基于Python 多项式回归的钻孔瓦斯压力预测与应用

谢凯熙，王声远，齐黎明

（华北科技学院安全工程学院，北京 东燕郊 101601）

0 引 言

煤层瓦斯压力是矿井瓦斯灾害防治的关键参数，在煤层瓦斯地质图编制、瓦斯风化带下界深度确定、煤与瓦斯突出危险性鉴定和煤与瓦斯突出危险性区域预测等矿井瓦斯治理工程实践中均有应用[1]。煤层瓦斯压力还是决定煤层瓦斯含量、瓦斯流动力、瓦斯动力现象潜能的重要参数[2-4]。

基于煤层瓦斯压力参数的重要性，国家出台了AQ/T 1047-2007《煤矿井下煤层瓦斯压力的直接测定方法》，众多的专家和学者为提升测压的准确性也对直接测定煤层瓦斯压力技术进行了研究和创新，其中主要包括封孔技术[5-8]和测压方法[9-11]的研究。

随着矿井开采深度的增加和煤矿安全生产标准的提升，仅仅依靠机械压力表读取钻孔瓦斯压力数据，已经不能满足测压标准的需求，单纯利用机械压力表读取钻孔瓦斯压力不但会因为人为的失误造成读数误差，还会因读取过程繁琐，浪费大量的时间。为解决上述问题，需要一套能远程、精准、实时获取钻孔瓦斯压力的装置。

根据国家出台的AQ/T 1047-2007《煤矿井下煤层瓦斯压力的直接测定方法》规定，采用主动测压法，当煤层瓦斯压力小于4 MPa 时，其观测时间需要5 ～10 d，当煤层瓦斯压力大于4 MPa 时，则需要10 ～20 d；采用被动测压法时，则视煤层瓦斯压力及透气性大小的不同，其观测时间一般需要20 ～30 d 以上，因此无论是主动式测压法还是被动式测压法都需要花费大量的时间。在公开文献资料中，对于单因素影响的瓦斯压力大多数学者选用一元线性回归方法进行预测，本文利用Python 多项式方法对压力数据进行预测，研究结果表明此方法拟合度更高，预测的瓦斯压力数据更加精准，有效缩短了主动式测压时间。

1 远程测压装置的研发

测压装置主要由压力传感器、机械压力表、网络交换器、数据检测系统、四通和球阀组成，具体设计方案如图1 所示。当完成封孔注浆时，连接远程测压装置，然后打开球阀1 阀和球阀2，关闭球阀3（需要补气时打开，补气完成后关闭），这时压力传感器测量到的钻孔瓦斯压力就能远程、实时、精准的传输到地面的检测系统上。相比于传统的利用机械压力表读取钻孔瓦斯压力，此装置提升了钻孔瓦斯测压的准确性和效率。

图1 远程测压装置设计Fig.1 Design of remote pressure measuring device

2 钻孔瓦斯压力数据的预测

为了减少测压时间，采用Python 预测模型对压力数据进行数据处理并加以预测，因为采集的数据只受时间单因素的影响，所以选择线性回归模型，取用远程量测装置测量的前14 d 的数据，每3 min 获取1 个压力数据，共6 720 个数据，具体数据见表1。

表1 钻孔瓦斯压力数据Table 1 Borehole gas pressure data

由表1 可知，钻孔瓦斯压力大体上呈上升趋势，但因为数据量庞大，数据之间有波动，并不是总体呈直线式上身趋势，而是波动性上升，具体的钻孔瓦斯压力数据走势如图2 所示。采用Python回归模型对前14 d 测量到的数据进行处理拟合，前70%的数据作为训练集，后30%的数据作为测试集。

图2 钻孔瓦斯压力数据Fig.2 Borehole gas pressure data diagram

2.1 一元线性回归预测

首先利用python 中传统的一元线性回归模型对数据进行处理拟合，研究结果显示拟合度R2=0.838 4，说明拟合程度较好，基本符合预测要求，具体拟合效果如图3 所示，核心代码如下。

图3 一元线性回归拟合图Fig.3 Unary linear regression fitting diagram

from sklearn.linear_model import LinearRegression

LinReg=LinearRegression()

LinReg.fit(x_train,y_train)

from sklearn.metrics import r2_score

score1=r2_score(y_test,LinReg.predict(x_test))

从图3 可知，Python 一元线性回归模型对数据拟合度较良好，利用该方法预测钻孔瓦斯压力15 ～20 d 内的瓦斯压力数据情况，预测数据见表2。

表2 一元线性回归数据预测Table 2 Single linear regression data prediction table

由表2 可知，预测瓦斯压力数据跟实际测得的瓦斯压力数据大致发展趋势一致，但具体与测量到的数据还是有一定差异，情况如图4 所示。

图4 测量数据与预测数据对比Fig.4 Comparison of measured data and predicted data

由图4 可知，测量的数据与预测的数据之间差异较大，不能满足预测标准，因此Python 一元线性回归方法不能作为缩短直接测压法的有效方法。

2.2 Python 多项式回归预测

为了提高预测精度，再次用Python 中多项式回归模型对数据进行处理拟合，研究结果显示拟合度R2=0.977 0，拟合程度极好，具体拟合效果如图5 所示，核心代码如下。

图5 多项式回归拟合图Fig.5 Polynomial regression fitting graph

因python 多项式回归对数据拟合程度极好，故采用多项式回归模型对钻孔瓦斯压力数据进行预测。此模型同样是用了前14 d 的数据进行数据的训练和拟合，现用训练好的模型预测15 ～20 d 内的压力数据并与远程测压装置测量到的实际数据作比较，具体数据情况见表3。

表3 多项式回归数据预测Table 3 Polynomial regression data prediction table

由表3 可知，相比于线性回归预测，Python 多项式回归预测结果更加准确，预测的压力数据基本与测量到的真实数据一致，具体的对比情况如图6所示。

图6 测量数据与预测数据对比Fig.6 Comparison of measured data and predicted data

由图6 可得，利用Python 多项式回归方法能准确预测钻孔瓦斯压力数据的发展趋势，相比于一元线性回归方法预测的压力曲线，Python 多项式回归预测的瓦斯压力曲线与实际测量到的数据曲线重合度极高。结果表明python 多项式回归模型能有效的预测钻孔瓦斯压力未来的发展趋势，用此方法能有效缩短测压时间。

3 结 论

（1） 利用压力传感器、网络交换机、数据监测系统、四通和球阀组装了一套远程测压系统，实现了远程、实时、在线监测钻孔瓦斯压力，提升了测压效率。

（2） 相比于传统的一元线性回归预测，本文利用Python 多项式回归对数据进行处理，拟合度更高，准确预测了钻孔瓦斯压力未来的发展趋势。

（3） 利用Python 多项式回归模型对直接测压法前14 d 的瓦斯压力数据进行训练拟合，准确预测出了15 ～20 d 钻孔瓦斯压力数据，有效缩短直接测压法的测压时间。