Design of auto-calibration system for multi-channel strain gauge
-
摘要: 针对现有的应变测量仪标定方式采用单通道手动操作，存在标定过程费时费力、效率较低等问题，设计了一种以Cortex-M3为控制核心的自动标定系统，详细介绍了该系统的硬件和软件设计。该系统可将标准电阻信号输出加载到被标定电桥的输入端，比对被标定电桥的输出与理论值，自动计算被标定电桥的精度。实验结果表明，该系统能够有效完成自动标定任务，标定精度达到0.5%。Abstract: In view of problem of wasting time and energy and low efficiency in calibrating process of existing calibration method of strain gauges which adopts single-channel manual operation mode, an auto-calibration system based on cortex-M3 MCU was designed，hardware and software design of the system were introduced in details. The system can output standard resistance signal to input terminal of calibration bridge , and can automatically compute precision of calibrate bridge through comparison value between actual outputs and theoretical outputs. The experimental results show that the system can perform auto-calibration of strain gauge efficiently with calibration precision at 0.5%.
-
0. 引言
在煤与瓦斯突出矿井及高瓦斯赋存矿井的开采中，煤层瓦斯事故频发[1-2]，提升瓦斯钻孔预抽效率已成为保障煤矿安全生产的核心议题之一[3-4]。预先抽采煤层瓦斯是减少开采过程中瓦斯灾害与风险的关键措施[5-6]。在此背景下，结合先进监测技术和综合评价体系，强化煤层瓦斯安全管理体系，是提升煤矿安全生产水平的必然要求，也是可持续发展的重要保障[7-8]。
在预抽过程中，通常采用人工现场取样检测方法评价抽采效果[9]。该方法虽然操作简便直观，但存在测定时间难以精确控制的问题，无法实现对预抽效果的实时反馈，长期而言可能潜藏着导致采掘失衡的重大隐患。针对以上难题，Xia Tongqiang等[10]通过瓦斯−空气组分模型计算各参数对抽采效率的贡献度，综合判断抽采质量。Jin Kan等[11]建立了一种远距离下保护层开采煤矿瓦斯治理效果评价方法。Xue Yi等[12]构建了基于煤体变形与气−空气组分流动耦合模型的煤层预抽瓦斯质量评价方法，深入解析了预抽瓦斯过程中出现的低质量现象。Ni Xiaoming等[13]通过层次分析法（Analytic Hierarchy Process，AHP）确定各指标权重，计算综合评价值并划分产能等级，适用于区域瓦斯产能评价。Guo Jianhong等[14]和Song Hongqing等[15]利用监督学习算法，通过模型输出的预测值进行分级，但该过程依赖大量人工标注样本，模型泛化能力受样本量限制。
当前研究主要聚焦于整体煤层瓦斯抽采效果的评价，对单一钻孔的抽采状态分析较为欠缺[16-17]，评价结果缺乏精细化，难以实现对单一钻孔的精准调控[18-19]。另外目前的钻孔抽采状态评价方法过于单一，通常依赖于瓦斯抽采浓度，而忽视了煤层瓦斯赋存的多样性。由于不同区域的瓦斯赋存规律存在显著差异，高瓦斯区域的预抽钻孔浓度自然高于低瓦斯区域[20]。因此，需综合考虑钻孔抽采负压、环境压力、温度等多种参数，同时结合历史数据，以全面反映单一钻孔的抽采状态，从而实现更加科学的评价与调控[21-22]。
目前，随机森林[23]、支持向量机[24]和线形鉴别分析[25]等监督学习模型能够较好地对样本进行分类并得出评价结果。然而，这类模型依赖于样本的特征标记，在样本量较大时，人工标注的成本较高[26-27]。无监督学习模型如K−Means能够对数据样本进行聚类，但由于缺乏样本标记，训练目标不明确，只能得出聚类结果，而无法实现定性评价[28-29]。
