煤巷顶板稳定性评价方法研究.pdf

第 44卷 第 1 期 2018年 6 月 工矿自动化 Industry and Mine Automation Vol. 44 No. 6 Jun. 2018 文章编号文章编号 1671-251X201806-0035-05 D O I 10. 13272/j. issn. 1671-251x. 2017110060 煤 巷 顶 板 稳 定 性 评 价 方 法 研 究 耿越，， 段迎娟，， 任家敏 中国矿业大学中国矿业大学北京）机电与信息工程学院， 北 京北京）机电与信息工程学院， 北 京 100083 摘要摘要 对用于煤巷顶板稳定性评价的经典方法中常用的单指标法和复合指标法，， 以及机器学习方法中常 用的有监督学习方法和无监督学习方法进行了总结、 分析， 指出经典方法采用单一指标或仅针对某一类煤岩 体进行顶板稳定性评价，评价结果不全面、不可靠，而机器学习方法需要人工标注大量顶板监测数据，工作量 大，， 实际应用效果较差。。基于深度学习方法可从顶板监测数据中自动提取特征的优势，， 提出了采用深度学习 中的生成对抗网络对煤巷顶板进行稳定性评价的新模式，， 从而减少人工工作量。。 关键词关键词 煤巷；；围岩％％ 顶板稳定性评价％％ 机器学习％％深度学习％％生成对抗网络 中图分类号中图分类号 TD322. 0 文献标志码文献标志码 A 网络出版地址网络出版地址Dttp //kns. cnki. net/kcms/detail/32. 1627. TP. 20180515. 0913. 003. html Research on roof stability assessment of coal roadway G E N G Yue, D U A N Yingjuan, R E N Jiamin School of Mechanical Electronic and Ination Engineering, China University of Mining and TechnologyBeijing , Beijing 100083, China Abstract Existing roof stability assessment s of coal roadway were summarized and analyzed, which included single index and compound index in classic s and supervised learning and unsupervised learning in machine learning s. It was pointed out that the classic s assessed roof by single index or for a certain type of coal rock so that assessment result is incomplete or unreliable, and the machine learning needed a large number of hand-crafted labeling of roof monitoring data with large workload and poor actual application effect. A new roof stability assessment mode of coal roadway based on generative adversarial network in deep learning was proposed according to advantage of extracting features from roof monitoring data automatically of the deep learning, so as to decrease labor workload. Key words coal roadway; surrounding rock; learning; generative adversarial network 〇 引言〇 引言 煤巷围岩条件复杂多变， 顶板稳定性直接影响 工作面与巷道的安全情况。在所有煤矿事故中， 由 顶板失稳造成的事故发生最频繁， 伤亡人数最多[1]“ 因此对煤巷顶板稳定性的准确分类与评价具有重要 roof stability assessment; machine learning ； deep 。 现有煤巷顶板稳定性评价方法主要包括经典方 法和机器学习方法， 如 图 1 所示。近年来， 深度学习 在许多领域取得了令人瞩目的成就， 但目前还未有 应用于顶板稳定性评价研究领域的报道。本文在总 结现有顶板稳定性评价方法的基础上， 对深度学习 收稿日期2017-11-29 ;修回日期 2018-05-08 ;责任编辑 李明。 作者简介耿越（ 1989 男 ， 河北邯郸人， 博士研究生， 研究方向为机器学习及其在煤矿安全领域的应用， E-mail 13011197054 163. com。 引用格式耿越， 段迎娟， 任家敏. 煤巷顶板稳定性评价方法研究[J].