人工智能应用时代已经来临。自1956年人工智能成为独立的计算机研究领域，至今经历了3次大规模发展高潮[1]。随着计算能力、数据规模、人工智能算法的快速发展，21世纪后人工智能迎来契合时代发展的新高阶段;目前人工智能已成功应用于数据挖掘[2]、人类语言解译[3]、高水平策略竞技[4]、自动驾驶汽车[5]、内容发布网络(CDN)[6]、战争模拟[7]、医疗诊断[8]、图像识别[9]、工业制造优化[10]等领域。谷歌人工智能程序AlphaGo分别于2016年3月和2017年5月分别战胜世界围棋冠军李世石和柯洁[4]，引发全世界的高度关注。2016年，我国制订了《智能制造发展规划(2016—2020年)》[11]，以推动人工智能在制造领域的快速发展。人工智能正在深刻影响和改变着工业、科技、文化、经济、社会生活以及思维方式。

与其他行业相比，煤矿地下作业空间狭小、环境较差、劳动密集，安全问题相对突出，缺乏职业吸引力，采掘一线人员老龄化问题严重，经济效益差，传统的生产方式已严重制约煤炭行业的生存和可持续发展。在人工智能快速发展的大背景下，煤矿智能开采与智慧矿山，或将带来生产、安全等全方位的重大突破，实现煤炭生产方式根本性的变革。近年来，煤炭领域多位专家从战略高度积极谋划智能化时代煤炭行业发展的方向，就煤矿智能开采、智慧矿山建设等问题，提出了诸多重要的理论与技术架构。与此同时，在生产地质条件较好的采煤工作面也积极进行了智能化开采实践探索;截止2018年11月，全国已建成智能化采煤工作面100多个。一些先进的煤炭企业在智能矿山规划、智能控制系统(包括综采工作面自动化采煤、矿山机电设备自动控制、瓦斯和自然发火等矿山安全信息的自动化监测监控)、智能化管理(应急救援、矿山能源综合管理等)、矿山信息化基础设施建设和自动化系统升级改造方面做了大量的工作，取得了重大进展，为智慧矿山建设奠定了实践性基础。

自20世纪90年代开始发展智能开采技术和装备以来，CSIRO，JOY，EICKHOFF等公司或研发机构已成功开发出了智能化开采装备，并成功用于商业化开采[12]。近年来，王国法等对工作面智能化升级关键技术[13]、煤炭智能化开采技术[12]、液压支架群组支护原理与承载特性[14-15]、安全高效综采技术与装备集成配套设计[16-20]进行了深入广泛的研究，并提出了智慧矿山的概念与内涵，明确了智慧煤矿2025发展目标与实现路径，为今后统筹开展煤矿生产智能化研究奠定了基础[21]。袁亮等提出了煤炭精准开采的蓝图及关键技术，分析了煤矿动力灾害风险精准识别及预警关键技术[22]，认为人工智能是实现精准开采与灾害防控一体化的重要方法[23]。宋振骐[24]以实用矿山压力控制理论为基础，从控制煤矿事故的角度提出了安全高效智能化开采技术构想及方法。何敏[25]通过分析智慧矿山与自动化矿山、信息化矿山、数字化矿山的特点，认为具备自动运行、智能决策、自学习功能是智慧矿山的基本属性与关键技术。田成金[26]系统分析了无人化开采、智能化开采、数字化开采的概念，提出了“智能自适应开采技术模式”和“工作面自动化+可视化远程干预半智能开采技术模式”。葛世荣等从识别、决策、控制3方面分析了无人驾驶采煤机的技术架构，提出了无人驾驶采煤机关键技术及突破方向[27]，开发了基于工作面地理信息系统的采煤机定位定姿技术[28];阐述了智能化采煤装备的“3个感知，3个自适”技术构架，探讨了煤岩高效自适应截割技术、液压支架自适应控制技术、动力传递自适应调控技术、煤岩界面智能识别技术、采煤装备智能诊断技术、采煤装备自主巡航技术的未来突破方向[29]。

人工智能算法与矿业工程的结合度也愈加密切。SLEZAK等[30]提出一种新的基于多传感大数据的学习预测模型和实现架构，构建了瓦斯体积分数预测分析的决策支持系统。ZHANG和LOWNDES[31]提出一种人工神经网络与故障树分析法的耦合预测模型，并用以预测煤与瓦斯突出的可能性。JANUSZ等[32]采用机器学习方法对煤矿数据进行深度挖掘，提出了利用数据挖掘与模型训练的方法，开发了用于预测煤矿动力灾害的人工智能算法与模型。ZHOU等[33]采用Fisher判别法和支持向量机预测了地下矿山矿柱的稳定性，研究结果表明支持向量机相对于Fisher判别法的结果稳定性更高，有望成为可靠、实用的矿柱稳定判别与评价工具。ZHANG等[34]基于神经网络提出了一种将煤矿多传感信息数据进行融合与分析的系统。MAHDEVARI等[35]为解决隧道掘进机卡钻问题，基于掘进经验大数据分析，采用支持向量机与人工神经网络训练出用于预测地层条件变化的智能模型，认为支持向量机算法显著优于人工神经网络。EBRAHIMABADI等[36]采用多层感知机与Kohonen自组织特征映射的人工智能方法训练了地质条件与巷道掘进机响应的关系模型，研究表明多层感知机适用于预测和评估煤系地层中掘进机破岩性能，Kohonen自组织映射法可有效帮助理解掘进模型的非线性方式和数据挖掘过程。

我国煤矿采场岩层控制的研究经历了实用经验阶段、显性理论与数值模型阶段;核心问题为矿压显现机理及控制，具有极强的混沌性、动态性与非线性特征。国内外学者尝试从不同的角度或采用不同方法，分析和揭示岩层运动及稳定性的机理，并建立了一系列较为完整的理论技术体系和控制方法，有力的支撑了在不同开采阶段对岩层控制的实际需求。然而，岩层控制目前总体上仍然处在“静态”和“试误”的分析阶段，即采用静态的数学力学模型，基于静态开采边界与地质力学条件，试图获得静态的岩层控制方案;以及通过调试不同的岩层控制方法或控制参数，直至大体满足采场岩层控制和安全生产的需要。“静态”和“试误”的分析方法仍面临的准确性、实时动态性、经济性和安全性问题，对突发矿压问题(例如压架、大面积片帮、端面冒漏、放煤口卡矸)的分析解决较为迟滞，制约了煤炭连续化、标准化、自动化生产。

煤矿采场智能岩层控制是煤矿智能化开采的重要部分和关键环节，是由“试误岩层控制”向“精准岩层控制”、由“静态岩层控制”向“动态岩层控制”发展的关键路径，将是当前和今后采场岩层控制领域的重要发展方向之一。本文旨在明确采场智能岩层控制的内涵，分析采场智能岩层控制的原理和方法，提炼出实现采场智能岩层控制的关键科学技术问题，结合实践介绍采场智能岩层控制的具体应用实例。

1 采场智能岩层控制的内涵、技术路径及方法

人工智能是一种感知环境并做出最可能达到预期目标的决策或响应的技术[37]。人工智能是相对于人与动物的自然智能而言的，其环境感知方式、分析方法、决策模式不必局限于模仿自然智能。人工智能的核心用途为:基于数据训练建立动态非线性关系的精准描述，并采用动态非线性模型实现对问题的求解和对过程的优化。因此，人工智能的内涵决定了其与岩层控制必然具有高度契合性，体现在采矿问题的动态复杂性、岩层控制过程的可优化性和采矿数据的极大富集性。

以下条件使采场智能岩层控制成为可能:① 云计算、物联网、多传感等技术的发展，大大提高矿山数据采集密度与维度、传输共享速度、分析运算能力;② 以MapReduce和Hadoop为代表的非关系数据分析技术的发展，为大规模非结构数据并行处理提供了技术保障;③ 计算机处理器的容量、计算速度和复杂度翻番周期为18个月，硬件的快速发展为大型数值计算、模型训练学习、大数据分析提供了必要的硬件条件;④ 人工智能算法发展迅速，目前已经应用至矿业工程领域;⑤ 自动化开采技术、装备和系统已发展到了较高阶段，地质条件较好的工作面已初步实现无人或少人开采。

采场岩层控制的对象为采煤工作面的围岩环境，包括工作面顶板(顶煤)、后方采空区煤矸流、工作面前方煤壁以及工作面底板。煤矿采场智能岩层控制指运用现代信息技术、人工智能技术及方法等，以采场智能装备系统为载体，实现开采全过程的采场围岩自动化、智能化控制;即采用互联网技术、多传感技术、地理信息技术、物联网技术、数字图像技术等对三维地质信息、开拓开采信息、煤岩层地质力学信息、生产过程中的动态监测信息、历史记录与案例进行感知、传输、存储与汇集，采用计算机模拟、云计算、大数据分析与人工智能等技术对实时数据和历史信息进行动态分析、学习，对生产状态动态判别、岩层状态动态预测以及智能装备群运行状态实时分析，并对智能装备群进行实时调整控制、实时制定突变灾害防控措施以实现动态岩层控制的全过程。根据采场智能岩层控制的内涵，可将采场智能岩层控制分为3个关键环节:矿山数据的感知与汇集、动态分析与状态判别、实时决策控制与反馈，如图1所示。

顶板压力实时预测、液压支架群组协同支护、煤岩层的变化和煤壁稳定性的动态识别等都属于采场智能岩层控制的热门研究方向，也是近期有希望运用智能技术实现突破的课题。

(1)顶板压力实时预测。目前工作面顶板来压多根据液压支架工作阻力的统计学特征(均值、方差、分布与频数)进行判别;此方法对生产起到了一定的指导意义。实际上，由于非规范化操作、接顶情况、由煤壁片帮或采煤机割煤引起的端面距变化、支架位态等因素的影响，支架工作阻力曲线千差万别，单一依靠工作阻力的统计学特征分析来压步距和来压强度准确性不强，且无法对顶板来压做实时预测，进而无法对来压做实时控制，如改变割煤速度、加强支护等。通过大数据分析和人工智能算法对支架电液数据分析、特征提取、学习，不仅可预测顶板来压概率，而且可对液压支架阻力曲线特征做深度的多因素相关性分析。在工作面推进的动态过程中，预测模型可不断获得新的学习样本，并基于此不断调整预测准确度;根据来压期间所积累的顶板控制措施和采煤工艺变化特征，可优化出适用于本工作面的来压期间顶板控制策略。

(2)液压支架群组协同支护。王国法提出了液压支架群组控制的概念和液压支架自组织协同控制的方法[15]。在全体液压支架刚度一致条件下，对于顶板完整的长壁工作面一般呈现中部下沉挠度大的特点;对于含局部断层的顶板压力分布较为复杂[15]。发挥液压支架的群组协同支护能力有助于降低液压支架局部压死的风险。开采过程中的顶板结构信息无法直接获取，仅反映在液压支架工作阻力变化上，但通过常规矿压理论分析、数值模拟，皆难以实时解释液压支架工作阻力所反映的顶板结构，更难以给出合理的且具有针对性的液压支架协同控制方法。“液压支架阻力-顶板局部结构-群组控制方式”的关联性是极隐蔽的。数据挖掘、深度学习以及群体学习是实现液压支架群组协同支护实时控制的有效方法。

(3)煤岩层的变化和煤壁稳定性的动态识别。煤壁片帮或冒顶显著影响采煤机的连续化割煤效率和液压支架稳定性。调研结果显示，超过30%的时间用于清理工作面端头浮煤和片帮冒顶浮煤。煤壁片帮冒顶具有突发性和随机性，采用激光雷达实时测距，利用图像识别等人工智能技术对煤岩层变化和煤壁稳定性分析可实现煤壁片帮冒顶预测和已片帮冒顶区域的及时感知。

1.1 矿山数据的感知、汇集及利用

1.1.1 矿山数据构成

大数据指容量浩大、结构复杂、已不能被传统数据处理方法充分处理的数据集合[38]。大数据分析不采用抽样，通过对所追踪事件的全息分析以自动呈现事物之间的联系。煤矿开采过程产生的数据量巨大，并且随着煤矿开采过程持续不断累积;数据类型和格式复杂，无法通过一般分析方法进行充分利用，因此具备大数据属性。矿山数据主要包括区域性地层资料(三维地质信息)、地质力学数据、开拓开采布局与接替信息、开采过程中采用信息技术手段所采集和表达的各类动态和静态信息、相关采矿历史记录与案例等，其数据类型主要包括结构化数据、半结构化数据和非结构化数据。结构化数据指可用明确的结构关系表达的各类数据表，包括与坐标相关地质力学数据，液压支架电液数据，智能准备群电信号数据及控制动作数据，瓦斯、风流、粉尘、微震、锚杆应力、煤柱应力等各类灾害监测数据、矿井经济指标报表数据等。半结构化数据包括开采信息的客观记录(巷道支护情况、作业循环表)、各类设计资料及调研结果、开拓开采布局与接替信息、各类矿图等不能采用统一结构表达但存在一定数据结构的数据。非结构化数据包括图像和音频监测信息、各类生产与经济效益有关的全文文本等无法用结构表达数据关系的数据。采场岩层控制是一个基于大开采环境的局部具体问题，因此各类静态基础矿山数据是采场智能岩层控制的背景数据，生产过程中的动态监测数据是其个性数据;正确认识、处理背景数据与个性数据的关系是实现数据在采场智能岩层控制中有效利用的关键。

1.1.2 矿山数据感知与汇集

如何有效地感知与汇集矿山数据是实现采场智能岩层控制的关键。地质勘探、矿井设计与建设等数据多为静态数据，随工程进行可被有效记录;但目前这些数据未被有效地融合和利用，造成矿山信息孤岛与数据资源的极大浪费。矿山静态数据实际已分布存储于矿山计算机中，搜索、挖掘、汇集此类数据是进一步利用、真正意义上避免矿山信息孤岛的前提。首先，应建立完整的矿山数据共享分布式网络系统，数据不必全部集中于单一计算机，仅在需要时可以实现迅速挖掘与调用。其次，要建立统一数据文件管理标准，为数据的快速筛选挖掘提供基础平台。此外，还应发展矿山数据快速处理与信息融合技术，目前已有的处理技术包括大规模并行处理技术、深度数据挖掘、网络爬虫、分布式文件系统、云计算、可扩展存储系统等。

矿井生产监测期间产生的数据多为动态数据，需要依靠直接记录与多传感方式获得。多传感技术是矿山动态数据采集的重要发展方向，为实现透明开采、矿山全息传感提供了可能。矿山全息传感包括地质体应力与位移传感，岩层运动的电磁与机械振动信号传感，智能装备群电液信号、位态、动作传感，水、火、瓦斯、风流、温度、粉尘等环境数据传感，生产监测音频传感等。具体的多传感技术包含微地震监测技术、数字图像关联技术(DIC)、电磁辐射监测技术、变形监测技术、光纤光栅监测技术、激光雷达监测技术，以及各类光敏、压敏、生化反应等感应技术。液压支架作为采场岩层控制最重要的支护体，其姿态、阻力、压力分布、位置、操作动作数据是分析岩层状况和生产状态的重要数据来源。

1.1.3 矿山数据利用方式

矿山数据在采场智能岩层控制中的具体用途主要有4类:① 大数据分析，进行岩层控制效果、事故灾害特征评价;② 为人工智能模型提供学习样本及分析对象;③ 作为动态数值计算的反演分析参照对象;④ 作为数据可视化与开采实景虚拟的信息来源，如图2所示。

(1)大数据分析。通过大数据分析，可对已实施的岩层控制措施进行效果评价，分析控制措施和安全、生产效益等一系列要素的相关性;可对顶板冒漏、压架、咬架、煤壁片帮、冒顶、粉尘和瓦斯超限、顶板动力事故等矿压问题进行实时分析，分析事故发生的时空特点、与采煤工艺和矿压控制方式之间的相关性等。分析结果可作为新的数据扩充数据库，为后续岩层控制提供新资料;分析结果还可为液压支架选型、覆岩运动规律、煤柱留设、开拓方式、动力灾害预测等提供决策支持依据。

(2)为人工智能模型提供学习样本及分析对象。人工智能算法的优势在于对混沌问题的非线性动态描述，其准确度依赖于不断地学习与训练。矿山全息数据经降维与稀疏化后可作为人工智能模型训练的学习样本，模型通过监督学习或无监督学习方式随数据动态积累而不断增强，实现真正意义的采场智能岩层控制。

(3)作为动态数值计算的反演分析参照对象。数值计算通过给定本构模型、初值(岩石力学参数)、数据结构(模型几何特征)、边界对关键矛盾问题求解，其优势在于数据处理较为迅速、表现直观、可进行多因素分析等，缺点在于输入初值准确度无法把握、对非线性描述能力有限等。现场监测数据可作为数

值计算的初值和本构模型反演的对比参照，逐步使数值模型逼近现实。此外，可根据动态监测数据变化而实时反分析、调整数值计算模型，实现数值模型的动态计算，预测开采过程中的矿压问题。

(4)作为数据可视化与开采实景虚拟的来源。数据可视化与开采实景虚拟是智能岩层管理的重要方面。数据可视化指将各类数据转化为可供技术管理人员分析的图表，为异常侦查、趋势判断、人机交互等提供分析平台。开采实景虚拟指将多传感采集的工作面信息通过图像拼接、虚拟现实、实体建模等技术将工作面实时转化为虚拟三维场景，此基础上结合人工智能、数值计算等手段对矿压问题进行实时展现，实现现实场景与虚拟预测的融合与沟通(混合现实)。

1.2 动态分析与状态判别

动态分析与状态判别主要包含3个方面:① 生产状态动态判别;② 岩层状态动态预测;③ 智能装备群运行状态实时分析。主要技术手段有大数据分析、云计算、动态数值模拟以及人工智能，技术路径如图3所示。对于具体的岩层控制问题，首先要实时更新历史动态数据库，并确定当前监测数据集(即将被实时分析的数据)。其次，根据背景数据与历史动态数据，随开采进程对人工智能模型、计算机数值模型或数据分析方法进行实时学习、训练、更新。然后采用新的模型对当前监测数据进行分析，给出分析对象的当前状态，并将判别结果呈递至决策系统。其中，人工智能模型实时学习训练是动态分析的核心，本质上是一个动态自学习的过程。监督学习和无监督学习方式都可以实现此动态自学习过程，并无优劣之分。由于监测数据量浩大，为提高学习与分析速度，实践中往往还需要通过一定的数据采样算法实现快速降维。以数据呈递关系为标记，将动态分析、状态判别的结果与后期的决策控制命令、控制效果组建为打包数据条目，扩充矿山数据库，为后续改善人工智能模型提供学习样本。

1.3 实时决策控制与反馈

面对矿压因素庞杂、装备可控制动作众多且需要整体协调控制等问题，实时决策依然需要通过人工智能算法以及人机交互的方式解决，实时控制需通过智能决策单元、人机交互单元与自动控制单元的有效耦合实现。实时决策与控制可分为两部分:① 实时控制命令直接呈递;② 突变灾害预警与防灾措施制定。前者针对一般性、局部性、非突变型矿压问题，对智能装备群动作实时调整;后者针对影响范围较大的突变灾害(图1)，制定系统性防范措施。

实时决策控制与反馈的具体技术路径如图4所示。随开采进程，根据历史“动态分析-决策与控制命令-控制效果”的关联数据样本不断更新决策与控制模型，然后采用此优化后的模型做出决策与控制命令，并呈递至智能装备自动控制主控计算机。实际中，初期决策控制样本(即与具体矿压问题对应控制手段的集合)往往需要人为给定(建立初始模型)，并结合人机交互方式辅助人工智能模型快速提升(辅助训练)，后期机器可通过自学习而使模型准确度不断得到加强。实施控制后，根据监测数据分析岩层控制效果，并将“决策与控制命令-控制效果”扩充至矿山数据库，以供后续模型训练与更新使用。

需要注意的是，虽然人工智能算法目前已得到飞速发展，但面对复杂的采矿问题，仍不能脱离人的协助。

2 采场智能岩层控制关键科学技术问题

目前采场智能岩层控制研究处于起始阶段，核心目的是增强井下智能装备群对各类矿压问题的适应性，真正实现开采连续化、自动化，为煤矿开采过程中采场岩层控制提供全新技术平台和强大工具;所涉及的关键科学问题如下。

(1)矿山环境及设备运行数据的数据感知汇集的方法与技术。数据是采场智能岩层控制之根本。对煤矿已有的各类静态数据、开采背景数据利用的前提是快速汇集;对开采动态数据除汇集以外，更重要的是构建多维度、多尺度的感知网络，实现透明开采。应采用多传感技术、物联网技术、地理信息系统等加强煤矿数据的采集力度;同时应发展矿山数据的动态存储、实时更新、即时调用机制，为智能分析提供尽可能全面详尽的资料。该方面的科学问题涉及多传感技术、矿山静态数据的分布式存储方法与快速汇集，开采动态数据的多传感采集网络与动态存储系统构建，异质数据统一管理标准的建立。

(2)矿山数据实时快速分析方法与技术。采场智能岩层控制建立在对矿山数据全面而实时快速分析的基础之上。该方面科学问题涉及多类型矿山数据的识别、匹配、融合、降噪，开采过程容忍时间内矿山数据的快速筛选、分类、更新、降维，矿山数据实时分析与连续常态深度分析相结合的分析机制，岩层控制大数据动态分析平台构建等。应增强数据的深度挖掘与充分利用，实现各类数据的有效融合，避免信息孤岛现象。

(3)采场智能岩层控制的关联分析与模型。开采过程中的采场围岩稳定性与煤岩层条件、采高、割煤速度、支架阻力、支架状态等密切相关，且它们之间相互关联、相互影响的关系复杂，采用支持向量机、人工神经网络、回归、正则化、基于实例法、决策树、深度学习、贝叶斯模型、聚类法、关联规则学习、强化学习等人工智能方法进行分析处理。如深度学习卷积神经网络已用于井下煤壁片帮、冒顶、煤矸识别，支持向量机可用于顶板、矿柱等稳定性问题，贝叶斯方法可用于顶板来压预测等。不同的人工智能方法适用于不同的岩层控制问题，这就需要寻找适用于各类岩层控制问题的子方法，并逐步发展出具有岩层控制特色的全局嵌套智能算法与系统，实现采场智能岩层控制针对性与普遍性的统一。

(4)矿山数据可视化与开采场景虚拟构建。岩层控制数据可视化与开采实景虚拟是人机交互的重要接口。目前国内已实现了工作面装备状态与监测信息的实时可视化，但缺乏围岩状态(顶板、煤壁、煤矸混合状态等)的实时可视化，以及岩层控制措施、效果评价的实时可视化。开采实景虚拟不仅要实现采场各类信息的地面实时呈现，更要实现在虚拟场景基础上进行虚拟矿压管理与预测的物理学分析功能，增强开采实景虚拟分析解决问题的能力。该方面科学问题涉及岩层控制数据实时可视化，三维开采实景虚拟重构的数据融合方法，基于开采实景虚拟的多物理场重构与仿真方法。