针对上述问题，本文提出了一种基于半监督学习的煤层钻孔预抽瓦斯状态评价方法。结合AHP与模糊评价法（Fuzzy Evaluation Method，FEM）对评价指标赋予权重，对少量样本进行特征标记，利用高斯混合模型（Gaussian Mixture Model，GMM）和K−Means算法对混合样本进行聚类，自动提取特征参数间的关联关系，自适应学习评价指标及当前数据与历史数据的依赖关系，从而实现对单一钻孔抽采状态的精细化评价。
1. 数据采集和处理
1.1 数据来源
以陕西黄陵二号煤矿215工作面为研究对象，采用煤层工作面瓦斯预抽钻孔精细化布控系统和人工采集结合的方式进行数据采集。该系统由瓦斯抽放管路智能管控系统、测量监测系统及数据传输处理系统组成，能够实现瓦斯抽放参数实时监测和控制，并选择性地提取目标管路数据，系统结构如图1所示。
![]()
图 1 煤层工作面瓦斯预抽钻孔精细化布控系统结构Figure 1. Structure of refined control system for gas pre-extraction boreholes in coal seam working face1.2 数据预处理
利用独热（One−hot）编码（图2）将分类变量的每个取值转换为二进制形式，为每个类别创建独立的列，消除分类变量间的序关系。对分类变量进行标记，生成对应的二进制表示。每个分类变量的One−hot编码列数等于其可能取值的个数。将生成的特征矩阵与原始数据合并，形成消除类别序关系的标准化输入结构。
采用MinMaxScaler归一化方法对数据进行预处理，即用每个数据值减去最小值，再除以最大值和最小值的差，从而将数据映射到[0,1]范围内。
$$ {X_{{\mathrm{scaled}}}} = \frac{{X - {X_{{\mathrm{min}}}}}}{{{X_{{\mathrm{max}}}} - {X_{{\mathrm{min}}}}}} $$ (1) 式中：${X_{{\mathrm{scaled}}}} $为映射后的值；$ X $为原始数据；$ {X_{{\mathrm{max}}}} $和$ {X_{{\mathrm{min}}}} $分别为X的最大值和最小值。
2. 半监督学习模型
2.1 模型架构
传统 GMM 与 K−Means 模型因缺少标记样本，存在训练目标不明、聚类结果需人为判断特征空间分布等问题。因此，本文构建了一种混合半监督学习模型，融合AHP与FEM，对少量样本进行特征标记，再将其与未标记样本混合。利用主成分分析（Principal Component Analysis，PCA）优化算法进行特征降维，提高计算效率。借助 GMM 和 K−Means 聚类器对混合样本聚类，把已标记样本信息映射到未标记样本，生成 SSGMM 和 SSK−Means 分类器，以实现混合样本分类。利用 SSGMM 分类器评价 AHP−FEM筛选的样本质量与数量，经自动化学习过程获取最优输入样本及高精度分类器。半监督学习模型架构如图3所示。
2.2 AHP−FEM评价体系
2.2.1 评价指标选取
考虑监测数据的类型及其固有的时序性特征，采用现场调研与理论分析相结合的方法，充分利用监测数据特性，确保所选评价指标具有可操作性，并与常规监测实践相一致。钻孔抽采效果评价指标见表1。
表 1 钻孔抽采效果评价指标Table 1. Evaluation indicators for borehole and extraction performance因素名称 因素标号 单位 因素名称 因素标号 单位 甲烷浓度 F1 % 抽采负压 F2 kPa 环境温度 F3 ℃ 抽采差压 F4 kPa 环境压力 F5 kPa 工况流量 F6 m3/min 瓦斯纯流量 F7 m3/min 前一天的瓦斯纯流量 F8 m3/min 2.2.2 权重计算
AHP通过构建多级递阶层次结构模型实现决策目标分解。该模型包含目标层、准则层、子准则层及方案层。其核心步骤：通过两两比较法建立判断矩阵；采用特征向量法计算各层元素权重；引入一致性检验，确保判断逻辑合理性。邀请业内专家依据9标度法对比较结果进行打分，打分规则见表2。如果指标1相对于指标2的重要性打分为x，那么指标2相对于指标1的重要性打分为1/x。
表 2 AHP打分规则Table 2. AHP scoring rulesx 意义 x 意义 x 意义 1 相等重要 4 介于3，5中间 7 非常重要 2 介于1，3中间 5 较为重要 8 介于7，9中间 3 略微重要 6 介于5，7中间 9 最重要 AHP充分考虑了决策者对问题的主观感受，并通过一致性检验保证专家打分的合理性。对判断矩阵A的每一列向量进行归一化处理，得
