TensorFlow在槽波探测煤厚技术中的应用.docx

该【TensorFlow在槽波探测煤厚技术中的应用 】是由【科技星球】上传分享，文档一共【10】页，该文档可以免费在线阅读，需要了解更多关于【TensorFlow在槽波探测煤厚技术中的应用 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。TensorFlow在槽波探测煤厚技术中的应用
 
 
摘要:煤厚探测是采煤工作面回采前的一项重要工作,对煤矿安全高效生产具有重要影响。采用物探方法无法直接测量煤厚,只能通过槽波传播速度、频率和吸收衰减系数等属性间接实现对煤厚的探测。问题在于这种间接探测方法需建立属性与煤厚之间的换算关系,而实际应用中这种关系是难以建立的。本文通过采用Googel人工智能系统TensorFlow深度学台搭建了多层神经网络,并利用该网络通过训练学习获得了槽波吸收衰减系数和煤层厚度之间的非线性关系,进而获得了整个采煤工作面内的煤层厚度分布。
Keys:TensorFlow;槽波;煤厚探测;神经网络
::A:
ApplicationoftensorflowincoalthicknessdetectionbyIn-seamwave
LIUHaidong
InnerMongoliaAlxaLeagueTianrongCoalCompany,Wuhai016000,China
Abstract:Coalthicknessdetectionisanimportantworkbeforeminingincoalface,,butcanonlybedetectedindirectlybyattributessuchaspropagationspeed,frequencyandabsorptionattenuationcoefficientofin-,,amultilayerneuralnetworkisbuiltbyusingthetensorflowdeeplearningplatformofgoogelartificialintelligencesystem,andthenonlinearrelationshipbetweentheabsorptionattenuationcoefficientofthein-seamwaveandthethicknessofthecoalseamisobtainedbyusingthenetworkthroughtrainingandlearning,andthenthethickness
distributionofthecoalseaminthewholecoalfaceisobtained.
Keywords:TensorFlow;In-seamwave;coal-thicknessdetecting;neuralnetwork
近年来,随着计算机性能的快速发展,深度学习取得了突破性进展,并被广泛应用到各个领域。特别是在2015年底,Google完成了“第二代机器学习系统”TensorFlow的开发并开源后,越来越多的学者开始在TensorFlow平台上使用深度学习解决各类科学技术问题:人脸识别[1][2]、图形图像[3-8]、分类识别[9-12]、数据预测[13-17]等。
在地震数据处理方面,中石化南京物探院赵改善教授在TensorFlow平台上利用深度学习进行了不少试验,如地震道插值、噪音压制、初至拾取、地震反演、测井参数三维建模等等,且取得了很好的应用效果。
1槽波探测煤厚
煤矿回采工作面形成后需要对工作面内的地质构造、煤层厚度等进行探测,以便提前制定回采方案,降低事故风险,其中矿井槽波勘探技术是解决这一问题的最好选择。
近几年很多学者研究了槽波探测煤厚的方法[18-22]。槽波探测技术对煤厚的探测是间接的,无法直接测量煤层厚度。其主要的探测原理是槽波在经过不同厚度的煤层时其波场特征表现出很强的差异性,这种差异有较强的规律性:薄煤层时相同频率的传播速度要高于厚煤层,槽波的吸收衰减也相对较快。基于这
种规律性,通过反演工作面内的槽波传播速度或振幅衰减系数等属性即可间接地反映出煤层厚度的变化。
这种定性探测难以满足实际要求,需要将槽波属性转换成煤层的厚度,这就要求给出槽波属性和煤层厚度之间的转换关系。槽波速度与煤层厚度的关系可由频散方程给出,存在的问题是频散特征通常由顶板、底板、煤层和夹矸等介质的物性参数以及槽波的类型和阶数控制,实际应用时这些参数是很难给出的。而相比于槽波速度,槽波的吸收衰减系数和煤厚之间的关系则无法给出。
在实际处理时,通常利用曲线拟合的方法建立巷道素描图中钻探直接测量获取的煤厚值和其对应位置处的槽波波场属性值之间的关系,然后利用这种关系将反演的槽波属性转换成煤厚。这种方法的问题是传统的曲线拟合需要事先给定函数形式,然后才能通过待定系数求取函数中的系数。拟合的效果很大程度上受事先给定的函数形式的影响,而实际中通常难以看出煤厚和槽波属性之间所满足的函数形式,常用的多项式拟合非常容易出现过拟合或欠拟合情况,且人工难以判定。
2网络搭建及数据测试
与传统曲线拟合不同,神经网络则不需事先定义拟合函数,尽管也存在过拟合和欠拟合问题,但较容易控制(比如加入正则化和Dropout,也可直接减少隐藏层数目)。因此下面采用TensorFlow平台编制神经网络程序来建立槽波波场属性和煤层厚度之间的非线性关系。
搭建如图1所示的神经网络结构:该结构共有1个输入层,1个输出层,中间有三层隐藏层,输入层节点数由单样本变量数确定为1,输出层同样也为1,隐藏层的节点数设置为10,激活函数采用的是sigmoid函数,学习率设置为
,迭代次数为30000次,训练样本数为57(输入为工作面两侧巷道煤厚测量点处的槽波衰减系数,期望输出为对应点位置处的实测煤厚值)。训练耗时10秒后得到的槽波衰减系数和煤层厚度之间的非线性关系如图2所示(衰减系数经过了min-max标准化),图3为随着迭代次数增加损失函数值的下降情况。
从图2可以看出,构建的关系曲线(图中红色曲线)与样本值吻合得比较好,表明所搭建的神经网络较好地建立了槽波衰减系数与实测煤厚值之间的转换关系,也表明后续用该转换关系得到的煤层厚度分布可靠性较好。
图3显示的损失函数收敛曲线看出,所建立的神经网络具有较好的收敛性能,在500次迭代后即基本满足要求。
最后用训练学习后的模型将整个工作面槽波属性数据转换成煤层厚度数据,转换前的槽波吸收系数和转换后的煤层厚度分别如图4和图5。
(TensorBoard显示)


