基于物理增强全局-局部Transformer-LSTM的煤矿瓦斯抽采钻孔漏气分级方法

《Scientific Reports》：Graded identification of air leakage in coal-mine gas drainage boreholes using a physics-augmented transformer–LSTM framework

　　

摘要

煤矿瓦斯抽采钻孔中的漏气会降低甲烷浓度和抽采效率，但由于微弱的漏气特征容易被噪声和工作条件变化所掩盖，可靠的漏气分级仍然困难。本研究提出了一种物理增强的全局-局部Transformer-LSTM（GL-TransLSTM）框架，用于对正常、轻微、中等和严重漏气进行分类。四个等级通过井下控制试验定义，具体方法是将暴露于矿井环境空气的抽采支管阀门开度分别设置为0%、10%、50%和100%。采用自适应噪声完备集合经验模态分解（CEEMDAN）对抽采负压、甲烷浓度、气体流量和声强四个同步信号进行多尺度分解。基于有效甲烷流量和压力-流量-浓度耦合的残差被纳入作为具有物理意义的辅助特征。平行的Transformer和LSTM分支通过自适应门控融合捕获全局依赖关系和局部转换，而仅在训练期间使用的由粗到细分类器和状态连续性正则化改善了相邻等级之间的区分度。该框架在由492段不间断监测段生成的3900个窗口上进行评估，数据在生成窗口之前按监测段划分以防止时序泄漏。在五次独立运行中，平均准确率和宏F1值分别为90.26 ± 0.41%和90.38 ± 0.37%。在用于各类别详细分析的第三次运行中，轻微、中等和严重漏气的召回率分别为89.00%、90.00%和92.22%。在测试配置下，从输入到分类的实测处理时间约为每个窗口6.7毫秒，包括特征生成和分类，但不包括外部数据采集、通信、存储和可视化延迟。这些结果支持了GL-TransLSTM在所测试配置下进行准实时分级漏气监测的可行性。