$$ \overline {{m}}_{ij} = \frac{{{m_{ij}}}}{{\displaystyle \sum\limits_{i = 1}^I {{m_{ij}}} }}\quad i,j = 1,2, \cdots ,I $$ (2) 式中：mij为判断矩阵中的元素；i，j分别为判断矩阵的行号和列号；I为判断矩阵的阶数。
将归一化判断矩阵的各行相加，得
$$ {w_i} = \sum\limits_{i = 1}^I {\overline {{m}}_{ij} } $$ (3) 对$ {w_i} $进行归一化处理，得到权重向量：
$$ \overline {{{\boldsymbol{w}}}}_i = \frac{{{w_i}}}{{\displaystyle \sum\limits_{i = 1}^I {{w_i}} }} $$ (4) 计算判断矩阵的最大特征值和对应的特征向量。最大特征值计算公式为
$$ {\lambda _{{\text{max}}}} = \frac{1}{I}\sum\limits_{i = 1}^I {\frac{{{{({\boldsymbol{Aw}})}_i}}}{{{w_i}}}} i $$ (5) 式中：$ {\boldsymbol{w}} $为归一化后的权重向量；$ {({\boldsymbol{Aw}})_i} $为$ {\boldsymbol{Aw}} $向量的第$ i $个元素。
计算判断矩阵的一致性指标CI：
$$ {\mathrm{CI}} = \frac{{{\lambda _{{\text{max}}}} - I}}{{I - 1}} $$ (6) 判断矩阵的一致性指标CI越接近0，表示判断矩阵的一致性越好。随机一致性指标RI根据随机生成的判断矩阵的平均一致性指标计算，且与判断矩阵的阶数相关。判断矩阵的一致性比例越小，判断矩阵的一致性越好。通常，当CR<0.1时，认为判断矩阵的一致性是可接受的，否则需要对判断矩阵进行修正。CR计算公式为
$$ {\mathrm{CR}} = \frac{{{\mathrm{CI}}}}{{{\mathrm{RI}}}} $$ (7) 利用AHP对煤层预抽钻孔的抽采效果评判指标进行权重计算，结果见表3和表4。可看出判断矩阵的最大特征值$ {\lambda _{{\text{max}}}} $=8.433，一致性指标CI=0.061，查表可得RI=1.41，最终计算可得CR=0.043<0.1，说明该判断矩阵的一致性较好。
表 3 评价指标的判断矩阵、权重及一致性检验Table 3. Judgment matrix, weights, and consistency test for evaluation indicators因素 F1 F2 F3 F4 F5 F6 F7 F8 $ {w_i} $ $ {\lambda _{{\text{max}}}} $ CR F1 1 3 8 4 5 2 1 1/3 0.191 8.433 0.043 F2 1/3 1 5 2 3 1/3 1/3 1/5 0.057 F3 1/8 1/5 1 1/4 1/3 1/6 1/8 1/9 0.008 F4 1/4 1/2 4 1 2 1/3 1/5 1/7 0.043 F5 1/5 1/3 3 1/2 1 1/4 1/5 1/6 0.028 F6 1/2 3 6 3 4 1 1/3 1/5 0.131 F7 1 3 8 5 5 3 1 1/2 0.192 F8 3 5 9 7 6 5 2 1 0.251 表 4 随机一致性指标RI的取值Table 4. Value of random consistency index (RI)序号 1 2 3 4 5 6 7 8 9 10 RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49 2.2.3 评价标签体系建立
为提升 AHP 评价指标权重确定的灵活性与可靠性，引入半梯形分布函数，降低专家判断的绝对主观性。鉴于 AHP 评价指标相对关系常呈递增或递减趋势，采用半梯形分布函数模拟该趋势，助力构建更具解释力的评价体系。
降半梯形模型的隶属度为
$$ {L }{(X)_i} = \left\{ \begin{array}{*{20}{l}} 1& {X_i} \leqslant {X_{i{\mathrm{min}}}} \\ - \;\dfrac{{{X_i} - {X_{i{\mathrm{max}}}}}}{{{X_{i{\mathrm{max}}}} - {X_{i{\mathrm{min}}}}}} & {X_{i{\mathrm{min}}}}{{ < }}{X_i} < {X_{i{\mathrm{max}}}} \\ 0 & {X_i} \geqslant {X_{i{\mathrm{max}}}} \\ \end{array} \right. $$ (8) 升半梯形模型的隶属度为
$$ {L }{(X)_i} = \left\{ \begin{array}{*{20}{l}} 1 & {X_i} \leqslant {X_{i{\mathrm{min}}}} \\ \dfrac{{{X_i} - {X_{i{\mathrm{max}}}}}}{{{X_{i{\mathrm{max}}}} - {X_{i{\mathrm{min}}}}}} & {X_{i{\mathrm{min}}}}{{ < }}{X_i} < {X_{i{\mathrm{max}}}} \\ 0 & {X_i} \geqslant {X_{i{\mathrm{max}}}} \\ \end{array} \right. $$ (9) 对于降半梯形模型，隶属度越大，对满意度的贡献率越小；对于升半梯形模型，情况则相反。
煤层瓦斯预抽钻孔抽采效果评价满意值为
$$ P = \sum\limits_{i = 1}^8 {{w_i} } L ({X_i}) $$ (10) 将满意值的评语集分为优、良、中、差4类。
优：$ P \in \left( {0.75,{\text{ }}1} \right] $，煤层预抽钻孔抽采效果优，预抽效率高，钻孔间距合理，封孔状态良好，无漏气情况，抽采管路状态稳定，负压设置及管道布置合理，抽采浓度高，无需调整。
良：$ P \in \left( {0.5{\text{, 0}}{\text{.75}}} \right] $，煤层预抽钻孔抽采效果良好，预抽效率较高，各项指标符合国家要求，封孔状态良好，负压设置合理，抽采浓度达标。建议检查钻孔是否存在漏气，根据现场情况适当调节抽采负压。
中：$ P \in \left( {0.25{\text{, 0}}{\text{.5}}} \right] $，煤层预抽钻孔抽采效果一般，预抽效率偏低，存在漏气情况，负压设置需要调整，抽采浓度偏低，钻孔布置间距不合理，需要优化相关参数。
差：$ P \in \left[ {0{\text{, 0}}{\text{.25}}} \right] $，煤层预抽钻孔抽采效果差，预抽效率极低，抽采浓度严重不足，亟需对钻孔及抽采参数进行全面调整。
2.3 GMM
GMM是一种基于概率的聚类算法，假设每个簇都服从1个高斯分布，而数据集则是由这些高斯分布的线性组合所生成的。
假设数据集中的每个样本都是由1个高斯分布随机生成的，每个高斯分布对应1个簇，其参数为均值$ {{\boldsymbol{\mu}} _k} $、方差$ {{\boldsymbol{\varSigma}} _k} $和权重$ {{\alpha} _k}$，满足$ \displaystyle \sum\limits_{k = 1}^K {{\alpha _k} = 1} $。因此，GMM可以表示为
$$ p({\boldsymbol{x}}) = \sum\limits_{k = 1}^K {{\alpha _k}} G({\boldsymbol{x}}|{{\boldsymbol{\mu}} _k},{{\boldsymbol{\varSigma}} _k})x $$ (11) 式中：$ p({\boldsymbol{x}}) $为概率密度；$ {\boldsymbol{x}} $为样本数据点；K为簇的个数；$ G({\boldsymbol{x}}|{{\boldsymbol{\mu}} _k},{{\boldsymbol{\varSigma}} _k}) $为高斯分布的概率密度函数。
$$ G({\boldsymbol{x}}|{{\boldsymbol{\mu}} _k},{{\boldsymbol{\varSigma}} _k}) = \frac{{{{\mathrm{exp}}{\left( { - \dfrac{1}{2}{{({\boldsymbol{x}} - {{\boldsymbol{\mu}} _k})}^{\mathrm{T}}}{{{\boldsymbol{\varSigma}} }}_k^{ - 1}({\boldsymbol{x}} - {{\boldsymbol{\mu}} _k})} \right)}}}}{{{{(2{\text{π}} )}^{d{\text{/}}2}}\mid {{{{\boldsymbol{\varSigma}} }}_k}{\mid ^{1{\text{/}}2}}}} $$ (12) 式中：$ d $为样本维度；$ \mid {{{{\boldsymbol{\varSigma}} }}_k}\mid $为方差矩阵的行列式。
