一种基于多图融合的隧道瓦斯浓度预测方法技术

本发明专利技术提供一种基于多图融合的隧道瓦斯浓度预测方法，包括：获取每个监测点的瓦斯浓度序列并进行时间片段分片，合并形成浓度分段序列矩阵；构建监测点关联的多语义瓦斯浓度空间关系融合图；将多语义瓦斯浓度空间关系融合图输入至完成训练的图神经网络，对浓度分段序列矩阵进行空间相关性特征提取，获取各监测点的空间关系表示向量；利用完成训练的循环神经网络进行时空特征挖掘；利用完成训练的适用于分片预测的分段式注意力网络以及循环神经网络的解码器得到每个监测点将来某个预测时间段的瓦斯浓度表示向量，通过预测网络进行瓦斯浓度预测。能够自适应地、动态地学习监测点之间时空相关关系，提升了瓦斯浓度预测效果，进而保障施工安全。而保障施工安全。而保障施工安全。

【技术实现步骤摘要】
一种基于多图融合的隧道瓦斯浓度预测方法


[0001]本专利技术涉及瓦斯浓度预测
，尤其涉及一种基于多图融合的隧道瓦斯浓度预测方法。

技术介绍

[0002]随着国家交通基础设施的不断规划和建设，崎岖陡峻、沟谷交错的山地地形特征导致山区交通道路的隧道和桥梁比例增大、分布集中。随着隧道总量增大，越来越多的隧道穿越油气盆地、煤系地层等瓦斯积聚区山脉，瓦斯问题日益突出。隧道瓦斯涌出会引起燃烧、爆炸、突出等灾难性后果以及人员中毒、窒息。公路隧道的开挖揭露面积大，施工中瓦斯管理与控制十分关键。
[0003]瓦斯浓度的变化具有时变性、非线性和高复杂度等特点。针对该特点，现有的瓦斯浓度预测技术主要有两大类。(1)基于传统机器学习方法的预测技术，主要包括时间序列方法(如ARIMA，指数平滑模型)、灰色理论方法、支持向量机、聚类算法等；(2)基于神经网络的预测技术，由于神经网络具有强大的非线性关系建模能力，目前这类的预警技术应用比较广泛，主要采用的神经网络包括循环神经网络(如LSTM网络，GRU网络等)、深度信念网络、回声状态网络、模糊神经网络等。总的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多图融合的隧道瓦斯浓度预测方法，其特征在于，包括：获取每个监测点的瓦斯浓度序列并进行时间片段分片，合并后形成对应多个监测点的浓度分段序列矩阵；构建监测点关联的多语义瓦斯浓度空间关系融合图；将所述多语义瓦斯浓度空间关系融合图输入至完成训练的图神经网络，对所述浓度分段序列矩阵进行空间相关性特征提取，获取各监测点的空间关系表示向量；将各监测点的所述空间关系表示向量输入至完成训练的循环神经网络的编码器得到每个监测点当前时间段的时空特征；将所述每个监测点当前时间段的时空特征输入至完成训练的适用于分片预测的分段式注意力网络训练得到所述监测点的将来某个预测时间段的表示向量，并将所述预测时间段的表示向量输入至完成训练的所述循环神经网络的解码器得到每个监测点将来某个预测时间段的瓦斯浓度表示向量；将所述预测时间段的瓦斯浓度表示向量输入至完成训练的预测网络得到对应于所述预测时间段的瓦斯浓度。2.根据权利要求1所述的基于多图融合的隧道瓦斯浓度预测方法，其特征在于，所述获取每个监测点的瓦斯浓度序列并进行时间片段分片，合并后形成对应多个监测点的浓度分段序列矩阵，包括：获取每个监测点监测的多个时刻的瓦斯浓度形成所述监测点的浓度序列；将每个所述监测点的浓度序列合并形成多个监测点的浓度序列矩阵；采用预设的时间窗口和移动步长对所述浓度序列矩阵中每个所述监测点的浓度序列进行片段分片，生成多个时间段的浓度分段序列；将每个监测点的所述多个时间段的浓度分段序列合并形成多个监测点的浓度分段序列矩阵。3.根据权利要求1所述的基于多图融合的隧道瓦斯浓度预测方法，其特征在于，所述构建监测点关联的多语义瓦斯浓度空间关系融合图，包括：基于可学习的瓦斯浓度变化参数矩阵构建关联监测点的第一邻接矩阵，并生成对应的第一空间关系图；基于监测点的瓦斯浓度序列构建关联监测点的第二邻接矩阵，并生成对应的第二空间关系图；分别对不同语义的所述第一空间关系图和所述第二空间关系图作图的标准化；将标准化后的所述第一空间关系图和所述第二空间关系图相加处理得到所述多语义瓦斯浓度空间关系融合图。4.根据权利要求1所述的基于多图融合的隧道瓦斯浓度预测方法，其特征在于，基于完成训练的所述图神经网络对所述浓度分段序列矩阵进行空间相关性特征提取，获取各监测点的空间关系表示向量，包括：获取所述多语义瓦斯浓度空间关系融合图对应的图数据，其中，所述图数据包括：所述多语义瓦斯浓度空间关系融合图的邻接矩阵、所述邻接矩阵的度矩阵和单位矩阵；将所述图数据和所述浓度分段序列矩阵输入至完成训练的所述图神经网络，进行空间相关性特征向量提...

【专利技术属性】
技术研发人员：张艳红，侯芸，董元帅，姜宏维，李宇轩，仝鑫隆，杨思宇，孙天成，
申请(专利权)人：中国公路工程咨询集团有限公司中咨数据有限公司，
类型：发明
国别省市：