(5)基于大数据的快速动态数值计算原理及算法。目前数值计算大多采用静态边界条件、静态输入参数、静态本构模型的计算方式，无法根据实际情况做及时调整，因而模拟结果往往与真实情况相差较大，无法及时修正并提高自身求解精度。大数据为实现动态数值模拟提供了可能。开采过程中的动态数据，如液压支架工作阻力、煤柱应力、微震监测数据、生产揭露地层变化、地表岩移数据等可作为数值计算中物理力学参数、本构模型与地质模型反分析的依据。每进行下一步开采分析前，都根据最新的监测数据及时调整数值计算模型，实现对开采过程中矿压的动态预测。目前关于线性简单问题的反分析已有成熟理论和方法，但对于非均质地层、岩体非线性本构模型尚未提出明确便捷的反分析方法和算法。该方面的科学问题涉及基于实时监测数据的动态数值计算反分析算法实现，反分析精度检验，动态精细数值计算的快速求解方法。

(6)采场智能岩层控制“感知-分析-控制-反馈”全过程算法集成与系统构建。“感知-分析-控制-反馈”的算法集成包括数据自动采集、存储、汇集的智能管理，分析方法的动态智能选择，分析模型的实时更新与分析，智能决策单元、人机交互单元与自动控制单元的有效耦合等。采场智能岩层控制系统包括上述所有软件、算法、模块，以及相关所有的通信网络、超级计算机、云计算平台、控制平台等硬件设备。

3 实例分析

3.1 支架阻力分类与顶板状况智能预测

彭赐灯认为，液压支架工作阻力是变化的支架与顶板相互作用的结果，可预测开采前的顶板状况，进而可分析矿压机理、提高顶板管理水平。单循环内立柱压力的变化特性可分为3类:急增型、缓增型和降低型。统计分析结果表明，急增型反映支架在完整或坚硬顶板刚体强烈运动条件下的承载状况，缓增型反映较软弱，降低型反映顶板顶板极其松软破碎或底板松软[39]。本实例以同忻煤矿8202综放工作面为研究对象，采用支持向量机算法(SVM)对支架循环阻力曲线进行分类并预测顶板状态。

3.1.1 工程地质概况

同忻煤矿8202工作面位于北二盘区，盖山厚度377～517 m，工作面上覆为同家梁与永定庄侏罗系煤层采空区。主采煤层为石炭系3～5号煤层，煤层倾角约2.3°，煤层平均厚度15.26 m，其中夹矸1.96 m;煤层裂隙发育，质地半坚硬，夹矸为泥岩和炭质泥岩。8202工作面采用特厚煤层综采放顶煤开采，平均割煤高度3.9 m，平均放煤高度11.36 m。煤层直接顶为3.87 m的炭质泥岩和薄煤层;基本顶为厚约17 m的砂质泥岩，厚层状，抗拉强度2.3 MPa;直接底为1.98 m厚的砂质泥岩。工作面走向长度2 184.5 m，倾斜长度200 m，平均推进速度为5.6 m/d。8202工作面与8203采空区相邻，中间留设38 m宽的区段煤柱，煤柱侧为回风巷，实体煤侧为进风巷，如图5所示。工作面中部布置108 台ZF15000/27.5/42型低位放顶煤液压支架，靠近工作面端头位置布置ZFG13000/27.5/42H型低位放顶煤过渡支架和ZTZ20000/30/42型端头支架，其中上端头(进风巷侧)布置4台过渡支架与2台端头支架，下端头(回风巷侧)布置5台过渡支架与2台端头支架。ZF15000/27.5/42型液压支架为四柱式支撑掩护式正四连杆低位放顶煤支架，支架宽1 660～1 860 mm，支架中心距1 750 mm，初撑力12 778 kN，额定工作阻力15 000 kN，支护强度1.46 MPa，移架步距800 mm。ZFG13000/27.5/42H型过渡型支架初撑力10 096 kN，额定工作阻力13 000 kN，支护强度1.16 MPa。ZTZ20000/30/42型端头支架初撑力15 467 kN，额定工作阻力20 000 kN，支护强度0.52 MPa。采煤机割煤进刀方式为端部斜切进刀，进刀后反向割三角煤、清理浮煤，然后开始正常割煤。移架方式为追机及时支护移架，移架滞后采煤机尾滚筒3架;移架时支架顶梁下降量小于200 mm。放顶煤工艺为多轮分层顺序放煤，循环进度为0.8 m，与割煤工序平行作业。

3.1.2 支持向量机

支持向量机[40-42]是一种用于解决线性或非线性模式分类问题的监督学习算法，已被应用于矿柱稳定性分析[33]、冲击矿压预测[43]等实际问题。用于SVM分类器训练的多维训练集D可以表示为

D=(xi,yi),x∈Ωd,y∈{-1,+1}(1)

其中，xi，yi为多元数组，下标i可取任意有限自然数;Ωd为数据样本集空间;D为一个多元到多元映射的集合，可被超平面wTxi+b=0分割，其中w为权重向量，b为偏置量。支持向量机的目的在于寻找最大间隔的超平面分割函数，当满足最大间隔的超平面函数，对所有xi有

(wTxi+b)yi≥1(2)

超平面的间隔等于2/‖w‖，概念如图6所示。因此，寻找超平面(分类函数)的问题就转化为求‖w‖2/2的最小值问题。采用拉格朗日乘子法转化为其对偶问题，对偶问题的拉格朗日函数表示为

(3)

式中，α为拉格朗日乘子。

将L分别对w和b求偏导并令之等于0，得

(4)

将式(4)代入式(3)，得

(5)

当解出L最大值后，根据式(4)可求出w和b，进而获得分类函数:

(6)

其中，sign(·)为符号函数，当括号内项非负时，f(x)=+1，当括号内项小于0时，f(x)=-1。

支架循环阻力类型可分为3类，采用两次支持向量机进行分类。首先分出增阻型与下降型，再将增阻型分为急增型和缓增型。液压支架阻力数据采集间隔为5 s，大部分循环的时间超过4 000 s，即一个循环的立柱数据超过800 个。在保证准确度前提下，为缩短训练时间，通过抽样降低数据密度;初撑力至末阻力区间中间80%的数据以4 min/个进行抽样间隔，循环起始10%与末端10%数据抽样间隔为1 min/个，如图7所示。

