基于本体的瓦斯灾害预警模型研究

支向阳,吕岳东,陈立潮,郭勇义

(1.山西省投资促进局,太原030001;2.太原科技大学计算机学院,太原030024;3.太原科技大学环境工程学院,太原030024)

在煤矿安全生产中,瓦斯事故已经成为一个不可忽视的问题,严重危害着矿工的生命和国家财产的安全。引起瓦斯事故的原因是多种多样的,如瓦斯自身状态,引火源,地质构造等因素。随机因素是不可避免的,但是如果可以及时的监控井下,获得实时的数据并加以分析,就可以在最短的时间内发现安全隐患,采取相应的措施将损失降到最低。

传统的瓦斯预警方法注重瓦斯机理,取得了一定成果,国外对煤与瓦斯突出机理的认识可归纳为4种：地应力假说、瓦斯作用假说、化学本质假说和综合作用假说。但是传统方法在预测过程中,数据不完整、可靠度低,评价方式主观因素过强,以及预测结果的非动态性都会导致瓦斯预警的失败。

本体是一个融合了概念、属性、表示关系、表示实例、表示公理的集合概念。本体的基本建模元语是五个：类(class),关系(relation),函数(function),公理(axiom)和实例(instance)。通常也把classes称作concepts。谓词逻辑和描述逻辑是本体语言的逻辑基础,也是本体语义功能实现的基础。

与传统方法相比,本体在表达多属性数据以及数据之间的语义关系时,有数据冗余度小、语义描述清晰和数据无异构等特点。同时,谓词逻辑和描述逻辑是本体语言特有的逻辑基础,也是本体语义推理功能实现的基础。在瓦斯预警中,本体语义推理实现了对实时数据的自处理,提高了预测效率。本文将通过本体、小波神经网络以及灰色系统理论在瓦斯预测功能上的比较来说明本体在瓦斯事故预警上的优点。

1 瓦斯事故本体预警模型

1.1 构建瓦斯预警模型

基于本体的瓦斯事故预警效果的好坏和瓦斯事故本体的质量有很大关系。因此,如何构建本体预警模型是能否成功预警的关键。本体质量的好坏和以下两点内容关系密切：

1)本体中的基本概念的完整性和准确性;

2)本体中概念之间规则和推理规则的完整性和准确性。

为了确保本体的质量,通过调研和查阅大量相关文献可知矿井瓦斯的事故状况与诸多情况有关,瓦斯事故相关现象是复杂多样的,必须将这些现象细化,再确定相关的数据的属性,以此确保构建本体时概念和规则明确。但是,最重要的几个因素是：瓦斯自身的状态、瓦斯所处的地形因素、矿井的通风状况和引火源。现存的大多数瓦斯安全评价体系都是在这些因素的基础上产生的评价数据,它们是预警的重要依据。

首先,要在这些因素的基础上抽取概念来确定他们之间的关系。然后,可以将具体的与瓦斯事故现象的相关数据收集起来,针对数据先建立相应的UML类模型[1]。

其次,瓦斯事故相关现象是复杂多样的,必须将这些现象细化,再确定相关的数据的属性,以此确保构建本体时概念和规则明确。因此,要先给出瓦斯事故相关现象的分类：瓦斯突出和瓦斯爆炸。瓦斯突出由地应力潜能、煤体破坏功、抛出功、突出区域、瓦斯状态、煤岩层表象决定。瓦斯状态由瓦斯包含能量、瓦斯相对突出量和瓦斯绝对突出量决定。煤岩层表象由煤层倾角、岩层厚度、煤层坚固系数、是否位于褶皱或断裂处、煤顶岩层岩种决定。瓦斯爆炸现象由爆炸特种时间、火焰空气运动速度、爆炸温度、爆炸冲击波压力、封闭墙可承受压力、爆炸压力上升速率、瓦斯浓度、爆炸源决定。爆炸源又由爆炸源蕴含能量、爆炸源能量释放速度决定。根据以上分类依据,可以提取这些现象中的相关数据作为类元语,这样就能给出本体中的基本概念,并为关联给则的添加提供基本元素。

