煤層突出危險性綜合預測及驗證

張爾輝，朱權潔，劉 衍，高林生，張 震，谷 雷

(1. 華北科技學院 安全工程學院，北京 東燕郊 065201；2. 湖北省煙草公司十堰市公司，湖北 十堰 442000)

0 引言

煤與瓦斯突出作為煤礦安全生產的主要制約因素，對廣大職工的生命和財產造成了嚴重的威脅。根據相關調查研究表明，近年來，我國礦山煤與瓦斯突出事故頻發，已成為世界上煤與瓦斯突出災害最嚴重的國家[1]。我國煤與瓦斯突出災害形勢嚴峻，防突工作任務十分艱巨。探討煤與瓦斯突出的誘發因素，及時準確地掌握其動態變化特征，對于遏制事故的發生，實現礦井的安全生產具有重要的意義。

國內外專家對煤與瓦斯突出災害的預測預警已開展了大量研究。理論研究方面，趙旭生等[2-3]從空間、時間、指標體系等方面提出了突出災害預警的本質和要求。楊玉中等[4]從管理對象、目標體系和基本內容3個方面分析了突出預警系統的組成。煤與瓦斯突出在線監測方面，張仕和[5]、王雨虹[6]等利用聲發射、電磁輻射技術監測技術，實現了采掘活動過程中煤與瓦斯動態特征的跟蹤監測。何學秋等[7]基于微震頻次指標、能量指標監測，提出了突出危險煤層微震區域動態監測新方法。突出預警指標確定方面，姜鵬鵬等[8]從軟分層厚度、煤層深度、噴孔出現次數、鉆屑瓦斯解吸指標等方面建立了一套預警指標。師旭超等[9]選取開采深度、瓦斯壓力、瓦斯放散初速度、煤的堅固性系數和地質破壞程度五個指標作為輸入，建立了煤與瓦斯突出預測支持向量機模型。李勝等[10]根據瓦斯含量、瓦斯壓力、開采應力、地質構造等因素，建立了煤與瓦斯突出的智能識別模型。隨著科技的進步，人工智能逐漸應用于各個領域。引入人工智能算法對提高煤與瓦斯突出預測的準確性具有促進意義。楊艷國等[11]采用多重分形理論，研究了鉆屑量、鉆屑解吸指數和不同孔深的特征參數對煤與瓦斯突出事故的影響。朱志潔等[12]引入了PCA法，建立了PCA-BP煤與瓦斯突出預測模型。郭德勇等[13]應用物元和可拓集合理論建立了煤與瓦斯突出危險性預測的物元可拓模型。張子戌等[14]利用成熟的模糊理論和技術，提出了一種預測煤與瓦斯突出區域的模糊模式識別方法。溫廷新等[15]提出了一種基于灰色關聯熵的煤與瓦斯突出概率神經網絡預測模型。

綜上所述，煤與瓦斯突出災害受多種因素影響，掌握相關指標的變化特征，對準確評價煤與瓦斯突出危險性，實現礦山安全生產具有重要意義。本文引入人工智能算法，提出基于BP神經網絡和灰色關聯分析法的煤與瓦斯突出危險性區域預測和區域驗證。以山西多個礦的煤與瓦斯突出指標作為數據支撐，建立基于BP神經網絡煤與瓦斯突出危險性區域預測模型?；谠撃Ｐ蛯颖蹦车V2#煤層采掘工作面煤與瓦斯突出危險性進行區域預測，提前采取防突措施。采掘推進過程中，按照《防治煤與瓦斯突出細則》區域驗證要求，對2#煤層瓦斯參數進行實測，利用灰色關聯分析法對該煤層突出危險性進行區域驗證。最后結合現場揭煤情況驗證區域預測和區域驗證結果的準確性，確定最終突出危險評價結果。

1 BP神經網絡模型

BP神經網絡是一種帶導師的學習算法，是一種信號正向計算和誤差反傳的學習過程[16]，其網絡結構包括輸入層、隱含層和輸出層。在正向傳播時，來自輸入層的輸入樣本通過每一個隱含層逐層處理，然后傳輸到網絡輸出層。如果在輸出層沒有獲得所需的輸出，則將誤差的反向傳播，此時，誤差信號從輸出層傳輸到輸入層，并一路調整各層的連接閾值和權值，使誤差不斷減小，直至達到目標精度[17]。BP神經網絡結構如圖1所示，學習過程如圖2所示。

圖1 BP神經網絡結構圖

圖2 BP神經網絡學習過程

設BP神經網絡輸入層的為輸入向量為X=(x1x2…xi…xn)T，隱含層輸出向量為Y=(y1y2…yi…ym)T，輸出層輸出向量為o=(o1o2…ok…ol)T，期望輸出向量為d=(d1d2…dk…dl)T。輸入層與隱含層之間的權值矩陣為V=(v1v2…vj…vm)，其中列向量Vj為隱含層第j個神經元對應的權向量。隱含層與輸出層之間的權值矩陣為W=(w1w2…wk…wi)，其中列向量Wk為輸出層第k個神經元對應的權向量[18]。

對于隱含層有：

(1)

對于輸出層有：

(2)

輸入樣本經過正向傳播，由網絡學習運算后，當網絡輸出與期望輸出存在輸出誤差E時，誤差經過向隱含層和輸入層的不斷展開，可得到網絡誤差公式

(3)

通過調整權值向量可以減小網絡誤差，其權值調整公式為

Δwjk=η(dk-ok)yj

(4)

(5)

其中

(6)

BP神經網絡模型性能好壞通過決定系數判斷，其中決定系數的計算公式為

(7)

決定系數范圍在[0，1]內，愈趨近于1，表明模型的性能愈好；反之，愈趨近于0，表明模型的性能愈差。

2 BP神經網絡模型構建

2.1 輸入和輸出樣本選擇

煤與瓦斯突出危險性區域預測BP神經網絡模型的建立，關鍵是確定網絡輸入層、隱含層和輸出層節點的個數。本文以瓦斯放散初速度、煤層瓦斯壓力、煤層孔隙率、煤的堅固性系數、煤層透氣性系數、煤層瓦斯含量、鉆孔瓦斯衰減系數和煤層開采深度8個主控因素作為輸入樣本。輸出向量是煤與瓦斯突出危險程度。本文將煤層突出危險程度分為4種類型：輸出4個節點用來代表4種輸出模式，即(1 0 0 0)代表嚴重突出危險性，(0 1 0 0)代表中等突出危險性，(0 0 1 0)代表一般突出危險性，(0 0 0 1)代表較弱突出危險性。

表1為煤與瓦斯突出危險性區域預測BP神經網絡構建樣本數據，為保證網絡模型預測結果的準確性，對數據進行了歸一化處理。數據來源于多個礦井現場實測，依據實測數據已對突出危險程度進行了準確評價。以表1數據作為BP神經網絡的輸入層和輸出層，進而構建用于煤與瓦斯突出危險性區域預測的通用網絡模型。

表1 BP神經網絡構建樣本數據

2.2 網絡模型構建

根據輸入樣本和輸出向量，確定網絡輸入層節點為8，輸出層節點為4，根據經驗公式利用試湊法確定隱含層節點數[16]。通過逐漸增加隱含層節點數，當網絡誤差達到最小時對應的隱含層的節點數為15，因此，構建的BP神經網絡模型結構為(8，15，4)型。其中，經驗公式為：

式中，m為隱含層的節點數；n為輸入層的節點數；l為輸出層節點數；α為1～10之間的一個常數。圖3為煤與瓦斯突出危險性區域預測BP神經網絡模型結構。

圖3 煤與瓦斯突出危險性區域預測BP神經網絡結構圖

2.3 模型準確性分析

BP神經網絡模型的準確性用決定系數R衡量，決定系數的取值范圍為[0，1]，越接近1表明模型準確性越好。本文構建的BP神經網絡模型除測試數集的決定性系數小于0.95外，其余3個均大于0.95。由此表明，該BP神經網絡模型性能較好，誤差在允許范圍內。此外，表2為BP神經網絡學習輸出結果，基于輸出結果確定的煤與瓦斯突出危險程度與表1中已知的危險程度一致。因此，該模型可以用于煤與瓦斯突出危險性區域預測的實際工程中。