3.1.3 支架阻力分类与顶板状况分析

训练支持向量机、支架阻力分类以及顶板状况分析流程如图8所示，具体实施步骤如下:

(1)提取8202工作面全体液压支架随时间变化的工作阻力数据，编制以支架编号和时间为维度的二维数组。

(2)依据工作阻力曲线的循环特征对支架阻力二维数组进行数据分片。数据分片判据为

p≤0.01Po∩ΔtL≥10(7)

其中，p为支架立柱阻力，Pa;Po为支架立柱初撑力，Pa;ΔtL为支架立柱阻力连续低于0.01Po的时间，s。式(7)的含义为当立柱阻力低于初撑力的0.01倍且同时满足低压时长大于等于10 s时，确认为阻力循环数据分片点。分片后的各子数据保留了阻力与时间和支架编号的对应关系。

(3)随机挑选部分中部支架、过渡支架和端头支架的循环阻力子数据集合，标定循环曲线类型，作为支持向量机的学习样本集。此样本集分为训练数据集合测试数据集。训练数据集用于训练支持向量机模型参数，测试数据集用于检验训练后模型的准确度。

(4)数据预处理。将学习样本数据集进行线性缩放，阻力数据被线性缩放为0～1。

(5)计算SVM模型参数，建立分类函数。采用K折叠交叉验证法与网格搜索法对优化模型进行评估，直至参数精度满足终止条件。

(6)建立最终用于支架循环阻力类型的SVM模型，然后采用测试数据集对模型性能评价。本次测试的模型验证通过率为95%。

(7)采用训练后的SVM分类器对所有的支架阻力分片数据进行分类，生成以支架编号和时间的分类结果二维数组。按照时间、支架位置将分类后的二维数组折算为以平面坐标的二维数组;采用线性拟合将阻力类型分类结果对应转化为顶板类型，顶板完整性分类结果云图如图8所示。

(8)以顶板分类团簇密度为分类依据，将顶板做二分区，区分不稳定区与相对稳定区，如图8顶板完整性云图中虚线所示。

3.1.4 现场监测验证

当8202工作面自开切眼推进约400 m后，回风巷围岩压力逐渐增大;当工作面推进800 m时，下端头附近顶煤与区段煤柱严重变形(图9)，工作面与回风巷交叉处巷道断面仅残存不足1 m2。下端头附近85～118号液压支架阻力普遍达不到初撑力;这是由于回风巷侧顶煤十分破碎，无法与支架形成刚性硬接触所致。现场巷道变形与支架阻力监测结果验证了本案例通过支持向量机对支架阻力分类及顶板状况分析的准确性，同时说明所采用的支持向量机训练方法和液压支架数据处理方法可以用于岩层控制分析。

3.2 大数据+动态数值开采试验

3.2.1 大数据+动态数值开采试验的基本架构

“大数据+动态数值开采试验”指按照实时监测数据对数值模型的输入参数反演校对，跟随开采过程实时更新数值模型，使岩层几何特征、物理力学行为、求解控制方式逼近实况;在每一步真实开采前预先进行数值计算，以预测下一步开采所遇到的具体矿山压力问题的数值开采试验过程，其基本架构如图10所示。

具体流程如下：① 采集矿井三维地质信息与开拓开采信息，运用一定的算法将地质信息与开拓开采信息进行三维精细拟合，建立真三维矿山开采模型。② 采集并分析地质力学信息，根据岩层物理力学特性和所模拟问题的主要矛盾，初步确定岩层、节理、层理、断层的本构模型以及相应的物理力学参数;根据地应力场信息确定模型的边界条件。③ 根据真实开采工艺进行数值计算，将运算结果与实时监测数据(如岩层位移、支架阻力变化、煤柱应力监测等)进行差异分析，调整岩层本构模型、物理力学参数以及求解控制方式(如阻尼、收敛准则、网格特征、求解器等)。④ 直至数值模拟结果与监测数据的误差在可接受范围内，停止模型校核。⑤ 采用反演后的最终数值模型进行下一步开采，预测可能出现的矿压问题，并基于此做岩层控制决策。⑥ 进行下一步真实开采，对数值计算的预测结果做对比、评价;将实时监测数据及数值计算的评价结果扩充岩层控制大数据，以指导下一步数值开采试验，最终形成动态反演、逐步逼近、实时评价的循环数值计算过程。

3.2.2 动力事故反分析实例

鄂尔多斯某矿42105综放工作面长230 m，推进长度5 231.1 m，煤层平均厚度6.7 m。该工作面机尾侧推进至240 m左右时，工作面回风巷超前巷道发生动力灾害事故，150余根超前单体液压支柱瞬间折断。为分析42105综放工作面这次动力灾害事故的机理，首先用GMS三维地质建模软件将42105工作面内及周围58个地质钻孔数据录入，建立该工作面三维地质模型，如图11所示。根据建立的三维地质模型，建立数值模拟物理模型，其中二维数值模拟模型参照42105综放工作面三维地质模型回风巷轴向剖面图。

依照实验室煤岩层力学性能测试实验，对数值模拟模型中各煤岩层的初始物理力学参数进行赋值;岩层初始本构模型假设为摩尔库仑软化模型。根据地表岩移观测数据，采用正反分析法，对数值模拟模型进行参数反演，调整模型煤岩体物理力学参数和网格尺寸，当模拟结果与实际数据间的误差在可接受范围内时，确定反演参数的最优解，并以此优化后的模型进行顶板动力事故分析。

采用三维模型模拟了随工作面推进的应变能密度演化规律。由图12可以看出，42105工作面后方煤柱出现了能量局部释放，煤柱遭到破坏失去承载能力，引起顶板瞬间下移;模拟结果说明此次顶板动力灾害的根源为区段煤柱突然失稳所致。

4 结 论

(1)煤矿采场智能岩层控制是智慧矿山及智能开采的重要部分和关键环节，是采矿由“试误岩层控制”向“精准岩层控制”、由“静态岩层控制”向“动态岩层控制”发展的关键路径，是当前乃至今后一个时期采矿岩层控制领域的重要发展方向之一。

