一种基于多模态迁移学习的煤与瓦斯突出风险可解释集成预警方法

《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》：An explainable integrated early-warning method for coal and gas outburst risk based on multimodal transfer learning

　　

摘要

煤与瓦斯突出可靠且可解释的早期预警仍然具有挑战性，原因在于监测数据噪声大、时间序列指标与非时间参数之间存在异构性、突出样本稀疏以及地质条件差异显著。现有的统计方法和深度学习方法难以在噪声大、异构的跨场景条件下捕捉声发射（AE）、电磁辐射（EMR）和瓦斯信号之间相互耦合的前兆关系，通常只能提供基于概率的预警，而无法给出与机理一致的解释。为解决上述局限，本研究提出了一个集成框架。首先，提出一种结合离散傅里叶变换、鲸鱼优化算法和带噪声的层次密度空间聚类（HDBSCAN）的自适应去噪方法，在抑制干扰的同时保留AE和EMR动态特征。统计分析识别了瓦斯动力事件之前的前兆响应特征。其次，基于TimeCMA的多模态预测模型利用跨模态对齐预测AE、EMR和瓦斯信号的短中期演化。利用现场监测数据，该模型在32步、64步和128步预测步长下的平均绝对误差分别为0.0312、0.3775和0.4152，均方误差分别为0.0035、1.7002和0.7448。第三，基于迁移学习的预警模型将多尺度时序统计特征嵌入结构化提示中。将预测表征迁移至预警分类任务中，以缓解标注突出风险样本稀缺和不平衡的问题。该模型准确率为0.976，F1分数为0.972，受试者工作特征曲线下面积为0.968，贵州和四川煤矿的现场验证证实了其泛化能力。最后，从标准、文献和案例报告中构建了煤与瓦斯突出知识图谱。通过将基于SHAP的时序归因与非时间煤层参数相结合，利用图检索增强生成（GraphRAG）的轻量化大语言模型生成有据可依且与机理一致的风险演化解释。对比评估表明，知识图谱增强模型在因果一致性、领域特异性和场景适应性方面均优于基线模型。总体而言，该框架为有限标注样本条件下的主动式煤与瓦斯突出预警提供了一种可部署的范式，通过前兆表征迁移、模型归因和领域知识支持的决策，实现精准预测、稳健预警和机理一致的解释。

引言

煤炭仍然是全球能源格局中的关键组成部分[1,2,3,4,5]。随着浅部煤炭储量的枯竭，深部开采已成为煤炭资源开发的必然方向。开采深度的增加导致地质条件更加复杂，而高地应力和高瓦斯压力则增加了煤与瓦斯突出的风险，造成严重的人员伤亡和经济损失[6,7,8]。减少异常数据的影响、识别瓦斯动力灾害前多种监测指标的反应模式，并实现智能多指标预测、可解释预警和精准决策，对于有效防范突出风险至关重要。

地质构造、煤层特性、瓦斯条件和煤体特征均会影响煤与瓦斯突出。在突出风险演化过程中，煤岩体中的应力、瓦斯压力和变形破裂过程可能发生动态变化[9,10,11,12,13]。早期研究采用静态指标（如钻孔钻屑量[14]、瓦斯解吸指标[15]、坚固性系数[16]、透气系数[17]和钻孔初始瓦斯涌出速度[18]）来评估突出危险性。然而，获取这些传统指标需要现场操作和测试，过程劳动强度大、耗时长，对测量位置和人为因素高度敏感，不适合实时监测。随着监测技术的进步，基于瓦斯涌出量和浓度测量的动态传感方法[19]、电磁辐射（EMR）[20]、声发射（AE）[21,22]和微震活动[23]被越来越多地用于追踪突出的演化风险[24,25]。其中，微震监测对岩爆等高能量脆性破坏更为敏感，但对以瓦斯为主导的破坏机理效果较差。相比之下，AE和EMR信号，特别是与瓦斯浓度数据结合后，能够持续捕捉煤岩系统中的应力积聚、裂隙扩展和瓦斯释放行为，使其成为实时突出预警应用的关键[26,27,28]。然而，AE和EMR信号容易受到高噪声和环境干扰的污染。现有矿井监测实践仍主要依赖统计趋势分析[29]、基于阈值的规则[30]或证据链融合方法[31]。这些方法难以融合多源指标，无法表征应力-裂隙-瓦斯的耦合演化，并且在异构地质和瓦斯赋存条件下的泛化能力较差，往往导致漏报或误报。

