申请/专利权人：北京龙软科技股份有限公司

申请日：2023-05-26

公开（公告）日：2024-03-12

公开（公告）号：CN116738226B

主分类号：G06F18/214

分类号：G06F18/214;G06Q50/02;G06N3/0499;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2023.09.29#实质审查的生效;2023.09.12#公开

摘要：本发明提供一种基于自可解释注意力机制网络的瓦斯涌出量预测方法，涉及煤矿安全生产领域。该方法采用瓦斯溯因前馈网络和瓦斯推理前馈网络，并结合联合预测损失计算公式。该方法在预测工作面瓦斯浓度的同时，结合了影响工作面瓦斯浓度的特征因素，并给出了瓦斯浓度变化的逻辑解释。瓦斯溯因前馈网络采用注意力机制的前馈过程，完成工作面涌出瓦斯浓度历史序列到影响工作面瓦斯涌出浓度因素的溯因传播；瓦斯推理前馈网络采用注意力机制神经网络的前馈过程，完成影响工作面瓦斯涌出浓度因素到工作面涌出瓦斯浓度预测序列的推理传播。该方法利用梯度下降算法端到端的实现两段因果损失的联合计算，不仅提高了预测精度，还自解释了预测结果。

主权项：1.一种基于自可解释注意力网络的瓦斯涌出量预测方法，其特征在于，所述瓦斯涌出量预测方法包括：获取矿井中的工作面瓦斯监控监测数据，得到工作面瓦斯涌出浓度的历史序列；获取矿井中的工作面瓦斯浓度历史影响因素数据，所述工作面瓦斯浓度历史影响因素包括：煤层厚度、瓦斯含量、推进速度、断面风速；对所述工作面瓦斯浓度历史影响因素和所述工作面瓦斯涌出浓度的历史序列进行预处理，并构建瓦斯溯因前馈网络，所述瓦斯溯因前馈网络表征所述工作面瓦斯涌出浓度的历史序列到影响工作面瓦斯涌出浓度因素的溯因传播；以任一样本进行训练的过程中，对所述瓦斯溯因前馈网络采用注意力机制神经网络的前馈过程，结合专家经验规则干预中的前馈训练中断、前馈结果输出展示、根据预设规则过滤训练样本和修改样本标签以及恢复前馈训练，对所述瓦斯溯因前馈网络的参数更新，进而对训练的样本进行筛选，以及对所述瓦斯溯因前馈网络输出的前馈结果进行修正，所述前馈结果为工作面瓦斯涌出浓度的影响因素序列结果；将所述前馈结果作为输入，以下一时间步长的工作面瓦斯涌出浓度序列作为输出，构建瓦斯推理神经网络；对所述瓦斯推理神经网络采用注意力机制神经网络的前馈过程，进行所述工作面瓦斯涌出浓度的影响因素序列到工作面瓦斯未来浓度预测序列的推理传播，以完成所述工作面瓦斯涌出浓度的历史序列到影响工作面瓦斯涌出浓度的影响因素序列，再到所述工作面瓦斯未来浓度预测序列的两段前向传播；联合所述瓦斯溯因前馈网络与所述瓦斯推理神经网络的两段前馈损失，采用梯度下降算法，完成反向传播；所述瓦斯溯因前馈网络的前馈损失函数为：设为瓦斯溯因前馈网络的均方误差，其前馈损失函数计算方式如下： 上式中，为瓦斯溯因前馈网络的样本个数，为第个样本，为第个工作面瓦斯涌出浓度的影响因素序列的样本标签，为第个工作面瓦斯涌出浓度的影响因素序列的样本预测值；所述瓦斯推理神经网络的前馈损失函数为：设为瓦斯推理神经网络的均方误差，其前馈损失函数计算方式如下： 上式中，为瓦斯推理神经网络的样本个数，为第个样本，为第个工作面瓦斯未来浓度预测序列的样本标签，为第个工作面瓦斯未来浓度预测序列的样本预测值；所述瓦斯溯因前馈网络与所述瓦斯推理神网络两者的前馈损失之和为自可解释性瓦斯浓度序列预测的损失，其计算公式如下： 上式中，CovMSE表示联合损失，即所述前馈损失之和。

全文数据：

权利要求：

百度查询： 北京龙软科技股份有限公司 一种基于自可解释注意力网络的瓦斯涌出量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD