基于LSTM的多参数瓦斯抽采浓度预测模型构建与应用

温志辉; 贾冉; 魏建平; 潘丽萍

doi:10.12404/j.issn.1671-1815.2507279

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10751-10759 DOI: 10.12404/j.issn.1671-1815.2507279

矿冶工程

基于LSTM的多参数瓦斯抽采浓度预测模型构建与应用

温志辉 ¹^,²^,³ ,
贾冉 ¹ ,
魏建平 ¹^,²^,³ ,
潘丽萍 ¹

作者信息 +

Construction and Application of Multi-parameter Prediction Model for Gas Extraction Concentration Based on LSTM

WEN Zhi-hui ¹^,²^,³ ,
JIA Ran ¹ ,
WEI Jian-ping ¹^,²^,³ ,
PAN Li-ping ¹

Author information +

文章历史 +

摘要

针对传统的瓦斯抽采浓度预测方法对复杂时序特征提取能力局限、复杂工况动态响应不足的问题,采用python软件构建了基于长短时记忆神经网络(long short-term memory,LSTM)的多参数瓦斯抽采浓度动态预测模型,以焦作矿区某矿瓦斯抽采系统总管路关键监测点的监测数据为样本集进行缺失值、异常值修补和归一化等预处理,通过早停策略系统优化时间步长、神经元个数、批量大小(batch size)等超参数配置提升模型预测效果,得到瓦斯抽采浓度随时间变化的理想动态拟合曲线。结果表明,优化后的LSTM模型在预测精度与趋势拟合方面表现良好,其平均绝对误差(mean absolute error,MAE)仅为0.585%,均方根误差(root mean square error,RMSE)仅为0.759%,平均绝对百分比误差(mean absolute percentage error,MAPE)仅为2.90%,该模型能够有效预测瓦斯抽采浓度的变化趋势,预测误差低,整体性能稳定,可为煤矿瓦斯抽采系统智能调控提供理论基础,为煤矿瓦斯的高效抽采提供技术支撑。

Abstract

Traditional methane extraction concentration prediction methods have limited capability in capturing complex temporal features and responding to dynamic operating conditions. To address these limitations, a multi-parameter dynamic prediction model for methane extraction concentration based on the long short-term memory (LSTM) neural network was developed. The LSTM-based prediction model was implemented in a Python environment. Monitoring data collected from a key monitoring point on the main pipeline of a methane extraction system in a mine located in Jiaozuo mining area were used as the sample dataset. Data preprocessing, including missing value imputation, outlier correction, and normalization, was performed to improve data quality. Model hyperparameters, including the time step, number of neurons, and batch size, were optimized using an early stopping strategy during the training process. The results show that the optimized LSTM model exhibits high prediction accuracy and good trend-fitting performance. The mean absolute error (MAE) is 0.585%, the root mean square error (RMSE) is 0.759%, and the mean absolute percentage error (MAPE) is 2.90%. The proposed model effectively predicts the temporal variation of methane extraction concentration with low prediction error and stable overall performance. The findings provide a theoretical basis for intelligent regulation of coal mine methane extraction systems and offer technical support for efficient methane extraction.

Graphical abstract

关键词

瓦斯抽采 / 瓦斯抽采浓度 / 长短时记忆神经网络(LSTM) / 预测模型 / 变化趋势

Key words

gas extraction / gas extraction concentration / long short-term memory (LSTM) neural network / prediction model / trend of change

引用本文

引用格式 ▾

温志辉, 贾冉, 魏建平, 潘丽萍. 基于LSTM的多参数瓦斯抽采浓度预测模型构建与应用[J]. 科学技术与工程, 2026, 26(25): 10751-10759 DOI:10.12404/j.issn.1671-1815.2507279

WEN Zhi-hui, JIA Ran, WEI Jian-ping, PAN Li-ping. Construction and Application of Multi-parameter Prediction Model for Gas Extraction Concentration Based on LSTM[J]. Science Technology and Engineering, 2026, 26(25): 10751-10759 DOI:10.12404/j.issn.1671-1815.2507279

登录浏览全文

4963

注册一个新账户忘记密码

瓦斯抽采是煤矿安全生产的基本保障措施之一^[1],通过合理、高效的瓦斯抽采,不仅可以提高瓦斯资源的利用率,改善中国现有的能源结构,同时能够最大限度地降低和减少瓦斯突出、瓦斯超限、瓦斯爆炸等安全事故的发生^[2],而实时掌握煤层瓦斯抽采系统浓度变化,能够为瓦斯抽采参数优化、抽采系统调控策略调整及瓦斯灾害安全预警提供科学依据,是实现精准抽采与动态风险防控的关键^[3]。因此,利用海量瓦斯抽采参数的监测数据与智能分析预测方法,开展瓦斯抽采浓度动态预测,对实现煤层瓦斯抽采系统智能化、提高煤炭资源开采效率、提升矿井本质安全水平和实现“双碳”目标具有重要意义。

近年来,深度学习因其强大的数据挖掘与非线性建模能力,广泛应用于矿山领域^[4]。张通等^[5]和杨宝琳等^[6]分别采用基于粒子群优化(particle swarm optimization,PSO)的反向传播神经网络(back propagation neural network,BP)及PSO-BP神经网络与支持向量机(support vector machine,SVM)联合模型开展瓦斯预测与预警研究;李树刚等^[7]基于循环神经网络实现了煤矿工作面瓦斯浓度的预测分析,减少预测误差;胡青松等^[8]针对瓦斯数据小样本过拟合的问题,构建了一种时间卷积网络与改进时序生成对抗网络融合的矿井瓦斯浓度智能预测模型,提高了训练稳定性;梁运培等^[9]基于FEDformer-LGBM-AT架构对采煤工作面上隅角瓦斯浓度动态预测,对高浓度瓦斯变化具有更强的敏感度;万宇等^[10-11]针对煤与瓦斯突出及瓦斯爆炸风险问题,将过采样与特征优化算法引入SVM模型中,提升了分类预测精度;刘超等^[12]构建了卷积神经网络(convolutional neural network,CNN)与门控循环单元的瓦斯浓度组合预测模型,解决了传统预测方法非线性能力差的问题;Wang等^[13]提出了一种基于图卷积神经网络(graph convolutional networks,GCN)与Crossformer相结合的瓦斯浓度预测模型,提高了瓦斯浓度预测精度。黄凯波等^[14]构建了基于灰色理论和BP神经网络系统预测矿井瓦斯涌出量;Lin等^[15]构建了双向LSTM网络预测工作面瓦斯浓度。

然而,以上研究大多聚焦于煤矿工作面瓦斯浓度预测,且现有研究主要集中在单一变量或低维特征的时间序列预测,缺乏对瓦斯抽采系统多参数综合作用机制的深入挖掘,难以满足抽采系统精准调控对预测模型的实际需求。

鉴于此,现以焦作矿区某矿瓦斯抽采系统的总管路关键监测点的监测数据为研究对象,结合深度学习相关理论和方法,将瓦斯抽采浓度、抽采纯流量、抽采负压多维关键参数作为LSTM神经网络输入层神经元,构建基于LSTM的多参数瓦斯抽采浓度动态预测模型,通过设置不同时间步长、神经元个数与Batch Size等超参数,进行预测值与实测值对比及MAE、RMSE、MAPE多指标综合评价,确定最优参数组合,得到瓦斯抽采浓度随时间变化的理想动态拟合曲线,为实现瓦斯抽采系统智能调控和煤矿瓦斯的高效抽采提供理论基础和技术支撑。

1 LSTM神经网络原理

LSTM是一种改进型循环神经网络算法,它是由Tibshirani于1996年提出^[16],在处理时间序列预测问题中表现优异,LSTM的整体架构与循环神经网络算法(recurrent neural network,RNN)高度相似^[17],均需遍历所有时间步,依次完成信息传递与状态更新。区别在于,RNN由输入层(输入X_t)、隐藏层和输出层(输出Y_t)构成^[18],而LSTM由输入层(输入X_t)、记忆细胞和输出层(输出Y_t)构成^[19-20],其中记忆细胞是LSTM独有的结构,LSTM通过引入独特的门控机制与记忆细胞,能够动态实现信息的选择性传递、遗忘与更新,解决了传统RNN在长序列数据训练时梯度消失与梯度爆炸的问题,提高了对序列中长期依赖关系的捕捉能力,增强了时序建模效果^[21-22],相比普通RNN,LSTM更适合复杂的煤矿瓦斯抽采浓度动态预测任务,能够有效反映不同时间阶段瓦斯抽采浓度的变化趋势,提升实时预测系统的稳定性与准确性。如图1所示。

LSTM结构在横向上分为负责长期记忆的细胞状态C和负责短期记忆信息及当前时间步信息的隐藏状态h,纵向结构上包括遗忘门、输入门和输出门3个核心门控单元^[23],LSTM的整体结构如图2所示。

