煤田地质与勘探

作者：陈卫明, 王家文, 凡东, 郝世俊, 赵江鹏, 邱雨,

关键词：矿山救援, 钻进过程, 预警预测, XGBoost, PSO-LSTM, 机器学习, 井涌井漏,

为解决矿山应急救援钻孔作业过程中井涌井漏事故预警预测困难等问题，建立了基于机器学习的钻进过程井涌井漏事故预警预测模型。首先对井涌井漏事故发生初期时的钻进参数进行事故表征参数分析；其次对事故表征参数进行数据清洗处理，在此基础上，通过XGBoost事故诊断预警模型对井涌井漏事故进行早期诊断识别；随后建立PSO-LSTM事故发展预测模型，对事故发生后的孔底压力参数发展趋势进行预测，提前掌握钻进事故发展状态；最后通过实际钻进数据对预警预测模型的有效性进行验证。结果表明：XGBoost事故诊断预警模型能根据总池体积、立管压力、出入口流量差和动力头负荷这4种钻进参数的异常变化，快速准确诊断钻进过程中的井涌井漏事故；PSO-LSTM事故发展状态预测模型能充分学习孔底压力参数发展规律，综合 E_\mathrmMAP 、 E_\mathrmMA 、 E_\mathrmRMS 、 R^2 这4项误差评价指标，PSO-LSTM模型相较于BP、RNN、SVM模型的预测性能最佳，能准确预测事故发生之后的孔底压力发展趋势，提前掌握井涌井漏事故的严重程度和发展态势。研究结果丰富了钻进过程井涌井漏事故预警预测方法，提高了矿山事故地面救援的可靠性，对矿山应急救援钻孔作业过程中事故控制有着借鉴与指导作用。

来源：2024年第3期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2024年第3期