基于人工智能的深井作业安全数据分析系统及方法.pdf

《基于人工智能的深井作业安全数据分析系统及方法.pdf》由会员分享，可在线阅读，更多相关《基于人工智能的深井作业安全数据分析系统及方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410019575.1(22)申请日 2024.01.05(71)申请人 深圳市百勤石油技术有限公司地址 518000 广东省深圳市南山区粤海街道海珠社区海德三道199号天利中央广场701、708、709、710(72)发明人 边培明刘丽娟林景禹王存志张明浩(74)专利代理机构 北京鼎德宝专利代理事务所(特殊普通合伙)11823专利代理师 秦娇夷(51)Int.Cl.G06F 18/20(2023.01)G06F 18/213(2023.01)G06F 18/214(2023.01)G06N。

2、 3/04(2023.01)E21F 17/18(2006.01)(54)发明名称一种基于人工智能的深井作业安全数据分析系统及方法(57)摘要本发明公开了一种基于人工智能的深井作业安全数据分析系统及方法，涉及深井作业安全数据分析技术领域，该系统包括：数据采集模块、数据存储模块、安全模块、人工智能模块和报警模块；数据采集模块用于获取深井作业过程中的开采数据；数据存储模块用于存储深井作业过程中的开采数据；安全模块用于给报警模块发出动作指令；人工智能模块对开采数据中已知的安全特征进行扩充，基于扩充后的安全特征对瓦斯浓度进行预测；报警模块，接收到安全模块发出的动作指令后，进行对应的操作；本发明借助模拟。

3、退火算法对影响瓦斯浓度的因素进行反演，能够减少计算量，同时有利于提高反演的准确性，进而提高瓦斯浓度的预测精度。权利要求书3页 说明书7页 附图1页CN 117520789 A2024.02.06CN 117520789 A1.一种基于人工智能的深井作业安全数据分析系统，其特征在于，包括数据采集模块、数据存储模块、安全模块、人工智能模块和报警模块；所述数据采集模块的输出端与所述数据存储模块、安全模块和人工智能模块的输入端相互连接，用于获取深井作业过程中的开采数据；所述数据存储模块的输出端与所述人工智能模块的输入端相互连接，用于存储深井作业过程中的开采数据；所述安全模块的输出端与所述报警模块相互连。

4、接，根据人工智能模块的瓦斯浓度预测结果，给报警模块发出动作指令；所述人工智能模块与所述安全模块和数据存储模块相互连接，对开采数据中已知的安全特征进行扩充，基于扩充后的安全特征对瓦斯浓度进行预测；所述报警模块，接收到安全模块发出的动作指令后，进行对应的操作。2.根据权利要求1所述的一种基于人工智能的深井作业安全数据分析系统，其特征在于，所述人工智能模块还包括扩充神经网络单元和瓦斯浓度神经网络单元，所述扩充神经网络单元用于对已知安全特征进行扩充，得到完整的安全特征；所述瓦斯浓度神经网络单元基于完整的安全特征对瓦斯浓度进行预测。3.根据权利要求1所述的一种基于人工智能的深井作业安全数据分析系统，其特。

5、征在于，所述人工智能模块通过多元线性回归模型计算出已知的安全特征与未知的安全特征之间的相关性，并利用模拟退火算法找到确定未知安全特征的顺序。4.根据权利要求1所述的一种基于人工智能的深井作业安全数据分析系统，其特征在于，所述人工智能模块还用于存储训练完成的神经网络模型，根据能够获取的安全特征，人工智能模块选择能够获取的安全特征对应的安全特征扩充顺序。5.一种基于人工智能的深井作业安全数据分析方法，其特征在于，包括以下步骤：S51，获取深井作业的历史数据，提取出安全特征；S52，分析深井作业历史数据的安全特征之间的相关性；S53，基于深井作业历史数据的安全特征之间的相关性，扩充当前获取的深井作业。