遗忘门决定了要保留多少前一时刻的状态信息,它通过Sigmoid激活函数来控制哪些信息应该被保留或丢弃,输出一个[0,1]的权重,1表示完全保留,0表示完全遗忘,以此筛选掉部分旧信息,遗忘门控制方式的原理为

(1)${\mathit{f}}_{\mathit{t}}=\mathit{\sigma }\left({\mathit{W}}_{\mathit{f}}\right[{\mathit{h}}_{\mathrm{t}-1},{\mathit{x}}_{\mathit{t}}]+{\mathit{b}}_{\mathit{f}})$

式(1)中:f_t为遗忘门的输出值,用于影响C_t-1的权重,范围为[0,1];σ为Sigmoid激活函数;W_f为输入的权重矩阵;h_t-1为前一个时间步的隐藏状态;x_t为当前时间步的输入;b_f为偏置项。

输入门控制当前输入信息对状态的更新程度,决定要吸纳哪些新信息来融入长期记忆C的计算单元^[24],并对当前输入进行非线性映射,生成候选记忆内容,它通过Sigmoid激活函数和tanh激活函数来决定更新的量和内容。其原理^[25-26]为

(2)${\mathit{i}}_{\mathit{t}}=\mathit{\sigma }\left({\mathit{W}}_{\mathit{i}}\right[{\mathit{h}}_{\mathrm{t}-1},{\mathit{x}}_{\mathit{t}}]+{\mathit{b}}_{\mathit{i}})$

(3)${\stackrel{\sim }{\mathit{C}}}_{\mathit{t}}=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({\mathit{W}}_{\mathit{C}}\right[{\mathit{h}}_{\mathrm{t}-1},{\mathit{x}}_{\mathit{t}}]+{\mathit{b}}_{\mathit{C}})$

式中:i_t为输入门的输出结果;W_i和W_C分别为输入门和候选值的权重矩阵;b_i和b_C为偏置项;tanh为双曲正切激活函数;${\stackrel{\sim }{\mathit{C}}}_{\mathit{t}}$为候选记忆值。

更新细胞状态,细胞状态是LSTM的核心部分,它的主要功能是负责保留长期依赖信息,结合遗忘门和输入门信息,更新用于控制长期记忆的细胞状态,其原理为

(4)${\mathit{C}}_{\mathit{t}}={\mathit{f}}_{\mathit{t}}{\mathit{C}}_{\mathrm{t}-1}+{\mathit{i}}_{\mathit{t}}{\stackrel{\sim }{\mathit{C}}}_{\mathit{t}}$

式(4)中:C_t为当前时刻的记忆单元状态;C_t-1为上一时刻的记忆单元状态;${\stackrel{\sim }{\mathit{C}}}_{\mathit{t}}$为候选记忆状态。

输出门的作用是决定细胞状态中哪些信息要输出到隐藏状态中,其原理^[27]为

(5)$\left\{\begin{array}{l}{\mathit{o}}_{\mathit{t}}=\mathit{\sigma }\left({\mathit{W}}_{\mathit{o}}\right[{\mathit{h}}_{\mathrm{t}-1},{\mathit{x}}_{\mathit{t}}]+{\mathit{b}}_{\mathit{o}})\\ {\mathit{h}}_{\mathit{t}}={\mathit{o}}_{\mathit{t}}\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({\mathit{C}}_{\mathit{t}}\right)\end{array}\right.$

式(5)中:o_t为输出门激活向量;h_t为当前时间步的隐藏状态;W_o为权重矩阵;b_o为偏置项。

2 LSTM瓦斯抽采浓度预测模型构建

LSTM瓦斯抽采浓度预测模型主要分5个步骤:数据采集、数据预处理、构建LSTM模型、模型训练、模型预测。数据预处理主要包括缺失值、异常值识别及修正、数据归一化处理、数据集的划分;构建模型则初步确定LSTM预测模型的网络结构参数和超参数;模型训练则是根据历史瓦斯抽采浓度序列,不断调优以达到理想参考曲线;模型预测则是根据构建的预测模型输出瓦斯抽采浓度预测值,并对结果进行反归一化处理。模型预测流程如图3所示。

2.1 数据预处理

煤矿瓦斯抽采系统受煤层瓦斯地质条件、抽采管路老化及监测设备干扰等因素影响,导致传感器在采集或传输数据时存在异常值和缺失值的情况。如果未经处理直接输入LSTM瓦斯抽采浓度预测模型,将严重影响模型预测的准确性与稳定性。因此,在建立瓦斯抽采浓度预测模型之前,需要对监测数据进行数据预处理。