随着计算能力的提升，深度学习技术被越来越多地应用于实时突出预警。煤体坚固性系数、瓦斯压力、瓦斯含量或浓度、EMR和AE等指标已被纳入包括TabNet[32]、HPO-BiLSTM[33]、物理信息神经网络[34]和ETO-TSMixer[35]等模型中，以学习突出相关特征。其他研究将EMR和AE信号转换为频域图像[36]，并使用基于CNN的模型[31]识别异常频谱区域以实现突出识别。尽管这些方法加深了对前兆行为的理解，但大多数现有方法要么依赖表格模型融合非时间参数，要么使用神经网络联合处理多源时间序列数据。非时间煤层参数的固有稀疏性和低更新频率限制了此类融合的有效性，使其难以捕捉异构模态间应力、裂隙和瓦斯过程的耦合演化。此外，在真实工程实践中突出样本稀缺，且不同矿井间地质和瓦斯赋存条件差异显著。因此，这些方法的迁移性仍不确定。此外，这些模型通常只输出预警概率，而无法提供具有物理意义的解释，降低了工程部署中的可信度。近期大语言模型（LLM）的进展展示了强大的知识集成、跨模态表征和迁移学习能力，为解决小样本和跨场景挑战提供了新机遇。因此，利用LLM增强预警系统的鲁棒性、泛化性和可解释性已成为智能煤矿灾害防治的新兴研究方向。

近期大语言模型（LLM）的进展在医疗保健[37]、自然灾害评估[38]和消防安全[39]等领域展示了增强可解释性和知识推理的强大潜力。在煤矿安全研究中，近期研究也开始探索基于多模态监测证据和工程知识库的LLM辅助解释和决策支持。然而，这些研究仍主要面向决策支持原型，其在快速变化的工作面条件下实时预警的鲁棒性和效率尚未得到充分验证[40,41,42]。LLM的领域适应通常通过面向任务的提示设计[43]、参数微调[44]或检索增强生成（RAG）[45]来实现。然而，仅凭提示工程无法可靠地约束幻觉，轻量化模型往往缺乏足够的领域接地。微调可能破坏内部知识结构，且需要大量策划数据，这在高度专业化的工程场景中通常难以获得。传统RAG方法也存在检索深度浅和跨文档推理能力有限的问题，无法构建煤与瓦斯突出分析所需的细粒度、机理一致的知识[46]。尽管基于LLM的可解释性引起了越来越多的关注，但其在煤岩瓦斯动力灾害实时监测中的应用仍然有限。更根本的是，现有研究通常将多指标预测、风险预警和解释推理视为分离或弱耦合的任务：预测模型主要致力于降低数值预测误差，预警模型通常直接在稀缺的标注灾害样本上训练，而LLM辅助解释通常作为事后生成步骤执行。因此，从丰富的监测序列中学到的可迁移前兆表征很少被用于支持稀疏标签预警，AE-EMR-瓦斯监测中的异构时序证据也未能与有效链接至非时间煤层参数，形成一个可部署的、证据约束的解释框架。因此，关键的方法论差距在于缺乏一个耦合的预测-预警-解释框架，该框架能够在有限的现场计算条件下支持稀疏标签的风险识别并提供机理一致的解释。