(2)采场智能岩层控制的内涵是运用现代信息技术、人工智能技术及方法等，以采场智能装备系统为载体，实现开采全过程的采场围岩自动化、智能化控制;采用互联网技术、多传感技术、地理信息技术、物联网技术、数字图像技术等对三维地质信息、开拓开采信息、煤岩层地质力学信息、生产过程中的动态监测信息、历史记录与案例进行感知、传输、存储与汇集，采用计算机模拟、云计算、大数据分析与人工智能等技术对实时数据和历史信息进行动态分析、学习，实现对生产状态动态判别、岩层状态动态预测以及智能装备群运行状态实时分析，并对智能装备群进行实时调整控制、实时制定突变灾害防控措施，以实现开采全过程的动态岩层控制。

(3)分析了矿山数据的构成、感知汇集方法及利用方式。矿山数据的用途主要有:① 大数据关联分析，进行岩层控制效果、事故灾害特征评价;② 为人工智能模型提供学习样本及分析对象;③ 作为动态数值计算的反演分析参照对象;④ 作为数据可视化与开采实景虚拟的信息来源等4类。

(4)给出了采场智能岩层控制的动态分析与状态判别、实时决策控制与反馈的技术路径，提出了采场智能岩层控制的关键科学技术问题:① 环境及设备运行数据的感知汇集方法与技术;② 矿山数据实时快速分析方法与技术;③ 采场智能岩层控制的关联分析与模型;④ 矿山数据可视化与开采场景虚拟构建;⑤ 基于大数据的快速动态数值计算原理及算法;⑥ 采场智能岩层控制“感知-分析-控制-反馈”全过程算法集成与系统构建。

参考文献

[1] MCCORDUCK P.Machines Who Think[M].Natick:AK Peters,Ltd,2004.

[2] KEET C M,AWRYNOWICZ A,D’AMATO C,et al.The data mining optimization ontology[J].Web Semantics:Science,Services and Agents on the World Wide Web,2015,32:43-53.

[3] JARRAHI M H.Artificial intelligence and the future of work:Human-AI symbiosis in organizational decision making[J].Business Horizons,2018,61(4):577-586.

[4] CHAO X,KOU G,LI T,et al.Jie Ke versus AlphaGo:A ranking approach using decision making method for large-scale data with incomplete information[J].European Journal of Operational Research,2018,265(1):239-247.

[5] NI J,HU J.Dynamics control of autonomous vehicle at driving limits and experiment on an autonomous formula racing car[J].Mechanical Systems and Signal Processing,2017,90:154-174.

[6] WU Z,LU Z,ZHANG W,et al.A data-driven approach of performance evaluation for cache server groups in content delivery network[J].Journal of Parallel and Distributed Computing,2018,119:162-171.

[7] AUGIER M,DEW N,KNUDSEN T,et al.Organizational persistence in the use of war gaming and scenario planning[J].Long Range Planning,2018,51(4):511-525.

[8] LUXTON D D.Artificial Intelligence in Behavioral and Mental Health Care[M].Cambridge,Massachusetts:Academic Press,2016:1-26.

[9] HUANG H,LI Q,ZHANG D.Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J].Tunnelling and Underground Space Technology,2018,77:166-176.

[10] LEE J,DAVARI H,SINGH J,et al.Industrial artificial intelligence for industry 4.0-based manufacturing systems[J].Manufacturing Letters,2018:https://doi.org/10.1016/j.mfglet.2018.09.002(In Press).

[11] 中华人民共和国工业和信息化部.《智能制造发展规划(2016—2020年)》正式发布[EB/OL].http://www.miit.gov.cn/n1146290/n4388791/c5405924/content.html.,2018-09-20.

[12] 王国法,范京道,徐亚军,等.煤炭智能化开采关键技术创新进展与展望[J].工矿自动化,2018,44(2):5-12.

WANG Guofa,FAN Jingdao,XU Yajun,et al.Innovation progress and prospect on key technologies of intelligent coal mining[J].Industry and Mine Automation,2018,44(2):5-12.

[13] 王国法,李占平,张金虎.互联网,大采高工作面智能化升级关键技术[J].煤炭科学技术,2016,44(7):15-21.

WANG Guofa,LI Zhanping,ZHANG Jinhu.Key technology of intelligent upgrading reconstruction of internet plus high cutting coal mining face[J].Coal Science and Technology,2016,44(7):15-21.

[14] 王国法.工作面支护与液压支架技术理论体系[J].煤炭学报,2014,39(8):1593-1601.

WANG Guofa.Theory system of working face support system and hydraulic roof support technology[J].Journal of China Coal Society,2014,39(8):1593-1601.

[15] 徐亚军,王国法.液压支架群组支护原理与承载特性[J].岩石力学与工程学报,2017,36(S1):3367-3373.

XU Yajun,WANG Guofa.Supporting principle and bearing characteristics of hydraulic powered roof support groups[J].Chinese Journal of Rock Mechanics and Engineering,2017,36(S1):3367-3373.

[16] 王国法,张金虎.煤矿高效开采技术与装备的最新发展[J].煤矿开采,2018,23(1):1-4,12.

WANG Guofa,ZHANG Jinhu.Recent development of coal mine highly effective mining technology and equipment[J].Coal Mining Technology,2018,23(1):1-4,12.

[17] 王国法.煤矿高效开采工作面成套装备技术的创新和发展[A].2010年中国煤炭学会青年科技工作者论坛[C].北京,2010.

WANG Guofa.Innovation and development of completed set equipment and technology for high efficient coal mining face in underground coal mine[A].Proceedings of the 2001 China Coal Society Youth Science and Technology Workers Forum[C].Beijing,2010.

[18] 王国法.煤矿高效开采工作面成套装备技术创新与发展[J].煤炭科学技术,2010,38(1):63-68,106.

WANG Guofa.Innovation and development of completed set equipment and technology for high efficient coal mining face in underground coal mine[J].Coal Science and Technology,2010,38(1):63-68,106.