2.1.1 缺失值识别及处理

由于后续要建模时间序列预测任务模型,需要每个时间间隔内均存在数据点。因此,根据数据特点采取中位数填充的方法处理瓦斯监测数据中的缺失值,以降低缺失值对模型训练的影响。对于包含n个数据点的数据集X,当n为奇数时,缺失值M_e的计算方法如式(6)所示,当n为偶数时,缺失值M_e的计算方法如式(7)所示。

(6)${\mathit{M}}_{\mathrm{e}}={\mathit{X}}_{\frac{\mathit{n}+1}{2}}$

(7)${\mathit{M}}_{\mathrm{e}}=\frac{1}{2}({\mathit{X}}_{\frac{\mathit{n}}{2}}+{\mathit{X}}_{\frac{\mathit{n}+1}{2}})$

2.1.2 异常值识别及处理

箱线图能直观地看到数据分布,有效判别数据中的异常值,它通过样本数据集的最小值、第一四分位数、中位数、第三四分位数和最大值来反映数据的分布特征,同时利用内四分位范围来判断异常值,是识别异常值的重要手段。涉及的异常值采取中位数填充的方法进行替换,计算方法如式(8)~式(10)所示。

(8)$\mathrm{I}\mathrm{Q}\mathrm{R}={\mathit{Q}}_{3}-{\mathit{Q}}_{1}$

(9)$\mathit{L}={\mathit{Q}}_{1}-\mathit{\delta }\mathrm{I}\mathrm{Q}\mathrm{R}$

(10)$\mathit{U}={\mathit{Q}}_{3}+\mathit{\delta }\mathrm{I}\mathrm{Q}\mathrm{R}$

式中:IQR为四分位距;Q₁为第一四分位数;Q₃为第三四分位数;$\mathit{\delta }$为经验系数,通常取1.5;L为异常值的下界;U为异常值的上界;低于L或高于U的数据点被判定为异常值,以单独的符号标记。

2.1.3 数据归一化处理

由于采集到的各个特征单位量纲不同,数值差异较大,因此,在导入瓦斯抽采浓度预测模型之前,需要对原始数据进行标准化预处理。数据标准化采用MinMaxScaler方法,将所有数据特征归一化到[0,1]区间,以保证各特征尺度一致,提升后续LSTM模型训练的稳定性,数据归一化处理公式如式(11)所示。

(11)${\mathit{X}}^{\mathrm{*}}=\frac{{\mathit{X}}_{\mathit{i}}-{\mathit{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{\mathit{X}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{\mathit{X}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}$

式(11)中:X为原始数据集;X_i为X中的任意数据点;X_min为数据集X中的最小值;X_max为数据集X中的最大值。经过式(11)处理后,X^*的取值范围内0~1。

2.2 损失函数和评价指标

均方误差(mean squared error,MSE)是预测模型中应用最广泛的损失函数之一,能够有效反映模型整体预测误差水平。所构建的瓦斯抽采浓度预测模型选用MSE作为损失函数,具体计算公式为

(12)$\mathit{M}\mathit{S}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}$

在实际瓦斯抽采浓度预测中,数据具有一定的波动性和突变性,单一指标难以全面反映模型的优劣。因此,采用多指标联合评估方法,引入平均绝对误差(MAE)、均方根误差(RMSE)及平均绝对百分比误差(MAPE)评价预测模型的性能,以实现对预测模型精度、稳定性与鲁棒性的综合考察。计算公式如式(13)~式(15)所示。

(13)$\mathit{M}\mathit{A}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\left|{\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}\right|$

(14)$\mathit{R}\mathit{M}\mathit{S}\mathit{E}=\sqrt{\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}({\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}{)}^{2}}$

(15)$\mathit{M}\mathit{A}\mathit{P}\mathit{E}=\frac{1}{\mathit{n}}\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\left|\frac{{\mathit{y}}_{\mathit{i}}-{\hat{\mathrm{y}}}_{\mathrm{i}}}{{\mathit{y}}_{\mathit{i}}}\right|$

式中:n为预测的样本总数;y_i为第i个真实值;${\hat{\mathrm{y}}}_{\mathrm{i}}$为第i个预测值。

MAE用于评估预测值与真实值之间的平均绝对偏差程度,RMSE能有效反映极端预测偏差,是重点优化指标,MAPE是衡量预测误差相对于真实值的百分比,3种指标的值越小,说明模型整体预测误差越小、稳定性越高。