为解决这一方法论差距，本研究开发了一个面向煤与瓦斯突出预警的证据对齐预测-预警-解释框架。该框架围绕两个耦合机制构建：预测到预警的表征迁移和证据约束的解释推理。具体而言，多模态AE-EMR-瓦斯预测作为源任务，从丰富的监测序列中学习可迁移的前兆表征，然后将这些表征适配到稀疏标签的突出风险分类中。这一设计与直接在有限标注灾害样本上训练的常规预警模型不同。此外，多尺度统计前兆描述符被嵌入结构化提示中，以提供与机理相关且跨矿井可比较的分布特征。对于解释方面，SHAP导出的时序归因、GraphRAG检索的机理证据和非时间煤层参数被共同组织为结构化证据，供轻量化LLM使用，从而实现模型一致、机理接地和位点感知的解释。现场应用表明，该框架显著提高了突出风险识别的准确性、鲁棒性和可解释性，为智能矿井灾害预警提供了实用且科学坚实的基础。与分别执行数值预测、风险预警和后续解释的传统流程相比，本框架利用预测导出的前兆表征支持稀疏标签预警，并通过模型归因、图检索领域证据和位点特定的煤层参数约束生成的解释；相应地，第2节介绍数据预处理和前兆分析，第3节详述迁移学习预警模型和基于GraphRAG的解释模块，第4节利用现场数据验证框架，第5节讨论其工程意义和局限性。

分节摘要

瓦斯浓度序列的常规异常校正

由于校准尖峰、非物理的突变波动和因断电导致的缺失段，瓦斯浓度数据偶尔会出现异常。应用标准统计滤波和多元插补（MICE）来去除这些异常，确保在后续噪声抑制和特征提取之前实现时间连续性。

AE-EMR信号的自适应去噪与平滑方法

为提高AE-EMR监测信号的质量和稳定性以支持后续预测和预警，本研究提出了一种自适应去噪和...（原文截断）

面向稀疏标注的先进可解释煤与瓦斯突出预警方法

为实现所提出的框架，第3节描述了面向稀疏标签预警的基于预测的表征迁移策略和证据约束的解释模块。如图3所示，首先使用AE、EMR和瓦斯浓度序列训练TimeCMA预测主干，以学习可迁移的前兆动态。然后将学到的表征适配到突出风险分类中，同时将SHAP归因、GraphRAG检索的知识以及位点特定的...（原文截断）

场地描述、监测布设与数据集构建

在四个矿井的四个掘进工作面部署了GDD12煤岩动力灾害声-电磁监测系统，其中三个位于中国贵州省六盘水市，一个位于中国四川省泸州市。每个掘进工作面安装一套监测单元；因此，共使用了四台声发射传感器和四台电磁辐射传感器，瓦斯浓度则从各工作面相应的瓦斯监测通道获取。传感器...（原文截断）

讨论

煤与瓦斯突出预警的核心挑战源于多源监测信号中的大量噪声、指标间的复杂相互依赖关系、风险样本的稀疏性以及原位开采环境中快速变化的时空条件。在此背景下，所提出框架的价值不仅限于各组件的性能提升，其主要方法论作用在于连接三个通常被分别处理的任务：（原文截断）

结论

本研究开发了一个大语言模型驱动的框架，用于煤与瓦斯突出的预测、预警、风险解释和决策生成。该框架集成了自适应去噪与平滑、多模态协同预测、基于迁移学习的融合预警和知识图谱增强的生成。其科学贡献在于将AE、EMR和瓦斯预测中学到的前兆表征迁移到稀疏风险识别，并将...（原文截断）

CRediT作者贡献声明

刘承飞：写作——审阅与编辑，写作——初稿撰写，验证，方法论，概念化。汪恩远：验证，方法论，数据管理。李中会：监督，资源，经费获取。刘晓飞：验证，数据管理。李宝林：数据管理。

出版同意

已获取研究中所有个体参与者的知情同意。作者确认人类研究参与者已就出版提供知情同意。

利益冲突声明

作者声明不存在已知的可能影响本文工作的竞争性经济利益或个人关系。

致谢

本研究得到江苏省研究生研究与实践创新计划（项目编号：26CXJH4961）、中国矿业大学研究生创新计划（项目编号：2026WLKXJ035）、国家重点研发计划（项目编号：2022YFC3004705）、国家自然科学基金（52304260）和山西省重点研发计划（202402100101002）的支持。作者感谢编辑和匿名审稿人的宝贵建议...（原文截断）

刘承飞 | 汪恩远 | 李中会 | 刘晓飞 | 李宝林