[19] 王国法.综采自动化智能化无人化成套技术与装备发展方向[J].煤炭科学技术,2014,42(9):30-34,39.

WANG Guofa.Development orientation of complete fully-mechanized automation,intelligent and unmanned mining technology and equipment[J].Coal Science and Technology,2014,42(9):30-34,39.

[20] 任怀伟,王国法,李首滨,等.7 m大采高综采智能化工作面成套装备研制[J].煤炭科学技术,2015,43(11):116-121.

REN Huaiwei,WANG Guofa,LI Shoubin,et al.Development of intelligent sets equipment for fully-mechanized 7 m height mining face[J].Coal Science and Technology,2015,43(11):116-121.

[21] 王国法,王虹,任怀伟,等.智慧煤矿2025情景目标和发展路径[J].煤炭学报,2018,43(2):295-305.

WANG Guofa,WANG Hong,REN Huaiwei,et al.2025 scenarios and development path of intelligent coal mine[J].Journal of China Coal Society,2018,43(2):295-305.

[22] 袁亮.煤炭精准开采科学构想[J].煤炭学报,2017,42(1):1-7.

YUAN Liang.Scientific conception of precision coal mining[J].Journal of China Coal Society,2017,42(1):1-7.

[23] 袁亮.开展基于人工智能的煤炭精准开采研究,为深地开发提供科技支撑[J].科技导报,2017,35(14):1.

YUAN Liang.Carry out research on precision coal mining based on artificial intelligence,and provide scientific support for deep development[J].Science & Technology Review,2017,35(14):1.

[24] 宋振骐.安全高效智能化开采技术现状与展望[J].煤炭与化工,2014,37(1):1-4,9.

SONG Zhenqi.Intelligent safe and efficient mining technology present situation and prospect[J].Coal and Chemical Industry,2014,37(1):1-4,9.

[25] 何敏.智慧矿山定义探讨[J].工矿自动化,2017,43(9):12-16.

HE Min.Discussion on definition of wisdom mine[J].Industry and Mine Automation,2017,43(9):12-16.

[26] 田成金.煤炭智能化开采模式和关键技术研究[J].工矿自动化,2016,42(11):28-32.

TIAN Chengjin.Research of intelligentized coal mining mode and key technologies[J].Industry and Mine Automation,2016,42(11):28-32.

[27] 张昊,葛世荣.无人驾驶采煤机关键技术探讨[J].工矿自动化,2016,42(2):31-33.

ZHANG Hao,GE Shirong.Study on key technologies of unmanned driving shearer[J].Industry and Mine Automation,2016,42(2):31-33.

[28] 葛世荣,苏忠水,李昂,等.基于地理信息系统(GIS)的采煤机定位定姿技术研究[J].煤炭学报,2015,40(11):2503-2508.

GE Shirong,SU Zhongshui,LI Ang,et al.Study on the positioning and orientation of a shearer based on geographic information system[J].Journal of China Coal Society,2015,40(11):2503-2508.

[29] 葛世荣.智能化采煤装备的关键技术[J].煤炭科学技术,2014,42(9):7-11.

GE Shirong.Key technology of intelligent coal mining equipment[J].Coal Science and Technology,2014,42(9):7-11.

[30] D,GRZEGOROWSKI M,JANUSZ A,et al.A framework for learning and embedding multi-sensor forecasting models into a decision support system:A case study of methane concentration in coal mines[J].Information Sciences,2018,451-452:112-133.

[31] RUILIN Z,LOWNDES I S.The application of a coupled artificial neural network and fault tree analysis model to predict coal and gas outbursts[J].International Journal of Coal Geology,2010,84(2):141-152.

[32] JANUSZ A,GRZEGOROWSKI M,MICHALAK M,et al.Predicting seismic events in coal mines based on underground sensor measurements[J].Engineering Applications of Artificial Intelligence,2017,64:83-94.

[33] ZHOU J,LI X B,SHI X Z,et al.Predicting pillar stability for underground mine using Fisher discriminant analysis and SVM methods[J].Transactions of Nonferrous Metals Society of China,2011,21(12):2734-2743.

[34] ZHANG X Q,WANG H B,YU H Z.Neural network based algorithm and simulation of information fusion in the coal mine[J].Journal of China University of Mining and Technology,2007,17(4):595-598.

[35] MAHDEVARI S,TORABI S R,MONJEZI M.Application of artificial intelligence algorithms in predicting tunnel convergence to avoid TBM jamming phenomenon[J].International Journal of Rock Mechanics and Mining Sciences,2012,55:33-44.

[36] EBRAHIMABADI A,AZIMIPOUR M,BAHREINI A.Prediction of roadheaders’performance using artificial neural network approaches (MLP and KOSFM)[J].Journal of Rock Mechanics and Geotechnical Engineering,2015,7(5):573-583.

[37] POOLE D L,MACKWORTH A K,GOEBEL R.Computational intelligence:A logical approach[M].New York:Oxford University Press,1998.

[38] LANEY D.3D data management:Controlling data volume,velocity and variety[J].META Group Research Note,2001,6(70):1.

[39] 彭赐灯.立柱压力可以说明什么问题[J].煤矿开采,1999,(1):41-43.

PENG Cideng.The implication of pressure of shield leg[J].Coal Mining Technology,1999,(1):41-43.

[40] CHIANG L H,KOTANCHEK M E,KORDON A K.Fault diagnosis based on Fisher discriminant analysis and support vector machines[J].Computers & Chemical Engineering,2004,28(8):1389-1401.

[41] CHEN H L,LIU D Y,YANG B,et al.A new hybrid method based on local fisher discriminant analysis and support vector machines for hepatitis disease diagnosis[J].Expert Systems with Applications,2011,38(9):11796-11803.

[42] ZHOU J,LI X,SHI X.Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines[J].Safety Science,2012,50(4):629-644.

[43] ZHOU J,LI X,MITRI H S.Classification of rockburst in underground projects:Comparison of ten supervised learning methods[J].Journal of Computing in Civil Engineering,2016,30(5):04016.