所有类的基本元素在UML建模的时候已经包含进去了,而除了类以外的其它四个元语无法得到描述,这样便无法发挥本体的自推导能力。在此基础上建立的UML模型如图1所示。

图1 瓦斯数据的 UML类模型图

1.2 推理规则描述

为了在本体中加入知识推理规则需要做以下几方面的工作：

1)确定本体中的基本原子概念。在建立本体的过程中本体中需要的基本原子概念全部来自于之前的UML类模型。以后的推导规则将会以这些概念节点作为基础。

2)确定本体的属性和UML类模型属性之间的映射。所要建立本体的各个类对象的属性应当和UML模型中具体字段名对应。类属性以及属性之间的关系映射决定了本体中概念基本语义。

3)用SWRL描述关联规则存入本体。以上种种概念类之间包含着种种规则关系,将自然语言的规则描述转换成SWRL描述的形式如下所示。

例如：煤层坚固系数大于0.12、瓦斯相对涌出量小于10 m3/t的煤层,就没有瓦斯突出危险发生的可能。SWRL规则内嵌语句描述为：

GasRecord(?x)∧ HasCoeffcient(?x,?y)∧ swrlb：greater Than(?y,0.12)∧HasPourAbsolutely(?x,?z)∧ swrlb：lessThan(?z,10)→GasOutburst(?x)

本体的自动推理能力建立在关联规则的基础上。通过描述属性之间的关联规则,再利用Jess推理引擎来实现本体推理,通过SWRL描述概念之间的关联规则加入本体实现知识推理建立的本体模型如图2所示。

图2 本体瓦斯事故预警模型视图

瓦斯事故本体模型的建立使得每一次的具体的瓦斯实际数据通过概念规则联系起来。在模型的建立过程中,通过建立相关的语义规则使得原本抽象的自然语义变成了可以被计算机识别并且用本体保存的知识,在以后的系统开发中只要提取相关的规则,利用现成的jess引擎推理就可以得出许多想要的结论和数据,瓦斯预警就是在这些结论和数据的基础上进行的。

1.3 本体模型预警流程

描述本体的语言是 OWL语言,这是一种以XML为基础的扩展语言,因此,很多数据平台都提供相应的API针对OWL模型进行数据操作以及相应的文件保存和检索[3]。煤矿监控设备提供了与瓦斯监测相关的实时数据,这些数据将以本体实例的形式传入本体模型,在本体jess引擎的自推理功能下得到相关的派生信息。基于Java语言的jess引擎API可以针对派生信息进行操作,并提取预警数据信息,反馈于相应的用户界面上,以此达到实时预警的效果。整个预警数据流程如下图3所示。

图3 瓦斯事故本体模型预警数据流图

2 传统预警与本体模型预警对比

本文将通过本体瓦斯预警与目前两种最主要瓦斯预测法进行对比,找到本体预警的优势。

2.1 与小波神经网络预测法的对比分析

从数据信息量看,本体模型与小波神经网络预测法相当[3],在数据类型上也比较接近。小波神经网络预测法的部分相关数据的单位与名称见表1。

表1 小波神经网络预测法相关数据的单位与名称

但是,从预测效率上来看,小波神经网络预测远远不如本体模型,本体模型预测的时间损耗几乎为零。而小波神经网络的预测结果精确度与隐含层的设置密切相关,隐含节点少,虽然收敛速度快效率高,但是精确度会降低,容错性会变差,相反,预测时间会变的很长使预警效率变的很低,而与瓦斯安全相关的数据偏偏又是多样的,在这种情况下,实时预测很难实现。本体模型处理数据的方式是以现有的知识规则为基础进行自推理,过程简单可靠,效率较高,所以要想实现实时检测的效果就要选择本体模型进行数据处理。