工矿自动化， 2018,446 35-39. GENG Yue， DUAN Yingjuan， REN Jiamin. Research on rof stability assessment of coal roadway [J]. Industry and Mine Automation， 2018,446 35-39. . 36 .工 矿 自 动 化2 0 1 8 年 第 4 4 卷 图1煤巷顶板稳定性评价方法 Fig. 1 Roof stability assessment s of coal roadway 1 经典方法经典方法 煤巷顶板稳定性评价经典方法主要包括单指标 法和复合指标法。 1 单指标法 用于煤巷顶板稳定性评价的单指标法中， 具有 代表性的包括普氏分类法和岩石质量指标法。普氏 分类法以岩石抗压强度为基础， 通过力学模型计算 得到坚固性系数， 并以此作为分类与评价标准[2]。 D. U. Deere[3]在 20世 纪 6 0 年代提出了以岩石质 量指标（ Rock Quality Designation，RQD，即从钻孔 中直接获取的扣除破碎与软弱部分的岩芯长度与总 进尺的比值） 为标准的顶板稳定性分类与评价方法。 单指标法已成功应用于实际工程， 但该类方法 仅从某一方面或某一指标对煤巷顶板稳定性进行分 析 ， 难以反映顶板围岩的整体稳定性情况。 2 复合指标法 N. Barton等[4]提出以顶板节理组数、 节理粗 糖度、 节理变质程度、 RQD、 涌水量与围岩应力条件 作为岩体稳定性评价指标的Q 系统分类法。b T. Bieniawski[5]提 出 以 单 轴 抗 压 强 度 、 RQD、 节理间 距 、 机理状态与涌水量作为评价指标的岩体权值系 统能量代谢率（ Relative Metabolic Rate，RMR分 类法。GB 502181994 工程岩体分级标准 采用 定性与定量相结合的方法[]， 在 RM R分类法基础 上进一步细分了顶板等级。稳定性指标分类法以有 效强度、容重、埋深、应力集中系数、围岩暴露系数及 岩石破坏系数来计算分级指数。移近率分类法通过 巷道埋深、 煤层采高、 巷道填充系数、 巷道底板强度 系数计算移近率[]。董方庭等[7]提出了巷道围岩松 动圈分类法， 其通过巷道围岩强度、 巷道应力条件及 断面大小、 形状计算松动圈大小。 复合指标法一般在对岩体进行稳定性评价过程 中综合了定性描述和定量指标， 考虑的因素更加全 面 ， 评价结果更可靠、 客观。但是许多基于机理假说 和岩体力学模型的复合指标法只针对某一类岩体或 地下工程展开分析。采矿工程不同于一般永久性地 下隧道工程， 煤矿巷道与采场随工程进行而动态变 化 。采用同一力学指标体系去评价不同煤矿或同一 煤矿不同位置的顶板稳定性可能会得到不可靠的评 价 果 “ 2机器学习方法机器学习方法 用于煤巷顶板稳定性评价的机器学习方法主要 包括有监督学习方法和无监督学习方法。 2.1 有监督学习方法 有监督学习是机器学习的核心内容。用于煤巷 顶板稳定性评价的有监督学习方法包括支持向量机 Support Vector Machine, SVM、 人工神经网络、 判别分析法等。 SVM 基本思想是将原始样本空间借助一个非 线性映射转换到特征空间， 然后在特征空间中构建 一个最优超平面， 利用线性判别方法对顶板稳定性 进行判定。 Zhou Jian等[8]以埋藏深度、 最大切应力 等 8 个静态地质参数作为评价指标， 通过粒子群算 法训练确定SVM 最优超平面参数， 对顶板冲击地 压进行长期预测。文献[9-11]以启发式算法（ 如遗 传算法、 网格搜索、 果蝇算法） 与 SV M 结合的方法 对顶板稳定性 评价 。 人 工 神 网 络 顶 板 围 岩 的 性 以数据为驱动， 广泛应用于巷道顶板围岩稳定性类 型识别、 预测、 评价等方面。朱永建等[12]以经典的 围岩稳定性分类指标为顶板稳定性的特征样本， 搭 建 BP神经网络， 对神东矿区超长煤巷顶板稳定性 进行分类预测。李一鸣等[13]以分形盒维数和小波 包能量矩构造特征向量， 作 为 B P 神经网络模型的 别 顶板煤岩 的类 别 。 判别分析法常用模型有基于马氏距离的线性判 别 分 析 （ Linear Discriminant Analysis， LDA模型 和贝叶斯判别分析模型。 Zhou Jian等[14]以顶板厚 度 、 倾角、 埋深等作为判别因子， 建 立 LD A模 型 ， 又 对 顶板冲击地压危险性进行分级预测。文畅平[15]综 合煤巷顶板冲击地压发生的自然、 地质和开采技术 等 因 素 ， 10 标 为 判别 分 型的判别因子， 对冲击地压危险性进行等级分类预 用 煤巷顶板稳定性评价 。 稳定性指标分类法 2 0 1 8 年 第 6 期耿 越 等 煤 巷 顶 板 稳 定 性 评 价 方 法 研 究.37 测评价。 其他用于煤巷顶板稳定性评价的有监督学习方 法 随机 、 随机 等 。 Zhou Jian等[16]将随机 分类器和随机 下降模型 应用于顶板 地 性等级识别， 并对常用的 有监督学习方法在煤巷顶板 支护稳定性和顶板 冲击地 性分级评价中的应用 对比[17]。 2.2 无监督学习方法 无监督学习方法的目标是通过对无标记训练样 本的学习 数据的内在性质及 。