6、数据的安全特征；S54，基于扩充后的深井作业数据的安全特征，对瓦斯浓度进行预测，提高深井作业的安全性。6.根据权利要求5所述的一种基于人工智能的深井作业安全数据分析方法，其特征在于，在步骤S53中，所述扩充当前获取的深井作业数据的安全特征还包括以下步骤：S61，设定初始温度T0，以表示安全特征，n为安全特征的总数；将已知的安全特征存放到集合N中，将未知的安全特征存放到集合U中，,是当前已知的安全特征的个数；以集合N中的安全特征为输入，集合U中的安全特征为输出，训练初始神经网络模型，将初始神经网络模型作为初始解，确定初始解对应的损失值t0；并将初始解作为当前解，将集合N作为当前解集，将初始温度作。

7、为当前温度；S62，对计数单位k=1、2、L，重复步骤S63至S65；L为内循环的次数；S63，通过在当前解和当前解集的基础上产生扰动，改变扩充安全特征的顺序；将扰动后选择的神经网络模型以及扩充安全特征的顺序作为新解，确定新解对应的损失值；S64，计算新解带来的损失值的增量 t，若增量小于0，则以概率1接受新解作为新的权利要求书1/3 页2CN 117520789 A2当前解，若增量大于或等于0，则以概率接受新解作为新的当前解；S65，按照设置的降温方案降低当前温度，若当前温度大于或等于设定阈值，则进入步骤S62；若当前温度小于设定阈值，则根据当前解和当前解集，确定扩充安全特征的顺序。7.根据。

8、权利要求6所述的一种基于人工智能的深井作业安全数据分析方法，其特征在于，分析深井作业历史数据的安全特征之间的相关性包括以下步骤：S71，以NOW表示当前解集，now为当前解集中安全特征的数量，则当前解集对应的未确定安全特征集合UNOW为：；S72，对集合UNOW中的每个安全特征，以集合NOW中的所有安全特征为输入，集合UNOW中的一个安全特征为输出，训练线性回归模型，得到集合UNOW中的每个安全特征的回归系数；S73，对步骤S72中同一安全特征的回归系数取绝对值，相加后得到集合UNOW中的一个安全特征与集合NOW之间的相关性。8.根据权利要求7所述的一种基于人工智能的深井作业安全数据分析方法，。

9、其特征在于，在步骤S63中，所述通过在当前解和当前解集的基础上产生扰动，改变扩充安全特征的顺序，包括以下步骤：S81，以表示集合UNOW中安全特征与集合NOW之间的相关性；基于集合UNOW中安全特征与集合NOW之间的相关性，以随机数方式确定集合UNOW中发生扰动的安全特征；S82，获取深井作业历史数据的安全特征，划分为训练集和预测集，将训练集中集合NOW中的所有安全特征作为输入，集合UNOW中发生扰动的安全特征作为输出，训练神经网络模型；将预测集中集合NOW中的所有的安全特征输入到训练完成的神经网络模型中，得到扰动后的安全特征；S83，将扰动后的安全特征加入到集合NOW中并从集合UNOW中删除。

10、，若集合UNOW不为空集，则进入S82，若集合UNOW为空集，则根据扰动后的得到的安全特征与集合U中的安全特征，计算出损失值t。9.根据权利要求8所述的一种基于人工智能的深井作业安全数据分析方法，其特征在于，损失值通过以下方式计算：选择损失函数，对于矩阵U中的安全特征，获取深井作业历史数据安全特征的真实值，从矩阵NOW获取通过多个神经网络模型进行扩充后得到的安全特征的预测值，代入到损失函数计算公式中进行计算，得到一次扰动对应的损失值。10.根据权利要求9所述的一种基于人工智能的深井作业安全数据分析方法，其特征在于，在步骤S54中，包括以下步骤：S101，获取深井作业历史数据的安全特征，以矩阵N。