2.3 预测模型设计

鉴于瓦斯抽采浓度数据呈现出非平稳性、时序性强、波动幅度大等特点,基于LSTM提出了多参数瓦斯抽采浓度预测模型,以提高预测精度与模型稳定性。预处理后的瓦斯抽采浓度、抽采纯流量、抽采负压多变量数据为输入变量,结合不同时间步长滑动窗口构建时间序列特征矩阵,通过初步搭建基础模型结构,确定网络结构中隐藏层的层数和每层神经元的数量;在LSTM层引用tanh激活函数和L2正则化约束,抑制过拟合现象。其次在全连接层引用线性整流函数(rectified linear unit,ReLU)减少梯度消失。

选用Adam优化算法,初始学习率设定为0.001,并结合ReduceLROnPlateau动态学习率调整机制,防止学习率过大或过小对训练效果造成影响;同时,为避免模型过拟合,引入早停策略EarlyStopping提前终止机制,在验证集损失趋于稳定时终止训练。为确定最优输入特征窗口,结合多组时间步长参数进行对比实验,选取综合预测性能最优的时间步长配置,并确定合适的超参数组合,得到LSTM预测模型的网络结构。

3 瓦斯抽采浓度预测模型的应用

为保证瓦斯抽采浓度模型预测的准确性和真实性,实验的样本数据来自焦作矿区某矿井瓦斯抽采系统总管路关键监测点的瓦斯抽采监测数据,该采样点能够综合反映瓦斯抽采效果及系统整体运行状态,在现场生产中常作为瓦斯抽采系统调控与安全预警的重要依据,具有较强的工程代表性。

原始瓦斯抽采系统监测数据时间跨度为2024年12月23日—2025年5月25日,包含以下3个变量:瓦斯抽采浓度、抽采纯流量、抽采负压,各变量采样时间间隔一致,采样频率为1 h/次,样本点按时间顺序依次排列,鉴于实际工况中存在监测信号干扰、设备维护等情况,为保证模型训练数据的连续性与稳定性,从监测数据中选取工况相对稳定且连续的1 000条数据作为研究样本,按7∶3比例对数据进行训练集与测试集划分。基于TensorFlow1.0框架构建LSTM预测模型,编程语言为python3.6,处理器为Intel CORE i9,运行内存64 G。

3.1 数据预处理结果

实验中采用Python中的isnull()函数对缺失值识别,识别出部分瓦斯监测数据缺失情况如表1所示。

对缺失数据采用式(6)、式(7)进行替换,部分瓦斯抽采浓度监测数据缺失经处理后如图4所示。

图5和图6分别展示了瓦斯抽采浓度及抽采纯流量初始数据的箱型图结果,图中红色圆点表示异常离群数据点,即数据采集结果中需要被处理的异常值。

采用MinMaxScaler方法对样本数据进行归一化处理,原始数据及处理后的归一化数据如图7和图8所示。

3.2 步长优化

时间步长是LSTM模型中关键的超参数,合理的步长设置有助于模型捕捉时间依赖性,提高预测精度。步长过短可能导致信息不足,步长过长则增加模型复杂度。为优化时间步长对模型性能的影响,试验设置模型迭代次数为100,Batch Size为64,激活函数为Tanh函数,采用早停策略EarlyStopping提前终止策略,减少拟合风险,通过MAE、RMSE、MAPE来评估瓦斯抽采浓度模型的预测表现,得到不同步长的评价结果如表2和图9所示。

从表2和图9可以看出,随着时间步长的增加,模型在各项评价指标上呈现出整体下降趋势,表明适当增大步长有助于提升模型对序列长期依赖特征的捕捉能力,提高预测精度。当时间步长从10增大至150时,MAE下降了0.273 178个百分点,RMSE下降了0.316 374个百分点,MAPE下降了1.433 347个百分点;当步长从150增大至200时,模型的整体误差变化幅度较小,呈现轻微反弹趋势,说明步长过大可能引发模型性能不稳定。

较大的时间步长能够加快模型收敛速度,提升对长周期信息的学习能力,但若步长设置过大,易导致模型陷入局部最优,影响泛化性能;步长过小虽可引入更多随机性,但同时可能导致损失曲线震荡,模型难以稳定收敛。因此,综合考虑瓦斯抽采浓度模型预测效果与运行效率,步长设置为150时效果最优。