无监督学 习方法 是聚类， 类 、 、 类 、 类等。 等[18]将层次分析法与聚类模 ， 采用 等价 的动态分析法， 将煤 巷围岩稳定性分为5 个等级， 并以此为 ， 对每个 等级巷 支护参数 。杨涛等[ 1 9 ] 轴 * 等 10 标 分 析 ， 采用 Q 型聚类分析方法， 将 煤矿的围岩 分为 4 个等级。 [0]采用 C 类法对煤层 顶板安全性 分析。 志等[1]提出建 隧道围岩分级的未确 类分 。胡小 勇 等 ™提 出 将 的 类分析理论与 粗糙集 ， 用于采场稳定性评价体系分析， 所 更接 的自 理 。 3 深度学习深度学习 布。判别器和生成器均可采用各种深度学习模型。 G AN 是一种 对抗博弈的机器学习框架， 学习过程中不依赖数据标签， 对 机制又能避 免在小数据集 的过拟 。本文将 6 A N 作为煤巷顶板稳定性评价 ， 提出一种顶 板稳定性评价新 ， 如 图 2 。 图2基 于GAN的煤巷顶板稳定性评价模型 Fig. 2 Roof stability assessment model of coal roadway based on GAN 将顶板动态监测数据与静态地质指标融合作为 评价 的 样本 集 ， G A N 可隐式地从顶板融 数据中学习 参数的分布 。生成器和判 别器均采用 卷积神经网络。 体架构参考 文献[25]中的 W IG A N 。 生 成 器 目 的 是 学 习 顶 板 融 合 数 据x 的分布。 设生成器输入为服从某种分布（ 如高斯分布、 伯努利 分布等） 的噪声z 。GAN 标准判别器[24] 二分类 学习， 本文借鉴CatGAN[26]利用判别器对煤巷顶板 稳定性 五 分 类 （ 5 个 等 级 判 别 器 D x 为 5 类判别 x属 于 5 个互相独立的类别， 即 传统的机器学习方法用于煤巷顶板稳定性评价 时 ， 需要人工标注顶板监测数据， 有监督学习方法需 大 标签数据， 无监督学习方法 应用效果 参差不齐。作为人工智能的 沿 与理论， 深 学习能够利用其深层抽象与自动 的能力 解决上述 ， 非常适用于煤巷顶板稳定性分类与 评价研究。 在过去几年里， 深度学习已经在图像处理与识 别 、 语音识别、 自然语言处理等领域[3]取 列研究成果， 但在煤矿安全领域尚 相关研究出 。 性的 学习 卷积神经网络、 递 归 神 经 网 络 及 生 成 对 抗 网 络 （ Generative Adversarial Network， GAN 。GAN 是 由 I. Goodfellow等[24]提出的一种生成式模型， 由 1 个 生成器和1 个判别器 。生器 捕 捉 真 实 数 据 的 潜在分布并生成新的样本数据;判别器判别 是 真 数 是 生 的 样 数 “ 生 器与 判别 器对 ， GAN优化属于极小极大博弈问题， 优化目标 是达到纳什均衡， 使生成器学习到样本数据的真实分 py c \x x max{H [p y \Dx ] E [H [ p y \ x ,Dx ]] [,[ \ z， Dx ]]} 3 Lg 基于动态监测 变量的方法缺少深人挖掘与研究。③传统机器学 习方法在处理未加工的顶板监测数据时， 需要进行 繁琐的数据处理与特征提取， 效率较低。④有监督 学习方法需要对监测数据进行人工标记， 无形中提 高了煤矿生产成本； 无监督学习方法在实际应用中 很难达到预期目标。 深度学习方法中的G AN 可直接从煤巷顶板原 始数据中自动提取特征， 摆脱对样本标签和大量数 据的依赖， 减少人工标注煤巷顶板监测数据的工作 量 ， 从而节省人力， 降低煤矿企业生产成本。因此， 在煤矿企业现有顶板监测数据基础上， 以 G A N 为 评价模型对顶板稳定性进行更全面的分类与评价研 究 ， 将是笔者下一步的研究重点。 参 考 文 献 （ References 1 孙 继 平，钱晓红.20042015年 全国 煤矿事故分析 [J].工矿自动化，2016,4211 1-5. SUN Jiping, QIAN Xiaohong. Analysis of coal mine accidents in China during 2004-2015[J]. Industry and Mine Automation,2016,4211 1-5. [ 2]关宝树.普氐岩石坚固性系数[ J ] .铁路标准设计通 讯 ，19644 22-26. [ 3 ] DEERE D U. Technical description of rock cores for engineering purpose [ J ]. Rock Mechanics and Engineering Geology,1963,11 16-22. [4 ] BARTON N， GRIMSTAD E. Rock mass conditions dictate choice between NMT and NATM[J]. Tunnels e Tunnelling International, 1994,2610 39-42. [5 ] BIENIAWSKI Z T. Engineering rock mass classifications a complete manual for engineers and geologists in mining, civil， and petroleum engineering [6 ]钱鸣高， 石平五， 许家林.