GMM的一个重要特征是不仅给出了每个样本属于哪个簇的最大似然估计，还给出了每个样本属于每个簇的后验概率。后验概率也称为隐变量，记为$ {\gamma _{nk}} $，表示第$ n $个样本属于第$ k $个簇的概率，n=1, 2$, \cdots , $N，N为样本总数。
$$ p(k\mid {\boldsymbol{x}}) = \frac{{p({\boldsymbol{x}}\mid k)p(k)}}{{p({\boldsymbol{x}})}} = \frac{{{\alpha _k}G(x\mid {{\boldsymbol{\mu}} _k},{{{{\boldsymbol{\varSigma}} }}_k})}}{{\displaystyle \sum \limits_{j = 1}^K {\alpha _j}G({\boldsymbol{x}}\mid {{\boldsymbol{\mu}} _j},{{{{\boldsymbol{\varSigma}} }}_j})}} $$ (13) 式中：$ p(k\mid{\boldsymbol{ x}}) $为样本给定簇的条件概率；$ p(k) $为簇的先验概率；$ p({\boldsymbol{x}}) $为样本的边缘概率。
2.4 K−Means聚类算法
K−Means是一种基于划分的聚类算法，假设每个簇由1个中心点和其周围的样本组成，而且每个样本只属于1个簇。K−Means的目标是找到一组簇中心，使得每个样本与其所属簇中心的距离之和最小，即最小化以下目标函数：
$$ J = \mathop \sum_k \mathop \sum \limits_{{\boldsymbol{x}} \in {C_i}} \parallel {\boldsymbol{x}} - {{\boldsymbol{\mu}} _k}{\parallel ^2} $$ (14) 式中：$ {C_k} $为第$ k $个簇；$ \parallel {\boldsymbol{x}} - {{\boldsymbol{\mu}} _k}\parallel $为样本$ \boldsymbol x $与簇中心$ {{\boldsymbol{\mu}} _k} $的欧氏距离。
2.5 PCA优化算法
煤层钻孔预抽数据共有8个评价指标，然而在高维空间中，数据点之间的距离变得更加稀疏，导致聚类算法的性能下降。通过PCA优化算法进行降维处理，以减少计算复杂度，提高算法效率。
1） 假设原始数据是一个$ N \times d $矩阵$ {\boldsymbol{X}} $，$ d $为维度。
2） 将每个特征的均值和方差分别设为0和1，使得数据在不同特征上具有相同的尺度。
$$ {X_{ij}} = \frac{{{X_{ij}} - \overline{{ X}}_j}}{{{\sigma _j}}} $$ (15) 式中：$ {X_{ij}} $为数据矩阵X中第i行第j列的元素；$ \overline{X}_j $为第j列的均值；$ {\sigma _j} $为第j列的标准差。
3） 计算数据的协方差矩阵：
$$ {\boldsymbol{S}} = \frac{1}{N}{{\boldsymbol{X}}^{\mathrm{T}}}{\boldsymbol{X}} $$ (16) 4） 计算协方差矩阵的特征值λ和特征向量v：
$$ {\boldsymbol{Sv}} = \lambda {\boldsymbol{v}} $$ (17) 5） 选择前m个最大特征值对应的特征向量作为数据的新坐标轴，构成一个d×m的投影矩阵W。
$$ {\boldsymbol{W}} = [{v_1}\;{v_2}\cdots {v_m}] $$ (18) 6） 将数据从原始坐标系转换到新坐标系，即将数据乘以投影矩阵，得到一个N×m的降维后的数据矩阵Y。
$$ {\boldsymbol{Y}} = {\boldsymbol{XW}} $$ (19) 3. 钻孔抽采评价结果
利用AHP−FEM对10个瓦斯抽采样本进行特征标记，并与剩余91个未标记的样本混合，采用PCA进行优化处理后，分别利用SSGMM和SSK−Means算法进行聚类分析，最终聚类结果如图4和图5所示。
SSGMM和SSK−Means聚类算法将钻孔抽采数据分为4个聚类。相较于SSK−Means，SSGMM的聚类结果阴影面积更小，聚类密度更大。其中，聚类1（蓝色）最密集，聚类2（粉色）最分散，可能受到噪声或异常值的影响。
采用无监督学习中广泛应用的最大聚集度（MVCR）和修正 Rand 指数（ARI）[30]验证训练结果。
$$ {\mathrm{MVC}}{{\mathrm{R}}} = \frac{{{\mathrm{max}}\left\{ {{n_{pk}},k \notin {\varTheta _p}} \right\}}}{{\displaystyle \sum\limits_k {{n_{pk}}} }} \times 100\text{%} $$ (20) $$ {\mathrm{ARI}} = \frac{{\displaystyle \sum\limits_{pk} {\left[ \begin{gathered} {n_{pk}} \\ 2 \\ \end{gathered} \right]} - \dfrac{{2ab}}{{N(N - 1)}}}}{{\dfrac{1}{2}(a + b) - \dfrac{{2ab}}{{N(N - 1)}}}} \times 100\text{%} $$ (21) 式中：$ {n_{pk}} $为第 p 类样本被聚集到第 k 个分量中的样本个数；$ {\varTheta _p} $为已经被其他类别占据的聚类分量集合；a为在真实标签和聚类结果中都被分配在同一类簇的样本对个数；b为在真实标签和聚类结果中都被分配在不同类簇的样本对个数。
聚类算法的评价指标及分类个数见表5。
表 5 聚类算法的评价指标及分类数Table 5. Evaluation indicators and classification numbers of clustering algorithms算法 MVCR/% ARI/% 分类个数 簇1 簇2 簇3 簇4 SSGMM 82.64 85.83 54 6 15 26 SSK−Means 59. 10 71.27 69 6 7 19 从表5可看出，SSGMM和SSK−Means的聚类结果存在一定差异。GMM在MVCR和ARI指数上表现优于SSK−Means，分别达到82.64%和85.83%。这是由于SSGMM能够针对不同类别的数据采用高斯分布建模，更能适应实际数据的分布特征，从而获得更加稳定和有效的聚类结果。在聚类数量方面，第3簇的差异最为显著，SSGMM聚类为15个，SSK−Means为7个，然而两者总体差异并不显著。针对325—425号钻孔2024年3月2日抽采数据，2种算法的评价分类结果如图6和图7所示。
![]()
图 7 SSK−Means算法的钻孔评价结果Figure 7. Evaluation results of boreholes using SSK-Means algorithm结果表明，2种算法评价结果高度一致，说明聚类方法能有效区分钻孔抽采效果。经计算，试验钻孔抽采效果优良率方面，SSGMM 算法为 59.41%，SSK−Means 算法为 74.26%，总体抽采效果良好。针对优、良、中、差评语集的相似率分析显示，“优”评语集相似率最低（46.67%），“差”评语集相似率最高（100%）。这表明2种算法在区分抽采效果较好与较差钻孔时准确性高，但区分优秀抽采效果时存在差异，或因聚类结果不同所致，这可能是由于SSGMM 需计算每个样本对所有簇的概率密度，而SSK−Means需计算样本与簇中心的欧氏距离，无复杂矩阵运算。由此可见，SSGMM与 SSK−Means 在瓦斯抽采评价中形成互补关系：SSGMM 以复杂计算换取高精度，适合精准分析及离线分析场景；SSK−Means 以简单快速满足工程实时性需求。实际应用中需结合数据特性、硬件条件、场景需求灵活选择，或通过混合模型实现平衡。
各钻孔具体评价结果见表6。
表 6 煤层瓦斯预抽钻孔评价结果Table 6. Evaluation results of coal seam gas pre-extraction boreholes模型 钻孔编号 优 良 中 差 SSGMM 425, 419, 414, 411, 410,
400, 399, 391, 373,
363, 361, 358, 359,
357, 325424, 415, 408, 407, 406, 405, 404, 403, 402, 401, 397, 394, 389, 388, 387, 386, 384, 383, 382, 379, 378, 377, 375, 372, 371, 370, 368, 364, 362, 360, 356, 355, 354, 352, 351, 350, 349, 348, 347, 346, 345, 342, 341, 340, 339, 338, 337, 336, 335, 334, 333, 331, 330, 329 423, 422, 421, 420, 417, 416,