3.3 神经元个数优化

构建的瓦斯抽采浓度预测模型为含2层隐藏层的LSTM网络。输入层(X)的神经元个数为3,分别对应瓦斯抽采浓度、抽采纯流量、抽采负压;输出层(Y)的神经元个数为1,对应瓦斯抽样浓度;目前LSTM层神经元最佳数量大多是通过多次试验获得,其参考经验公式为

(16)${\mathit{N}}_{\mathrm{h}}=\frac{{\mathit{N}}_{\mathrm{s}}}{\mathit{\alpha }({\mathit{N}}_{\mathrm{i}}+{\mathit{N}}_{\mathrm{o}})}$

式(16)中:N_h为隐藏层神经元个数;N_i为输入层神经元个数;N_o为输出层神经元个数;N_s为训练集的样本数;α为可以自取的任意值变量,通常范围可取2~10。

采用经验法结合网格搜索策略,设置迭代次数100,学习率0.001,步长为优化后的150,对不同的神经元数量和Batch Size进行组合实验,设置神经元个数为[32,64,128]、Batch Size设置为[32,64,128],对比不同超参数组合下模型的各项评价指标,最终确定最优Batch Size与神经元个数组合,模型评价指标结果如表3所示。

实验结果表明,当LSTM层神经元个数为32、Batch Size为128时,模型MAE、RMSE、MAPE为所有超参数组合中的最小值,分别为0.585%、0.759%、2.90%。与其他组合相比,预测误差降低3.2%~11.9%,整体误差水平较低,满足瓦斯抽采系统浓度动态预测的实际需求。

3.4 预测结果分析

基于3.2节与3.3节关于时间步长、神经元个数与Batch Size对模型预测性能对比分析,选取2024年12月23日—2025年5月25日焦作矿区某矿井采集的瓦斯抽采系统总管路关键检测点的监测数据作为原始样本数据,综合参数优化结果对瓦斯抽采浓度模型进行训练、测试,瓦斯抽采浓度真实值与预测值对比如图10所示,模型在训练集与测试集上的预测性能评价结果如表4所示。

从训练集预测结果来看,模型较好地反映了瓦斯抽采浓度的波动趋势,在样本点为400~500时,尽管浓度波动频繁,但预测未出现明显滞后或过度平滑,说明LSTM模型具备较强的时序特征学习与记忆能力。

从测试集预测结果来看,在样本点50~140,预测瓦斯抽采浓度波动幅度与实际情况基本一致,然而部分样本点预测值略高,可能受到局部噪声干扰或模型对极端波动拟合不足的影响。

从表4评价结果来看,LSTM模型在训练集和测试集上的误差指标较为接近,其中训练集MAE、RMSE、MAPE略小于测试集,说明模型具有良好的拟合效果与泛化能力,未出现明显过拟合现象。

总体而言,随着训练过程的进行,LSTM模型预测值与实际值整体走势一致,能够准确反映瓦斯抽采浓度变化趋势。模型在大部分时段内均保持较高的拟合精度,峰值、谷值位置预测效果良好,验证了模型对序列长期依赖特征的学习能力。局部少数波动剧烈区域仍存在一定误差,后续可通过结构优化进一步改进。

4 结论

(1)引入抽采负压、流量等多源时序特征,构建了多维输入的LSTM瓦斯抽采浓度预测模型,挖掘瓦斯抽采过程中的时间依赖特征,实现了煤矿瓦斯抽采过程中瓦斯浓度变化的动态预测。

(2)基于多维时间序列完成数据预处理,通过时间步长、神经元个数与Batch Size等超参数的系统调优,优化后的LSTM模型能够准确反映瓦斯抽采浓度变化趋势,显著提升了模型的拟合精度与泛化能力。

(3)结合焦作矿区某矿瓦斯抽采系统总管路关键监测点的实测数据,开展模型应用验证,结果表明,所构建的LSTM预测模型具备较好的瓦斯抽采浓度动态预测能力,整体预测效果稳定,适用于实际工程需求。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	赵伟, 董虎子, 闫志达, 等. 深部煤层瓦斯含量分阶赋存规律及其与突出危险的关联[J]. 煤炭学报, 2025, 50(3): 1555-1568.

[2]	Zhao Wei, Dong Huzi, Yan Zhida, et al. Hierarchical occurrence law of gas content in deep coal seams and itsrelationship with outburst prevention[J]. Journal of China Coal Society, 2025, 50(3): 1555-1568.

[3]	Wang K, Du F. Coal-gas compound dynamic disasters in China: a review[J]. Process Safety and Environmental Protection, 2020(133): 1-17.