11、和U中的安全特征为输入，瓦斯浓度为输出，训练瓦斯浓度神经网络模型；S102，将集合NOW中的安全特征输入到瓦斯浓度神经网络模型中，得到瓦斯浓度的预测值；S103，实时比较瓦斯浓度预测值、瓦斯浓度当前值和阈值之间的大小，若瓦斯浓度预测值或者瓦斯浓度当前值大于阈值，则发出警报，提醒工作人员存在安全风险，若瓦斯浓度权利要求书2/3 页3CN 117520789 A3预测值和瓦斯浓度当前值都小于或等于阈值，则持续保持对瓦斯浓度预测值和瓦斯浓度当前值的监视。权利要求书3/3 页4CN 117520789 A4一种基于人工智能的深井作业安全数据分析系统及方法技术领域0001本发明涉及数据分析技术领域，具体。

12、为一种基于人工智能的深井作业安全数据分析系统及方法。背景技术0002矿井瓦斯浓度是深井开采中一个重要的特征，在深井开采中，矿井瓦斯的绝对涌出量随着开采深度的增加而增大，同时瓦斯突出的频度和突出量也较大，这些因素给深井开采带来了很大的安全风险，需要采取相应的措施来预防和处理瓦斯事故，确保开采工作的安全进行；深井中瓦斯浓度与地质构造、地层岩性、含煤性、煤的变质程度、开采深度和面积等因素有关；地质因素的获取难度相对较高，因为地质因素包括多种复杂的地质条件和因素，如地质构造、地层岩性、含煤性、煤的变质程度、开采深度和面积等，这些因素需要通过地质勘查、地质研究、矿山测量等专业的手段和方法进行获取和分析；。

13、同时，地质因素的获取也需要考虑到矿井内的实际情况和地质环境因素，如地形地貌、水文地质条件、工程地质条件等；地质因素通常难以获取，且地质因素会随着开采深度增加而发生变化，因此，如何在不能完全获取地质因素的情况下，提高瓦斯浓度预测精度，成为了一个需要解决的问题。发明内容0003本发明的目的在于提供一种基于人工智能的深井作业安全数据分析系统及方法，以解决上述背景技术中提出的问题。0004在本发明的一个方面，提供一种基于人工智能的深井作业安全数据分析系统，包括：数据采集模块、数据存储模块、安全模块、人工智能模块和报警模块；所述数据采集模块的输出端与所述数据存储模块、安全模块和人工智能模块的输入端相互连。

14、接，用于获取深井作业过程中的开采数据；所述数据存储模块的输出端与所述人工智能模块的输入端相互连接，用于存储深井作业过程中的开采数据；所述安全模块的输出端与所述报警模块相互连接，根据人工智能模块的瓦斯浓度预测结果，给报警模块发出动作指令；所述人工智能模块与所述安全模块和数据存储模块相互连接，对开采数据中已知的安全特征进行扩充，基于扩充后的安全特征对瓦斯浓度进行预测；所述报警模块，接收到安全模块发出的动作指令后，进行对应的操作。0005具体地，所述数据采集模块包括多个传感器组成的传感器阵列，用于获取深井作业时的环境数据；所述人工智能模块还包括扩充神经网络单元和瓦斯浓度神经网络单元，所述扩充神经网络。

15、单元用于对已知安全特征进行扩充，得到完整的安全特征；所述瓦斯浓度神经网络单元基于完整的安全特征对瓦斯浓度进行预测；所述人工智能模块通过多元线性回归模型计算出已知的安全特征与未知的安全特征之间的相关性，并利用模拟退火算法找到确定未知安全特征的顺序；所述人工智能模块还用于存储训练完成的神经网络模型，根据能够获取的安全特征，人工智能模块选择能够获取的安全特征对应的安全特征扩充顺说明书1/7 页5CN 117520789 A5序。0006具体地，所述安全模块实时对深井内的瓦斯浓度进行监测，当瓦斯浓度达到阈值或者人工智能模块预测出的瓦斯浓度将会达到阈值，则安全模块向报警模块发出指令，报警模块接收到指令后。

16、发出警报，提示工作人员瓦斯浓度达到了阈值，可能会发生危险；报警模块同时接收人工智能模块和安全模块的指令，减少因数据传输出现问题而带来的隐患。0007在本发明的另一个方面，提供一种基于人工智能的深井作业安全数据分析方法，包括以下步骤：S51，获取深井作业的历史数据，提取出安全特征；S52，分析深井作业历史数据的安全特征之间的相关性；S53，基于深井作业历史数据的安全特征之间的相关性，扩充当前获取的深井作业数据的安全特征；S54，基于扩充后的深井作业数据的安全特征，对瓦斯浓度进行预测，提高深井作业的安全性。0008具体地，在步骤S53中，扩充当前获取的深井作业数据的安全特征还包括以下步骤：S61，。

