开采进入下一个阶段水平时，重复步骤一到四。