[4]	张慧杰, 霍中刚, 舒龙勇, 等. 煤矿瓦斯抽采系统智能管控研究现状及展望[J]. 煤炭科学技术, 2025, 53(S2): 103-115.

[5]	Zhang Huijie, Huo Zhonggang, Shu Longyong, et al. Research status and prospect of intelligent management and control of coal mine gas extraction system[J]. Coal Science and Technology, 2025, 53(S2): 103-115.

[6]	王国法, 庞义辉, 任怀伟, 等. 智慧矿山系统工程及关键技术研究与实践[J]. 煤炭学报, 2024, 49(1): 181-202.

[7]	Wang Guofa, Pang Yihui, Ren Huaiwei, et al. System engineering and key technologies research and practice of smart mine[J]. Journal of China Coal Society, 2024, 49(1): 181-202.

[8]	张通, 胡艳婷, 李印鹏. 基于PSO-BP神经网络的煤与瓦斯突出预测方法[J]. 煤炭技术, 2023, 42(11): 128-131.

[9]	Zhang Tong, Hu Yanting, Li Yinpeng. Prediction method of coal and gas outburst based on PSO-BP network[J]. Coal Technology, 2023, 42(11): 128-131.

[10]	杨宝琳, 刘杰, 娄来宗. 基于粒子群算法优化BP神经网络及SVM的瓦斯超限预测预警方法[J]. 科学技术与工程, 2025, 25(26): 11098-11106.

[11]	Yang Baolin, Liu Jie, Lou Laizong. Prediction and early warning method for gas overrun based on PSO optimized BP neural network and SVM[J]. Science Technology and Engineering, 2025, 25(26): 11098-11106.

[12]	李树刚, 马莉, 潘少波, 等. 基于循环神经网络的煤矿工作面瓦斯浓度预测模型研究[J]. 煤炭科学技术, 2020, 48(1): 33-38.

[13]	Li Shugang, Ma Li, Pan Shaobo, et al. Research on prediction model of gas concentration based on RNN in coal mining face[J]. Coal Science and Technology, 2020, 48(1): 33-38.

[14]	胡青松, 郑硕, 李世银, 等. 基于改进TCN-TimeGAN的矿井瓦斯浓度智能预测方法[J]. 煤炭科学技术, 2024, 52(S2): 321-330.

[15]	Hu Qingsong, Zheng Shuo, Li Shiyin, et al. An intelligent prediction method of gas concentration in coal mines based on improved TCN-TimeGAN[J]. Coal Science and Technology, 2024, 52(S2): 321-330.

[16]	梁运培, 李赏, 李全贵, 等. 基于FEDformer-LGBM-AT架构的采煤工作面上隅角瓦斯浓度预测[J]. 煤炭学报, 2025, 50(1): 360-378.

[17]	Liang Yunpei, Li Shang, Li Quangui, et al. Prediction of gas concentration in the upper corner of mining working face based onthe FEDformer-LGBM-AT architecture[J]. Journal of China Coal Society, 2025, 50(1): 360-378.

[18]	万宇, 齐金平, 张儒, 等. 基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测[J]. 科学技术与工程, 2021, 21(9): 3544-3549.

[19]	Wan Yu, Qi Jinping, Zhang Ru, et al. Risk prediction of coal mine gas explosion based on information gain-support vector machine (IG-SVM) model[J]. Science Technology and Engineering, 2021, 21(9): 3544-3549.

[20]	万宇, 齐金平, 张儒, 等. 基于过采样支持向量机的煤与瓦斯突出预测[J]. 科学技术与工程, 2021, 21(28): 12080-12087.

[21]	Wan Yu, Qi Jinping, Zhang Ru, et al. Prediction of coal and gas outburst based on over-sampling support vector machine[J]. Science Technology and Engineering, 2021, 21(28): 12080-12087.

[22]	刘超, 雷晨, 李树刚, 等. 基于CNN-GRU的瓦斯浓度预测模型及应用[J]. 中国安全生产科学技术, 2022, 18(9): 62-68.

[23]	Liu Chao, Lei Chen, Li Shugang, et al. Prediction model of gas concentration based on CNN-GRU and its application[J]. Journal of Safety Science and Technology, 2022, 18(9): 62-68.

[24]	Wang Q, Chen H, Xu N, et al. Research on the spatial-temporal series prediction method of methane concentration based on GCN-Crossformer modeling[J]. Measurement, 2025, 256: 118217.

[25]	黄凯波, 朱权洁, 张尔辉. 基于灰色理论与BP神经网络瓦斯涌出量预测研究[J]. 华北科技学院学报, 2020, 17(2): 16-22.