17、设定初始温度T0，以表示安全特征，n为安全特征的总数；将已知的安全特征存放到集合N中，将未知的安全特征存放到集合U中，,是当前已知的安全特征的个数；以集合N中的安全特征为输入，集合U中的安全特征为输出，训练初始神经网络模型，将初始神经网络模型作为初始解，确定初始解对应的损失值t0；并将初始解作为当前解，将集合N作为当前解集，将初始温度作为当前温度；S62，对计数单位k=1、2、L，重复步骤S63至S65；L为内循环的次数；S63，通过在当前解和当前解集的基础上产生扰动，改变扩充安全特征的顺序；将扰动后选择的神经网络模型以及扩充安全特征的顺序作为新解，确定新解对应的损失值；S64，计算新解带来的。

18、损失值的增量 t，若增量小于0，则以概率1接受新解作为新的当前解，若增量大于或等于0，则以概率接受新解作为新的当前解；S65，按照设置的降温方案降低当前温度，若当前温度大于或等于设定阈值，则进入步骤S62；若当前温度小于设定阈值，则根据当前解和当前解集，确定扩充安全特征的顺序；由已知安全特征反演得到未知安全特征，需要考虑未知安全特征的反演数量和反演顺序，未知安全特征进行反演后会变成已知安全特征，对后续剩余的未知安全特征的反演产生影响，整体步骤非常复杂，并且会随着安全特征数量的增加而增加，未知安全特征可以为向量形式，此时一个未知的安全特征能够带来多个维度，大幅增加运算量，所以采用模拟退火算法确定。

19、未知安全特征的反演顺序。0009具体地，分析深井作业历史数据的安全特征之间的相关性包括以下步骤：S71，以NOW表示当前解集，now为当前解集中安全特征的数量，则当前解集对应的未确定安全特征集合UNOW为：；说明书2/7 页6CN 117520789 A6S72，对集合UNOW中的每个安全特征，以集合NOW中的所有安全特征为输入，集合UNOW中的一个安全特征为输出，训练线性回归模型，得到集合UNOW中的每个安全特征的回归系数；S73，对步骤S72中同一安全特征的回归系数取绝对值，相加后得到集合UNOW中的一个安全特征与集合NOW之间的相关性；在多元线性回归模型中，回归系数表示的是自变量和因变量。

20、之间的线性关系，正负号和大小用来判断自变量对因变量的影响方向和程度大小；在本发明中，只考虑已知安全特征对未知安全特征的影响程度的大小，所以对回归系数取绝对值。0010具体地，在步骤S63中，所述通过在当前解和当前解集的基础上产生扰动，改变扩充安全特征的顺序，包括以下步骤：S81，以表示集合UNOW中安全特征与集合NOW之间的相关性；基于集合UNOW中安全特征与集合NOW之间的相关性，以随机数方式确定集合UNOW中发生扰动的安全特征；S82，获取深井作业历史数据的安全特征，划分为训练集和预测集，将训练集中集合NOW中的所有安全特征作为输入，集合UNOW中发生扰动的安全特征作为输出，训练神经网络模。

21、型；将预测集中集合NOW中的所有的安全特征输入到训练完成的神经网络模型中，得到扰动后的安全特征；S83，将扰动后的安全特征加入到集合NOW中并从集合UNOW中删除，若集合UNOW不为空集，则进入S82，若集合UNOW为空集，则根据扰动后的得到的安全特征与集合U中的安全特征，计算出损失值t；瓦斯浓度受到多种因素的影响，反过来，瓦斯浓度能够反映影响瓦斯浓度的因素，可以利用瓦斯浓度反推得到影响瓦斯浓度的因素；同时，影响瓦斯浓度的因素之间也存在相关性，根据已知的因素，先确定与已知因素相关性高的未知因素，再确定与已知因素相关性低的未知因素；相比于利用已知因素一次性反演确定所有未知因素，将未知因素的反演分。