表2 煤與瓦斯突出樣本數據預測輸出結果

3 灰色關聯分析方法

灰色關聯分析法是灰色系統理論的一個重要分支，是根據各指標之間相似性或差異性，作為衡量系統間各指標間關聯程度的一種方法。隨時間或事物發展而變化的關聯性大小的量度，稱為關聯度。在目標系統的發展過程中，兩個指標的相似度或對系統的影響趨勢具有一致性，表明二者關聯度較高；反之，則關聯度較低[19]。鉆屑瓦斯解吸指標Δh2或K1、鉆屑量S和鉆孔瓦斯涌出初速度q綜合反映了決定煤體突出危險程度的應力、瓦斯和煤的物理力學及瓦斯放散性質[20]，可作為煤與瓦斯突出危險程度預測的重要指標，根據指標建立系統映射量：

(8)

式中，Xj(i)為同一次預測實測Δh2i、Si、qi；i為測定數據序號；j為指標序號。

為消除各指標單位和數量級差異對分析結果帶來不利影響，用均值法對各指標作無量綱變換：

(9)

(10)

聯立式(8)～(10)建立無量綱系統映射量E2(i)為

(11)

煤與瓦斯突出可以認為既含有已知的內部特性，又含有未知和非確知內部特性的灰色信息系統，關聯分析參考數列X0(i)為系統映射量E1(i)和E2(i)，比較數列Xj(i)為預測指標，灰色關聯函數計算模型[21]：

(12)

(13)

式中，ξj(i)為Xj(i)對X0(i)在第i時刻的關聯系數；K為分辨系數，取0.5；m為比較數列個數，即突出預測測定預測指標個數；n為分析數據組數；X0(i)參考數列，即建立的系統映射量。根據關聯系數確定關聯度

(14)

4 工程實例應用

4.1 工程背景

河北某礦礦井采用立井多水平開拓方式，井田劃分為+30 m水平、-120 m水平、-280 m水平3個水平。2#、4#煤為礦井主采煤層?，F礦井主要生產地區集中在三水平的六盤區、七盤區、東北翼、西翼盤區。2#煤層采用綜采放頂煤生產工藝，4#煤采用薄煤綜采。掘進方法為綜掘機掘進和炮掘兩種方法。為確定2#煤層采掘工作面煤與瓦斯突出危險程度，針對突出危險性做出合理的評價，分別對2#煤層采掘工作面的92606里工作面、92609運料巷、92623工作面、921101運料巷和92620運料巷5個區域進行現場瓦斯參數測定。區域預測指標取各區域測量值的平均值作為最終數據，區域驗證指標各區域實測數據分別為20組，限于篇幅，取平均值列出，見表3，所有數據均進行了歸一化處理，為煤與瓦斯突出危險性評價提供數據基礎。煤與瓦斯突出評價首先，利用BP神經網絡進行揭煤前區域預測；其次，利用灰色關聯分析法進行區域驗證；再次，基于現場揭煤情況確定工作面的突出情況。最后，綜合三者分析結果，確定工作面的突出危險程度。

表3 2#煤層采掘工作面煤與瓦斯突出預測參數實測值

4.2 突出危險性區域預測

利用上文構建的BP神經網絡模型，基于表3現場實測瓦斯參數，實現2#煤層采掘工作面突出危險性區域預測和危險程度劃分。網絡計算輸出結果和預測突出危險程度見表4。由表4得出結論，2#煤層采掘工作面5個實測點突出危險程度為一般或較弱，因此，2#煤層采掘工作面可視為無突出危險工作面。

表4 煤與瓦斯突出預測輸出結果

4.3 突出危險性區域驗證

采用鉆屑單項指標法進行工作面突出危險性區域驗證時，鉆屑單項指標按《防治煤與瓦斯突出細則》有以下幾種：鉆屑解吸指標Δh2或K1、鉆屑量S和鉆孔瓦斯涌出初速度q。各指標的突出危險臨界值應根據實測數據確定，無實測數據時，可參考《防治煤與瓦斯突出細則》中提供的臨界值確定，如表5中數據確定工作面的突出危險性。