[26]	Huang Kaibo, Zhu Quanjie, Zhang Erhui. Based on grey theory and BP neural network gas emission prediction research[J]. Journal of North China Institute of Science and Technology, 2020, 17(2): 16-22.

[27]	Lin H F, Li W J, Li S G, et al. Coal mine gas emission prediction based on multifactor time series method[J]. Reliability Engineering & System Safety, 2024, 252: 14.

[28]	Tibshirani R. Regression shrinkage and selection via the lasso[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 1996, 58(1): 267-288.

[29]	李善梅, 王端阳, 唐锐, 等. 基于时空关联规则与LSTM的机场进港延误等级预测[J]. 中国安全科学学报, 2025, 35(4): 59-66.

[30]	Li Shanmei, Wang Duanyang, Tang Rui, et al. Prediction of airport arrival delay level based on spatiotemporal association rules and LSTM[J]. China Safety Science Journal, 2025, 35(4): 59-66.

[31]	朱兆坤, 李金宝. 多特征信息融合LSTM-RNN检测OSA方法[J]. 计算机研究与发展, 2020, 57(12): 2547-2555.

[32]	Zhu Zhaokun, Li Jinbao. Multi-Feature information fusion LSTM-RNN detection for OSA[J]. Journal of Computer Research and Development, 2020, 57(12): 2547-2555.

[33]	宋波涛, 许广亮. 基于LSTM与1DCNN的导弹轨迹预测方法[J]. 系统工程与电子技术, 2023, 45(2): 504-512.

[34]	Song Botao, Xu Guangliang. Missile trajectory prediction method based on LSTM and 1DCNN[J]. Systems Engineering and Electronics, 2023, 45(2): 504-512.

[35]	张子彤, 师晨一, 付应坤, 等. 基于长短期记忆网络与贝叶斯优化的页岩气井产量动态预测方法[J]. 科学技术与工程, 2025, 25(27): 11569-11580.

[36]	Zhang Zitong, Shi Chenyi, Fu Yingkun, et al. Production forecast of shale gas wells based on long short-term memory and Bayesian optimization[J]. Science Technology and Engineering, 2025, 25(27): 11569-11580.

[37]	郑豫. 基于深度学习的瓦斯浓度预测及安全管理研究[D]. 淮南: 安徽理工大学, 2024.

[38]	Zheng Yu. Research on gas concentration prediction and safetymanagement based on deep learning[D]. Huainan: Anhui University of Science and Technology, 2024.

[39]	Preethi D, Khare N. EFS-LSTM (ensemble-based feature selection with LSTM) classifier for intrusion detection system[J]. International Journal of e-Collaboration (IJeC), 2020, 16(4): 72-86.

[40]	Barzegar R, Aalami M T, Adamowski J. Short-term water quality variable prediction using a hybrid CNN-LSTM deep learning model[J]. Stochastic Environmental Research and Risk Assessment, 2020, 34(2): 415-433.

[41]	刘永福, 张天颖, 霍殿阳, 等. 基于奇异谱分析和双向LSTM的多元负荷同时预测[J]. 科学技术与工程, 2025, 25(19): 8099-8107.

[42]	Liu Yongfu, Zhang Tianying, Huo Dianyang, et al. Simultaneous prediction for multiple load using singular spectrum analysis and BiLSTM[J]. Science Technology and Engineering, 2025, 25(19): 8099-8107.

[43]	张圆梦, 李少波, 周鹏, 等. 基于多头注意力机制的残差网络深度学习推荐模型[J]. 计算机与数字工程, 2024, 52(7): 1955-1958.

[44]	Zhang Yuanmeng, Li Shaobo, Zhou Peng, et al. Residual network deep learning recommendation model based on multi-head attention mechanism[J]. Computer & Digital Engineering, 2024, 52(7): 1955-1958.

[45]	余力, 李慧媛, 焦晨璐, 等. 基于多头注意力对抗机制的复杂场景行人轨迹预测[J]. 计算机学报, 2022, 45(6): 1133-1146.

[46]	Yu Li, Li Huiyuan, Jiao Chenlu, et al. Trajectory prediction in complex scenes based on multi-head attention adversarial mechanism[J]. Chinese Journal of Computers, 2022, 45(6): 1133-1146.

[47]	Hasegawa K, Fukami K, Murata T, et al. Machine-learning-based reduced-order modeling for unsteady flows around bluff bodies of various shapes[J]. Theoretical and Computational Fluid Dynamics, 2020, 34(4): 367-383.