22、成多个步骤，每次利用已知因素对未知因素进行反演时，神经网络模型可以采用不同的网络架构，实现提高反演准确率的效果。0011具体地，损失值通过以下方式计算：选择损失函数，对于矩阵U中的安全特征，获取深井作业历史数据安全特征的真实值，从矩阵NOW获取通过多个神经网络模型进行扩充后得到的安全特征的预测值，代入到损失函数计算公式中进行计算，得到一次扰动对应的损失值。0012在步骤S54中，包括以下步骤：S101，获取深井作业历史数据的安全特征，以矩阵N和U中的安全特征为输入，瓦斯浓度为输出，训练瓦斯浓度神经网络模型；S102，将集合NOW中的安全特征输入到瓦斯浓度神经网络模型中，得到瓦斯浓度的预测值。0。

23、013S103，实时比较瓦斯浓度预测值、瓦斯浓度当前值和阈值之间的大小，若瓦斯浓度预测值或者瓦斯浓度当前值大于阈值，则发出警报，提醒工作人员存在安全风险，若瓦斯浓度预测值和瓦斯浓度当前值都小于或等于阈值，则持续保持对瓦斯浓度预测值和瓦斯浓度当前值的监视。说明书3/7 页7CN 117520789 A70014与现有技术相比，本发明所达到的有益效果是：利用已知的对瓦斯浓度产生影响的因素，反演得到未知或者暂时无法得知的对瓦斯浓度产生影响的因素，有利于提高瓦斯浓度的预测准确度；借助模拟退火算法对影响瓦斯浓度的因素进行反演，无须考虑所有可能的反演顺序，能够减少计算量，同时有利于避免陷入局部最优解并提高。

24、反演的准确性，进而提高瓦斯浓度的预测精度。附图说明0015附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1是本发明实施例一种基于人工智能的深井作业安全数据分析系统的结构示意图。具体实施方式0016下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。0017在本发明的实施例中，请参阅图1，提供一种基于人工智能。

25、的深井作业安全数据分析系统的结构示意图，包括：数据采集模块、数据存储模块、安全模块、人工智能模块和报警模块；所述数据采集模块的输出端与所述数据存储模块、安全模块和人工智能模块的输入端相互连接，用于获取深井作业过程中的开采数据；所述数据存储模块的输出端与所述人工智能模块的输入端相互连接，用于存储深井作业过程中的开采数据；所述安全模块的输出端与所述报警模块相互连接，根据人工智能模块的瓦斯浓度预测结果，给报警模块发出动作指令；所述人工智能模块与所述安全模块和数据存储模块相互连接，对开采数据中已知的安全特征进行扩充，基于扩充后的安全特征对瓦斯浓度进行预测。0018具体地，所述人工智能模块还包括扩充神经。

26、网络单元和瓦斯浓度神经网络单元，所述扩充神经网络单元用于对已知安全特征进行扩充，得到完整的安全特征；所述瓦斯浓度神经网络单元基于完整的安全特征对瓦斯浓度进行预测；所述人工智能模块通过多元线性回归模型计算出已知的安全特征与未知的安全特征之间的相关性，并利用模拟退火算法找到确定未知安全特征的顺序；所述人工智能模块还用于存储训练完成的神经网络模型，根据能够获取的安全特征，人工智能模块选择能够获取的安全特征对应的安全特征扩充顺序。0019具体地，所述安全模块实时对深井内的瓦斯浓度进行监测，当瓦斯浓度达到阈值或者人工智能模块预测出的瓦斯浓度将会达到阈值，则安全模块向报警模块发出指令，报警模块接收到指令后。

