长壁（综采）工作面上 爆炸性甲烷–空气混合物 的形成难以实时掌握：点式传感器覆盖有限，计算流体力学（CFD） 虽可模拟全断面流场，但单次计算往往需数天至数周。Demirkan 等（2022）在 Energies 提出以 改进 LSTM 学习 CFD 输出，在输入新监测数据后约 2 分钟 给出工作面 三维瓦斯浓度 预报，报告精度 87.9%–92.4%。下文按「背景—数据—模型—结果—局限—工程启示」归纳。

1. 问题背景

1.1 现有手段的不足

长壁开采产能高，但 瓦斯爆炸 仍是主要灾害，积聚常出现在 截割滚筒、采煤机、机头/机尾 等关键区域（如 2010 年美国 Upper Big Branch 事故）。

| 手段 | 优势 | 局限 | |------|------|------| | 点式甲烷传感器 | 安装点可实时读数 | 空间覆盖稀疏；滚筒附近预警不足 | | CFD 通风模拟 | 全工作面三维场 | 算力与时间成本高，难以在线预警 |

既有涌出/浓度预测（ANN、PCA、按年/分钟尺度等）多针对 矿井或煤层总量，缺少 工作面空间维度 + 近实时 的爆炸区识别。

1.2 本文目标

融合「传感器级时效」与「CFD 级空间覆盖」，在危险形成前识别 可能达到爆炸浓度的三维区域，尤其覆盖采煤机附近等监测盲区。

2. 数据链路：CFD → AI

Ansys Fluent 长壁 CFD → 网格单元时序 → 改进 LSTM → 三维瓦斯预报（约 2 min）

2.1 CFD 设置

  • Ansys Fluent 18.2；bleeder 通风、tailgate 回风布置
  • 模型工作面：长 300 m，采高 3 m，深度 6 m
  • 150 架液压支架（各 2 m）；10 m 采煤机 置于 6 个位置
  • 约 3100 万 六/八面体网格（3–30 cm）；瞬态 180 s，1 s 采样
  • 每单元：压力、速度 (Vx, Vy, Vz)、CH₄、体积、(x, y, z)

每个采煤机位置仿真约 10 天；每位置约 2 TB，六位置合计 12 TB 训练数据。

2.2 训练 / 测试划分

相似位置配对，切割方向相反（如 Location 1 机头→机尾训练，Location 6 机尾→机头测试）：

| 训练–测试对 | 空间含义 | 报告精度 | |-------------|----------|----------| | L1 ↔ L6 | 工作面中部 | 92.4% / 91.6% | | L2 ↔ L5 | — | 89.1% / 91.0% | | L3 ↔ L4 | 近机尾侧 | 87.9% / 88.3% |

各位置内 80% 训练 / 20% 验证（分层 K 折）；总记录约 6430 万 条。

3. 改进 LSTM

常规 LSTM 面向 二维 序列；本文改为 三维时空 瓦斯场预测。

输入（180 s，1 s 步长）： x, y, z；至采煤机最短距离；风速；甲烷浓度；单元体积。

相对经典时序方法： Naïve / Holt 等多为单步预测，难以支撑连续面监测；ARIMA/ETS 难以扩展到 3200 万级耦合网格。

单实例训练约 7 天（Xeon + Tesla K80 等 HPC），测试约 15 分钟；训练完成后 推理约 2 分钟，远快于重复 CFD。

验证精度在约第 20 个 epoch 趋于平稳（训练/验证约 89.1%–93.8%）。

4. 结果与讨论

  • 六组位置配对测试精度 87.9%–92.4%
  • L3/L4（近机尾） 略低——作者认为该处浓度变化较平缓，而机头/机尾角点（L1/L6）波动更剧烈，模型对后者更敏感
  • 相对纯 CFD，可在 近实时 下给出全断面三维风险筛查
  • 局限： 预测质量受 CFD 模型标定 约束；本文尚未用现场传感器闭环验证

输出形态： 当前为数值结果（位置、时间、浓度），工程可读性不足；作者计划 Unity 三维可视化 及多矿种数据再训练。

5. 局限与复现注意

  1. 仅仿真训练： 迁移至其他工作面需补充 CFD 或经标定的现场数据。
  2. 离线成本高： 12 TB 数据、合计约 45 天 训练——适合 HPC，非井下实时采集即可复现。
  3. 精度指标： 「overall accuracy」与爆炸阈值（如 5% CH₄）绑定，安全应用需单独定义验收标准。
  4. 互补而非替代： 点传感器、通风联锁、抽采系统仍不可省略。
  5. 方向泛化： 反向切割测试设计值得在本地采煤机轨迹上复现。

6. 工程启示

  • CFD 训、LSTM 推 是可落地的「物理 + AI」范式：前期重算力换在线低延迟。
  • 优先关注 滚筒、机身、机头机尾角点 的传感器布点与模型输出对齐。
  • 预报应接入 预警–减速/停机–调风 流程，并保留人工确认。
  • 下井前需 CFD 风格可视化，降低数值结果认知负荷。
  • 跨 多种长壁几何 扩充训练集后，再谈全矿推广。

参考文献

Demirkan, D. C.; Duzgun, H. S.; Juganda, A.; Brune, J.; Bogin, G. Real-Time Methane Prediction in Underground Longwall Coal Mining Using AI. Energies 2022, 15 (17), 6486.