413, 412, 409, 398, 393, 385,
381, 380, 376, 374, 369, 367,
366, 365, 353, 344, 343, 332,
327, 326418, 396, 395, 392, 390, 328 SSK−Means 425, 410, 400, 399,
391, 363, 358424, 421, 419, 417, 415, 414, 411, 408, 407, 406, 405, 404, 403, 402, 401, 397, 394, 389, 388, 387, 386, 384, 383, 382, 379, 378, 377, 375, 373, 372, 371, 370, 368, 367, 364, 362, 361, 360, 359, 357, 356, 355, 354, 352, 351, 350, 349, 348, 347, 346, 345, 344, 343, 342, 341, 340, 339, 338, 337, 336, 335, 334, 333, 331, 330, 329, 327, 326, 325 423, 422, 420, 416, 413, 412,
409, 398, 393, 385, 381, 380,
376, 374, 369, 366, 365, 353,
332418, 396, 395, 392, 390, 328 4. 应用建议
针对评价结果，对结果为“优”的钻孔布控参数进行了详细分析，并将这些参数设置经验应用于结果为“差”的钻孔。同时，仔细检查了“差”钻孔的抽采状态，结果见表7。
表 7 状态为“差”的钻孔缺陷Table 7. Borehole defects with the "poor" status孔号 堵孔 负压不合理 漏气 封孔不佳 418 √ √ √ 396 √ √ 395 √ 392 √ √ √ √ 390 √ √ 328 √ √ 对这些钻孔进行改进，施工现场如图8所示。以4月1日的数据为蓝本，于4月2日对数据进行了重新评价，评价结果如图9和10所示。4月2日的评价结果表明，进行优化调整后，原先评价为“差”的钻孔抽采效率明显提升，利用SSGMM与 SSK−Means进行再评价，优良率分别提高了5.80%和5.26%，补差率达100%。这一优化显著缩短了预抽时间，降低了瓦斯灾害和井下采掘失衡的风险。
通过本文的评价模型，评价为“优”的钻孔可总结其成功经验，指导未来的钻孔布置和抽采策略；对于评价为“良”的钻孔，进行小幅优化以进一步提升抽采效率；对于评价为“中”的钻孔，需分析存在的问题，制定改进方案，如调整抽采参数或优化布孔位置；对于评价为“差”的钻孔，进行全面原因分析，可能需要重新布孔或采用其他抽采方法，以确保瓦斯治理效果。
![]()
图 10 SSK−Means算法钻孔再评价结果Figure 10. Re-evaluation results of boreholes using SSK-Means algorithm5. 结论
1） 提出了一种基于半监督学习的煤层钻孔预抽瓦斯状态评价方法，融合AHP与FEM对少量样本进行特征标记，利用PCA优化算法进行特征降维，借助 GMM 和 K−Means 聚类器对混合样本聚类，实现对单一钻孔抽采状态的精细化评价。
2） SSGMM和SSK−Means评价模型针对目标样本的优良率分别为59.41%和74.26%。SSGMM的MVCR和ARI更高，聚集度更好；SSK−Means则效率更高，计算复杂度低。SSGMM与 SSK−Means 在瓦斯抽采评价中形成“精度−效率”的互补关系。初期数据量少时，优先使用 SSGMM 挖掘潜在模式；后期数据积累后分布趋于稳定，可切换至SSK−Means 提升效率。
3） 结合SSGMM和SSK−Means可以很好地对煤层瓦斯预抽钻孔实现分级评价，从而根据评价结果针对性地对钻孔进行调控，调控后钻孔抽采效果优良率提高了5.26%～5.80%，补差率高达100%。
4） 数字驱动的钻孔抽采参数优化是一个值得深入研究的课题，未来将重点探讨数字孪生体系中评价结果反馈与调控措施对抽采效率的影响。
下载:
计量
- 文章访问数: 78
- HTML全文浏览量: 11
- PDF下载量: 13