27、发出警报，提示工作人员瓦斯浓度达到了阈值，可能会发生危险；报警模块同时接收人工智能模块和安全模块的指令，减少因数据传输出现问题而带来的隐患。0020在本发明的实施例中，提供一种基于人工智能的深井作业安全数据分析方法，包括以下步骤：S51，获取深井作业的历史数据，提取出安全特征；安全特征包括但不限于开采深说明书4/7 页8CN 117520789 A8度、开采面积、煤的变质程度、含煤性、瓦斯浓度、地质构造和地层岩性；地质构造是指地壳运动中形成的各种地质形态和地质力学模型，如褶皱、断层、节理、裂隙等，这些地质构造对矿井瓦斯涌出量有显著影响，地质构造为离散特征，通过赋予标签对地质构造进行区分；地层岩。

28、性是指地层中的岩石性质，会影响煤层的透气性和瓦斯的赋存条件，也通过赋予标签对不同的地层岩性进行区分；S52，分析深井作业历史数据的安全特征之间的相关性；包括步骤S71至步骤S73：S71，以NOW表示当前解集，now为当前解集中安全特征的数量，则当前解集对应的未确定安全特征集合UNOW为：；S72，对集合UNOW中的每个安全特征，以集合NOW中的所有安全特征为输入，集合UNOW中的一个安全特征为输出，训练线性回归模型，得到集合UNOW中的每个安全特征的回归系数；S73，对步骤S72中同一安全特征的回归系数取绝对值，相加后得到集合UNOW中的一个安全特征与集合NOW之间的相关性；S53，基于深井。

29、作业历史数据的安全特征之间的相关性，扩充当前获取的深井作业数据的安全特征；扩充当前获取的深井作业数据的安全特征，包括以下步骤S61至步骤S64：S61，设定初始温度T0，以表示安全特征，n为安全特征的总数；将已知的安全特征存放到集合N中，将未知的安全特征存放到集合U中，,是当前已知的安全特征的个数；以集合N中的安全特征为输入，集合U中的安全特征为输出，训练初始神经网络模型，将初始神经网络模型作为初始解，确定初始解对应的损失值t0；并将初始解作为当前解，将集合N作为当前解集，将初始温度作为当前温度；S62，对计数单位k=1、2、L，重复步骤S63至S65；L为内循环的次数，根据实际情况进行设置，。

30、可选值20、30等；S63，通过在当前解和当前解集的基础上产生扰动，改变扩充安全特征的顺序；将扰动后选择的神经网络模型以及扩充安全特征的顺序作为新解，确定新解对应的损失值；改变扩充安全特征的顺序，包括以下步骤S81至S83：S81，以表示集合UNOW中安全特征与集合NOW之间的相关性；基于集合UNOW中安全特征与集合NOW之间的相关性，以随机数方式确定集合UNOW中发生扰动的安全特征；S82，获取深井作业历史数据的安全特征，划分为训练集和预测集，将训练集中集合NOW中的所有安全特征作为输入，集合UNOW中发生扰动的安全特征作为输出，训练神经网络模型；将预测集中集合NOW中的所有的安全特征输入到。

31、训练完成的神经网络模型中，得到扰动后的安全特征；S83，将扰动后的安全特征加入到集合NOW中并从集合UNOW中删除，若集合UNOW不说明书5/7 页9CN 117520789 A9为空集，则进入S82，若集合UNOW为空集，则根据扰动后的得到的安全特征与集合U中的安全特征，计算出损失值t；选择损失函数，对于矩阵U中的安全特征，获取深井作业历史数据安全特征的真实值，从矩阵NOW获取通过多个神经网络模型进行扩充后得到的安全特征的预测值，代入到损失函数计算公式中进行计算，得到一次扰动对应的损失值；损失函数可选择交叉熵、均方根误差等；S64，计算新解带来的损失值的增量 t，若增量小于0，则以概率1接受。

32、新解作为新的当前解，若增量大于或等于0，则以概率接受新解作为新的当前解；S65，按照设置的降温方案降低当前温度，若当前温度大于或等于设定阈值，则进入步骤S62；若当前温度小于设定阈值，则根据当前解和当前解集，确定扩充安全特征的顺序；S54，基于扩充后的深井作业数据的安全特征，对瓦斯浓度进行预测，提高深井作业的安全性；获取深井作业历史数据的安全特征，以矩阵N和U中的安全特征为输入，瓦斯浓度为输出，训练瓦斯浓度神经网络模型；将集合NOW中的安全特征输入到瓦斯浓度神经网络模型中，得到瓦斯浓度的预测值。0021当开采深度、开采面积、瓦斯浓度和地质构造为已知特征，煤的变质程度、含煤性和地层岩性为未知特征。