图4. 槽波吸收系数

3结论
利用TensorFlow平台,可很容易地搭建出深度神经网络模型来构建煤矿工作面两侧巷道的槽波衰减系数和煤层厚度之间的非线性关系,获得两者之间的模型表达,进而将其应用到整个工作面的槽波衰减系数,获得工作面内煤层厚度场。
相对于常规的反演方法,无须事先给定两者之间的函数关系,因此这种方法也具有更好的实用性。
Reference:
[1]程丹婷,梁冀,潘小芳,[J].信息记录材料,2019,20(04):241-243.
[2]杨金达,曹凯博,李春桥,[J].信息与电脑(理论版),2019(05):124-125+128.
[3]姜华,[J].计算机时代,2019(06):71-75.
[4][D].浙江工业大学,2019.
[5]邢艳芳,段红秀,[J].计算机技术与发展,2019,29(05):192-196.
[6][J].无线互联科技,2018,15(21):111-112+130.
[7]曹大有,、精准的图像分类器[J].汉江师范学院学报,2017,37(03):27-32.
[8][D].浙江大学,2017.
[9]李宁安,张剑,[J].舰船电子工程,2019,39(05):26-29.
[10]李兵,易嘉闻,黄锋,晏鹏程,张一鸣,吴健辉,[J].成都工业学院学报,2018,21(04):28-33.
[11][D].华东师范大学,2018.
[12][D].天津工业大学,2018.
[13]刘俊利,何波,[J].现代计算机,2019(14):26-29+33.
[14][J].上海节能,2018(12):974-977.
[15]张春露,[J].重庆理工大学学报(自然科学),2018,32(08):137-141.
[16]韩山杰,[J].计算机应用与软件,2018,35(06):267-271+291.
[17]赵月爱,[J].太原师范学院学报(自然科学版),2019(02):44-48.
[18][J].内蒙古煤炭经济,2018(06):49+72.
[19]郝会安,[J].能源技术与管理,2018,43(01):7-9.
[20]李松营,廉洁,滕吉文,冯磊,姚小帅,刘国栋,王康,[J].煤炭学报,2017,42(03):719-725.
[21][D].中国矿业大学,2016.
[22]王继来,杨开珍,崔伟雄,牛欢,[J].科技视界,2014(30):297-299.
3
 
-全文完-