矿山压力与岩层控制[M ]. 徐 州 中国矿业大学出版社，2010 33-39. [ 7 ]董方庭， 宋 宏 伟 ， 郭 志 宏， 等.巷道围岩松动圈支护理 论[J ].煤炭学报，1994,19121-32. DONG Fangting , SONG Hongwti , GUO Zhihong， et al. Roadway support theory based on broken rock zone[J]. Journal of China Coal Society , 1994,19 1 21-32. [8 ] ZHOU Jian， LI Xibing， SHI Xiuzhi. Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines [J]. Safety Science， 2012，504 629-644. [ 9 ] PENG Yahui，PENG Kang，ZHOU Jian，et al. Prediction of classification of rock burst risk based on genetic algorithms with SVM [J]. Applied Mechanics e Materials, 2014,628383-389. [ 0]李启月， 许 杰 ， 王 卫 华 ， 等.基于数学形态学多尺度分 析 的 顶 板 下 沉 量 预 测[ J ] .岩 土 力 学，2013, 34 2 433-4382 LI Qiyue，XU Jie，WANG Weihua，et al. Roof setlement predicting based on multi-scale mathematical morphological analysis [J ]. Rock and Soil Mechanics , 2013,342 433-438. [11] CHOU J S， THEDJA J P P. Metaheuristic optimization within machine learning-based classification system for early warnings related to geotechnical problems [ J ] . Automation in Construction, 2016，68 65-80. [ 2] 朱永建， 冯涛.锚杆支护超长煤巷顶板稳定性动态分 类研究[J ].煤炭学报，2012，374565-570. ZHU Yongjian , FENG Tao. Research on dynamic stability classification of bott support for super-long coal roadway roof[J]. Journal of China Coal Society， 2012,374565-570. [ 3] 李一鸣， 符世琛， 焦 亚 博 ， 等.基于分形盒维数和小波 包能量矩的垮落煤岩性状识别[ J ] .煤 炭 学 报 ，2017, 423803-808. LI Yiming，FU Shichen，JIAO Yabo，et al. Collapsing coal-rock identification based on fractal box dimension and wavelet packet energy moment [ J]. Journal of China Coal Society，2017，423 803-808. [14] ZHOU Jian，SHI Xiuzhi，DONG Lei，et al. Fisher discriminant analysis model and its application for prediction of classification of rockburst in deep-buried long tunnel [ J ] . Journal of Coal Science and Engineering China , 2010,162 144-149. [ 5]文畅平.基于Bayes判别分析法的冲击地压预测与危 险性分级[J].自然灾害学报，2015，245229-236. WEN Changping. Prediction and hazard classification[M ].N ewJersey John Wiley e Sons,198952-68. 2 0 1 8 年 第 6 期耿 越 等 煤 巷 顶 板 稳 定 性 评 价 方 法 研 究 39 of bumping geopressure based on bayes discriminant analysis [ J]. Journal of Natural Disasters， 2015,245229-236. [16] ZHOU Jian， SHI Xiuzhi， HUANG Rendong， et al. Feasibility of stochastic gradient boosting approach for predicting rockburst damage in burst-prone mines [J]. Transactions of Nonferrous Metals Society of China,2016,26 1938-1905. [17] ZHOU Jian, LI Xibing, MITRI H. Classification of rockburst in underground projects comparison of ten supervised learning s J . Journal of Computing in Civil Engineering， 2016，30 5 04016003. [ 1 8 ] 杨仁树， 王茂源， 马鑫民， 等.煤巷围岩稳定性分类研 究[J ].煤炭科学技术，2015,4310 0-45. YANG Renshu,WANG Maoyuan,MA Xinmin,et al. Research on surrounding rock stability classification of coal drift[J]. Coal Science and Technology，2015， 4310 0-45. [ 1 9 ] 杨 涛 ， 张紫昭， 胡 磊 ， 等.聚类分析在煤矿井巷围岩岩 体质量分类中的应用[ J ] .西安科技大学学报，2015, 35143-49. YANG Tao， ZHANG Zizhao，HU Lei，et al. Application of clustering analysis in surrounding rock classification of coal mine-lane [J]. Journal of Xian University of Science and Technology, 2015,35 1 43-49. [ 2 0 ] 田苗.模糊聚类分析在煤矿顶板事故分类中的应用 [ J ] .中国科技信息，20151 19-120. [ 2 1 ] 史秀志， 周健.隧道围岩分级判别的未确知均值聚类 模型[J]. 土木建筑与环境工程，2009,31262-67. SHI Xiuzhi , ZHOU Jian. Application of uncertainty average clustering measurement model to classification of tunnel surrounding rock[J]. Journal of Civil， Architectural e Environmental Engineering , 2009,312 62-67. [ 2 2 ] 胡小勇， 陈建宏， 王革民.改进后的灰色聚类分析与优 势关系粗糙集的采场稳定性评价体系[J].中南大学 学报（ 自然科学版） ，2015，461223-230. HU Xiaoyong， CHEN Jianhong， WANG Gemin. Stope stability uation system based on improved grey clustering analysis and dominance-based rough set[J]. Journal of Central South University Science and Technology , 2015,461 223-230. [23] LECUN Y， BENGIO Y， HINTON G. Deep learning [J]. Nature，2015，521436-444. [24] GOODFELLOW I，POUGET-ABADIE J ， MIRZA M， et al. Generative adversarial nets C ]// Proceedings of the 27th International Conference on Neural Ination Processing Systems， Montreal， 20142672-2680. [25] RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks [C]// Proceedings of International Conference on Learning Representations San Juan , 2016 ArXiv1511. 06434. [26] SPRINGENBERG J T. Unsupervised and sem- supervised learning with categorical generative adversarial networks C ]// Proceedings of International Conference on Learning Representations , San Juan , 2016 , ArXiv1511. 06390.