表5 用鉆屑指標法預測煤巷掘進工作面突出危險性的臨界值

根據采掘推進過程中現場瓦斯參數的實測值作為突出危險性區域驗證指標，基于灰色關聯分析法確定大社礦2#煤層采掘工作面突出預測敏感指標及臨界值，進而實現煤與瓦斯突出危險性區域驗證?；疑P聯分析結果見表6。由表6可以看出Δh2與系統映射量E1i和E2i關聯性較強，映射量E1i著重于反應預測突出準確率，映射量E2i著重于反應預測不突出準確率。表6反映了預測指標的敏感度有鉆屑解吸指標Δh2>鉆屑量S>鉆孔瓦斯涌出初速度q；鉆屑解吸指標Δh2>鉆屑量S>鉆屑解吸指標K1。綜合分析預測指標參數，認為Δh2較敏感，對預測預報指導意義較大。根據Δh2測定結果和表5臨界值范圍，對大社礦2#煤層采掘工作面突出危險性進行劃分，結果及程度劃分如表7。由表7中的劃分結果確定5個實測點均為無突出危險性，由此確定2#煤層采掘工作面可視為無突出危險工作面，突出危險程度與BP神經網絡預測結果相同。

表6 關聯度計算結果

表7 基于灰色關聯分析法的突出危險預測結果

4.4 評價結果分析

上文采用BP神經網絡對2#煤層采掘工作面揭煤前突出危險性進行了區域預測。預測結果顯示2#煤層采掘工作面5個實測區域預測突出危險程度為一般或較弱，整體可視為無突出危險性。因此，揭煤工作準備前期無需采取針對性的防突措施，嚴格遵照相關法律法規施工即可。采掘活動推進過程中，利用鉆屑法計算瓦斯參數，包括鉆屑解吸指標Δh2或K1、鉆屑量S和鉆孔瓦斯涌出初速度q，基于實測數據，利用灰色關聯分析法對該工作面突出危險性進行了區域驗證，驗證結果顯示5個實測區域均為無突出危險區域。最后，根據現場揭煤情況可知，2#煤層無突出危險性。綜合對比分析區域預測、區域驗證結果及現場揭煤情況可以確定2#煤層采掘工作面為無突出危險工作面。三個分析結果相互對比驗證，一方面保證了突出危險性評價結果的準確性，另一方面，確定了BP神經網絡和灰色關聯分析法在煤與瓦斯突出危險性區域預測和區域驗證中的適用性，可指導安全生產。

5 結論

(1) 提出了基于BP神經網絡和灰色關聯分析法的煤與瓦斯突出危險性區域預測和區域驗證方法。確定了瓦斯放散初速度、煤層瓦斯壓力、煤層孔隙率、煤的堅固性系數、煤層透氣性系數、煤層瓦斯含量、鉆孔瓦斯衰減系數和煤層開采深度作為突出危險性區域預測指標。確定了鉆屑解吸指標Δh2或K1、鉆屑量S和鉆孔瓦斯涌出初速度q作為突出危險性區域驗證指標。

(2) 基于BP神經網絡對2#煤層采掘工作面5個實測點進行了區域預測，預測結果顯示突出危險程度為一般或較弱，整體可視為無突出危險性?；诨疑P聯分析法實現了采掘推進過程中突出危險性區域驗證。驗證結果顯示該工作面為無突出工作面。最后，基于現場揭煤情況確定了該工作面為無突出危險工作面。通過兩種方法分析結果和現場揭煤情況相互對比驗證，既保證了評價結果的準確性，又確定了兩種方法在煤與瓦斯突出危險性評價中的合理性和可行性。

(3) 鑒于BP神經網絡和灰色關聯分析法在煤與瓦斯突出危險性評價中的準確性和適用性，可推廣應用于沖擊地壓、礦井突水等礦井災害的預測預警中，對減低事故率，實現安全生產具有指導意義。