本发明涉及煤矿巷道支护，特别是涉及一种基于图网络和多任务学习的煤巷支护参数预测方法。
背景技术：
1、煤矿巷道支护是煤矿开采中至关重要的一环，直接关系到矿井的安全生产和经济效益。应根据煤矿巷道的具体地质条件、服务年限、使用要求等因素综合考虑，选择合适的煤矿巷道支护类型和参数。设计过程中应进行详细的工程地质勘察和围岩稳定性分析，确保支护设计的科学性和合理性。常见的支护形式包括锚杆支护、锚索支护、棚式支架支护、锚网喷联合支护等。支护形式的选择应充分考虑巷道的稳定性要求、施工难易程度和成本效益。支护参数设计完成后，还需要进行校核与优化。校核的目的是验证支护参数是否满足巷道的稳定性要求和安全规范。优化的目的是在满足稳定性要求的前提下，尽可能降低支护成本和提高施工效率。校核与优化过程中可能需要借助数值模拟、现场试验等手段进行验证和调整。因此，选择合适的支护方式以及确定支护参数对于保持巷道稳定、防止事故发生至关重要。
2、近年来，随着深度学习技术的快速发展，深度学习在智慧矿山领域取得了显著成果。图采样聚合网络是一种图网络模型，能够从无标签数据中学习数据的深度特征表示，为煤巷支护数据的学习提供了新的方法。通过图采样聚合网络可以自动提取煤巷支护数据的有效特征，减少不相关信息的影响，提高巷道支护参数预测方法的稳定性。然而，将图采样聚合网络应用于煤巷支护参数的预测仍面临一些挑战。首先，煤矿巷道的地质条件各不相同，各条巷道的巷道信息存在一定的相关性，如何构建一个有效的模型来提取这些关联特征是一个关键问题。其次，煤矿支护数据通常存非线性关系，如何对这些数据进行预处理和特征变换，以提高预测方法的有效性是一个重要的问题。
3、为了提高煤巷支护参数预测的有效性，本发明提出了一种基于图网络和多任务学习的煤巷支护参数预测方法。
技术实现思路
1、本发明的目的是提供一种基于图网络和多任务学习的煤巷支护参数预测方法，结合图采样聚合网络和多任务学习机制，提高煤巷支护参数预测的有效性。
2、为实现上述目的，本发明提供了如下方案：
3、一种基于图网络和多任务学习的煤巷支护参数预测方法，包括：
4、采集煤矿巷道的巷道信息；
5、根据巷道信息，获取相似巷道构建图采样聚合网络，对所述图采样聚合网络进行采样和聚合，提取所述巷道信息的关键特征；
6、根据所述关键特征，利用多任务学习对所述煤矿巷道的支护参数进行预测，获取支护参数；其中所述多任务学习基于训练集训练获得，所述训练集包括实际巷道信息和实际支护参数。
7、可选的，构建所述图采样聚合网络包括：将巷道作为节点、相似巷道之间的连接关系作为边，并将所述实际巷道信息作为所述节点的特征，构建所述图采样聚合网络，其中，所述相似巷道为具有相同的经纬度或同样巷道用途的不同巷道。
8、可选的，提取所述巷道信息的关键特征包括：
9、对所述图采样聚合网络中的所述节点的邻居节点进行采样，并采用聚合函数对采样的邻居节点进行聚合，提取聚合的邻居节点；
10、将所述节点与所述聚合的邻居节点进行特征拼接，并通过非线性变换更新所述节点的特征，获取所述节点的特征表示；
11、将所述节点的特征表示进行特征的l2范数归一化，获取所述关键特征。
12、可选的，采用聚合函数对采样的邻居节点进行聚合的方法为：
13、
14、其中，为聚合的输出，n(i)为节点i的邻居节点集合，hj(k-1)是节点j在k-1层的特征表示。
15、可选的，将所述节点与所述聚合的邻居节点进行特征拼接，并通过非线性变换更新所述节点的特征方法为：
16、
17、其中，w(k)是第k层的权重矩阵，σ是激活函数，concat表示特征拼接操作，是节点i在k层的特征表示。
18、可选的，获取所述训练集包括：
19、获取支护数据，其中所述支护数据包括不同煤矿区的实际巷道信息和实际支护参数；
20、将所述实际巷道信息和所述实际支护参数将进行预处理，获取所述训练集。
21、可选的，对所述实际支护数据进行预处理包括：数值数据的预处理和文本信息的预处理；
22、所述数值数据的预处理包括：对所述实际巷道信息和所述实际支护参数进行清洗和归一化处理；
23、所述文本信息的预处理包括：构建文本表示模型对所述实际巷道信息进行关键词选取，利用独热编码将所述关键词数值化。
24、可选的，根据所述关键特征，利用多任务学习网络对所述煤矿巷道的支护参数进行预测包括：
25、将预测任务划分为若干子任务，每个所述子任务添加全连接层，根据所述关键特征分别输出每个子任务的预测结果，其中，若干子任务为锚杆间距、锚杆排距、锚杆直径、锚杆长度、锚索长度、锚索直径、锚索间距、锚索排距以及喷浆厚度。
26、可选的，所述多任务学习网络的损失函数为：
27、
28、其中，ωj表示第j个支护参数的权重，lj表示第j个任务的误差，h1，…，hn为图采样聚合网络输出的巷道信息的关键特征，y1，…，yn为实际支护参数，l[h1，…，hn，y1，…，yn]为n条巷道的损失函数。
29、本发明的有益效果为：(1)本发明是一种基于图网络和多任务学习的煤巷支护参数预测方法，利用图采用聚合网络的采样和聚合技术处理煤巷巷道信息，实现了巷道信息的关键特征提取。通过邻居采样机制，提高了图采样聚合网络在大规模图上的效率，这样能够有效地处理复杂的煤巷支护数据。
30、(2)本方法采用多任务学习机制，将预测问题划分为九个子任务(锚杆间距、锚杆排距、锚杆直径、锚杆长度、锚索长度、锚索直径、锚索间距、锚索排距以及喷浆厚度)，并充分利用任务间的信息共享和相关性，提高了预测方法的泛化能力和效率。这种预测方法不仅提高了预测有效性，还增强了其适应不同支护场景的能力。
31、(3)采用随机梯度下降算法进行训练，通过将图进行划分以及将数据划分为小批量，提高了训练效率。在每次训练迭代中，从数据集中每次随机抽取小批量数据，并使用迭代算法来更新网络参数，确保预测方法在大规模数据上的高效训练。
1.一种基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，包括：采集煤矿巷道的巷道信息；
2.根据权利要求1所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，构建所述图采样聚合网络包括：将巷道作为节点、相似巷道之间的连接关系作为边，并将所述实际巷道信息作为所述节点的特征，构建所述图采样聚合网络，其中，所述相似巷道为具有相同的经纬度或同样巷道用途的不同巷道。
3.根据权利要求2所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，提取所述巷道信息的关键特征包括：
4.根据权利要求3所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，采用聚合函数对采样的邻居节点进行聚合的方法为：
5.根据权利要求4所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，将所述节点与所述聚合的邻居节点进行特征拼接，并通过非线性变换更新所述节点的特征方法为：
6.根据权利要求1所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，获取所述训练集包括：
7.根据权利要求6所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，对所述实际支护数据进行预处理包括：数值数据的预处理和文本信息的预处理；
8.根据权利要求1所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，根据所述关键特征，利用多任务学习网络对所述煤矿巷道的支护参数进行预测包括：
9.根据权利要求1所述的基于图网络和多任务学习的煤巷支护参数预测方法，其特征在于，所述多任务学习网络的损失函数为：