33、，则，首先获取历史开采数据，对不同类型的地质构造和地层岩性赋予标签；接着，将所有的安全特征进行归一化操作，消除量纲的影响；将煤的变质程度作为输出，开采深度、开采面积、瓦斯浓度和地质构造作为输入，训练4元线性回归模型，将回归系数取绝对值后相加得到集合NOW与煤的变质程度之间的相关性，此时集合NOW与集合N相同，集合UNOW与集合U相同；类似地，计算得到含煤性和地层岩性与集合NOW之间的相关性；借用模拟退火算法确定煤的变质程度、含煤性和地层岩性的反演顺序，根据相关性以随机数方式确定集合UNOW中发生扰动的安全特征，可选地，首先在区间0,3上生成一个随机数，根据随机数所处的区间判断发生扰动的未知安全。

34、特征的数量num，当随机数位于区间(0,1)、(1,2)、(2,3)时，num的值分别为1、2、3；接着，表示煤的变质程度、含煤性和地层岩性与集合NOW之间的相关性，在区间0,+上生成num个随机数，根据随机数所处的区间判断发生扰动的未知安全特征，当随机数位于区间(0,)、(,+)、(+,+)时，分别对应煤的变质程度、含煤性和地层岩性发生扰动；当煤的变质程度发生扰动后，若随机数再次位于区间(0,)中，则重新生成随机数进行判断；当煤的变质程度被确定为发生扰动未知变量时，获取深井作业历史数据的安全特征，划分为训练集和预测集，将训练集中集合NOW中的所有安全特征作为输入，煤的变质程度作为输出，训练神。

35、经网络模型；将预测集中集合NOW中的所有的安全特征输入到训练完 成 的 神 经 网 络 模 型 中，得 到 煤 的 变 质 程 度的 预 测 值，此 时 集 合 N O W 变 为，集合UNOW变为，类似方式对含煤性和地层岩性进行预测，当集合UNOW变成空集时，完成模拟退火算法中的一次扰动，将计数单位k的值加1。说明书6/7 页10CN 117520789 A100022基于扩充后的深井作业数据的安全特征，对瓦斯浓度进行预测，提高深井作业的安全性；获取深井作业历史数据的安全特征，以开采深度、开采面积、地质构造、煤的变质程度、含煤性和地层岩性为输入，瓦斯浓度为输出，训练瓦斯浓度神经网络模型；获取。

36、当前深井作业数据，以计划达到的开采面积和开采深度，反演得到的地质构造、煤的变质程度、含煤性和地层岩性输入到瓦斯浓度神经网络模型中，得到瓦斯浓度的预测值，根据瓦斯浓度的预测值对深井中的通风条件、深井作业设备的运行状况等进行调整。0023当未知特征增加和时，只需将集合U调整为即可；当已知条件增加温度和湿度时，将其加入到集合U中即可；当煤的变质程度变为已知时，则，不能直接借用由开采深度、开采面积、瓦斯浓度和地质构造反演的过程，需要重新确定顺序，因为由开采深度、开采面积、瓦斯浓度和地质构造反演的过程损失函数中考虑了煤的变质程度，而此时煤的变质程度为已知量，无需考虑损失函数。0024实时比较瓦斯浓度预测。

37、值、瓦斯浓度当前值和阈值之间的大小，若瓦斯浓度预测值或者瓦斯浓度当前值大于阈值，则发出警报，提醒工作人员存在安全风险，若瓦斯浓度预测值和瓦斯浓度当前值都小于或等于阈值，则持续保持对瓦斯浓度预测值和瓦斯浓度当前值的监视。0025需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。0026最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。说明书7/7 页11CN 117520789 A11图 1说明书附图1/1 页12CN 117520789 A12。