2.2 与灰色系统理论预测法的对比分析

尽管灰色系统理论预测法更具有针对性,它是在瓦斯某种数据一系列实测值的基础上对未来数据值的变化进行预测,可靠度高而且算法简单,它的灰色生成模型(一阶灰色微分方程)为：

式中：x(1)是生成序列,它是在原始离散数据的基础上经过一次累加而生成。a,u是待识别参数。

从产生的数据量上来看,灰色系统理论预测法不如本体模型多,而且这种预测法也只能针对部分数据的进行预测,而且这种做法最大的不足是对矿井的开采方式和地质条件变化进行了模糊处理,如果开采方式和地质条件发生变化将会导致预测失去实际意义。相比之下,本体的预测更具有实时性和普遍性,因为本体模型中传入的是实时数据,这种数据会随着本体模型的自推理派生出更多信息,这些信息都是准确可靠的,而且外部情况发生变动时,传入本体数据信息也会变化形成新的预警信息。

通过将本体模型预测方法与小波神经网络预测法[3]和灰色理论预测法[5]进行对比发现,传统的瓦斯事故预测往往是建立在损失效率精度或者将问题模糊处理的基础上进行的,这样对预警的效果会产生不良影响。但是,本体瓦斯预警建立在精确的规则推理和实时数据的基础上,准确率高和可靠性强。

3 预警效果分析

1)瓦斯预警采用的本体模型将具体的瓦斯数据和事故概念联系起来,使得这二者的数据实现语义关联,将瓦斯事故中原本孤立的、散落的、缺乏关联的数据联系起来,大大提高了瓦斯数据的整合效率以及数据派生信息的能力。由于传入本体的数据是实时的,信息推理的过程也是实时的,这样大大提高预警的反应效率和预警的可靠度。

2)全国每年产生的瓦斯数据是海量的,这样的数据用传统方式存储是不利于查找的,同时知识信息的存储也难以实现。瓦斯数据不仅仅可以被用于实时预警,如果利用本体来存储,再结合本体的语义推理增强自然语言的可读性,依靠Jess推理可以随时提取相关历史信息,为以后的预警防范工作提供依据。

3)本体独特个体(Individuals)添加功能使得传入的瓦斯数据也可以保存下来,这样随着数据的增加,数据之间的关联度会更加明显,在大量瓦斯数据的基础上,可以找出瓦斯事故现象的关键诱因。

4 结束语

本文提出了一种基于本体的瓦斯灾害预警模型,在本体模型中,定义了很多新的概念元语,如何描述它们之间的多属性关联是本体要解决的重要问题,而且瓦斯事故的诱因具有一定的模糊性的,在很多不确定的因素下,瓦斯事故本身的是多方面原因决定的,但是主要原因的确定和诱发概率的大小很难判断。本体在海量数据的收集过程中,自身的推导能力取决于本体中的描述规则是否合理数据是否完整。本体模型的建立是一个逐步完善的过程,下一步需针对模型中关联规则的合理性以及瓦斯数据属性的完整度,做进一步的研究。

[1] Paul Kogut,Stephen Cranefield,Lewis Hart,et al.Kenneth Baclawskiand Mieczyslaw Kokar,Jeffrey Smith,UML for Ontology Development[J].The Knowledge Engineering Review Archive,2002,17(1)：61-64.

[2] Giancarlo Guizzardi,Gerd Wagner,Heinrich Herre.On the Foundations of UML as an Ontology Representation Language[J].Engineering Knowledge in the Age of the Semantic Wab,2004,3257：47-62.

[3] 许德山,乔晓东,朱礼军,等.本体推理在知识检索中的应用[J].现代图书情报技术,2009(1)：58-62.

[4] 曹洪民,张玉林,姜永鹏,等.基于小波神经网络的煤矿瓦斯涌出量预测[J].计算机应用与软件,2009,26(7)：168-170.

[5] 伍爱友,田云丽,宋 译,何利文.灰色系统理论在矿井瓦斯涌出量预测中的应用[J].煤炭学报,2005,30(5)：589-592.